2.845

2023影响因子

(CJCR)

  • 中文核心
  • EI
  • 中国科技核心
  • Scopus
  • CSCD
  • 英国科学文摘

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

不确定系统改进的鲁棒协方差交叉融合稳态Kalman预报器

王雪梅 刘文强 邓自立

程志强, 朱纪洪, 袁夏明. 考虑执行器饱和的改进无模型自适应控制. 自动化学报, 2016, 42(8): 1158-1165. doi: 10.16383/j.aas.2016.c150583
引用本文: 王雪梅, 刘文强, 邓自立. 不确定系统改进的鲁棒协方差交叉融合稳态Kalman预报器. 自动化学报, 2016, 42(8): 1198-1206. doi: 10.16383/j.aas.2016.c150410
CHENG Zhi-Qiang, ZHU Ji-Hong, YUAN Xia-Ming. An Novel Improved Model Free Control Against Actuator Saturation. ACTA AUTOMATICA SINICA, 2016, 42(8): 1158-1165. doi: 10.16383/j.aas.2016.c150583
Citation: WANG Xue-Mei, LIU Wen-Qiang, DENG Zi-Li. Modified Robust Covariance Intersection Fusion Steady-state Kalman Predictor for Uncertain Systems. ACTA AUTOMATICA SINICA, 2016, 42(8): 1198-1206. doi: 10.16383/j.aas.2016.c150410

不确定系统改进的鲁棒协方差交叉融合稳态Kalman预报器

doi: 10.16383/j.aas.2016.c150410
基金项目: 

黑龙江大学研究生创新科研项目 YJSCX2015-002HLJU

国家自然科学基金 60874063, 60374026

详细信息
    作者简介:

    王雪梅 黑龙江大学电子工程学院博士研究生. 主要研究方向为多传感器信息融合和鲁棒Kalman 滤波. E-mail: dengzili889@163.com

    刘文强 黑龙江大学电子工程学院博士研究生. 主要研究方向为多传感器信息融合和鲁棒Kalman 滤波. E-mail: dengzili890@163.com

    通讯作者:

    邓自立 黑龙江大学电子工程学院教授. 主要研究方向为多传感器信息融合和鲁棒Kalman 滤波. E-mail: dzl@hlju.edu.cn

  • 中图分类号: 

Modified Robust Covariance Intersection Fusion Steady-state Kalman Predictor for Uncertain Systems

Funds: 

Postgraduate Innovation Project of Heilongjiang Province YJSCX2015-002HLJU

National Natural Science Foundation of China 60874063, 60374026

More Information
    Author Bio:

    WANG Xue-Mei Ph. D. candi-date at the Electronic Engineering Col-lege, Heilongjiang University. Her re-search interest covers multisensor infor-mation fusion and robust Kalman ˉltering

    LIU Wen-Qiang Ph. D. candidate at the Electronic Engineering College, Heilongjiang University. His research interest covers multisensor information fusion and robust Kalman ˉltering

    Corresponding author: DENG Zi-Li Professor at the Electronic Engineering College, Hei-longjiang University. His research in-terest covers multisensor information fusion and robust Kalman filtering
  • 摘要: 针对带随机参数和噪声方差两者不确定性的线性离散多传感器系统,利用虚拟噪声补偿随机参数不确定性,原系统可转化为仅带不确定噪声方差的系统.根据极大极小鲁棒估值原理,用Lyapunov方程方法提出局部鲁棒稳态Kalman预报器及其误差方差最小上界,并利用保守的局部预报误差互协方差,提出改进的鲁棒协方差交叉(Covariance intersection,CI)融合稳态Kalman预报器及其误差方差最小上界.克服了原始CI融合方法要求假设已知局部估值及它们的保守误差方差的缺点和融合误差方差上界具有较大保守性的缺点.证明了鲁棒局部和融合预报器的鲁棒性,并证明了改进的CI融合器鲁棒精度高于原始CI融合器鲁棒精度,且高于每个局部预报器的鲁棒精度.一个仿真例子验证了所提出结果的正确性和有效性.
  • 20 世纪 50 年代以来,基于模型的控制理论得到了快速发展与完善.其建立控制系统的过程要经历三个阶段,依次是建立模型、分析模型和依靠模型设计控制律[1].但随着受控对象越来越复杂,如何有效地对受控对象进行建模已成为一个棘手的问题.原因是对于一个系统,如果所建数学模型过于复杂,则难以设计控制律或所得控制律工程上难以实现[2-3].如果过于简单,则难以反映实际系统的动态特性,基于该模型设计的控制律在实际应用中难以取得理想的控制效果. 其次,建立系统模型的方法主要有机理建模和系统辨识两种方法,无论哪种方法,所建模型都是对真实系统的逼近,实际系统一定会存在影响控制系统鲁棒性的未建模动态和其他不确定性因素[4-5].

    目前,主要存在两大类方法用以解决上述问题.第一大类方法是基于数据驱动的控制方法. 较为典型的有虚拟参考反馈整定(Virtual reference feedback tuning,VRFT)、同步扰动随机逼近(Simultaneous perturbation stochastic approximation,SPSA)和无模型自适应控制 (Model free adaptive control,MFAC)三种方法. VRFT 是 Guardabassi等 在 2000 年提出的,其特点是根据离线数据设计控制律. 该方法基于模型参考自适应,通过参数辨识直接得到控制器参数,使闭环系统动态特性逼近参考模型[6]. 由于实际系统的动态信息无法通过一次激励完全得到,所以运用该方法设计所得的控制器很难保证闭环系统的稳定性. SPSA 是Spall在 1993 年提出的,其特点是迭代辨识系统参数,控制效果易受系统结构变化或参数变化的影响.使用该方法同样难以保证闭环系统的稳定性[7]. MFAC 方法是侯忠生在 1994年提出的一种无模型自适应控制方法[8], 其特点是控制器的设计不需要系统的模型信息,而是基于输入输出数据直接计算得到控制量.文献[5, 9-10]证明了紧格式和偏格式动态线性化控制方法闭环系统的稳定性.第二大类方法是吴宏鑫等提出的特征建模方法.特征建模方法广泛应用于航天器和工业控制中,是一种综合考虑对象动力学特征和控制性能要求的建模方法[2].该方法与文献[5]提出的全格式动态线 性化模型有异曲同工之处.不同的是,特征建模方法强调在采样周期足够小的情况下,特征模型与原模型的输入输出具有等价性[2],而基于全格式的动态线性化方法则考虑存在时变线性系统与原系统等价[5, 9-10].

    侯忠生提出的无模型自适应控制,因其理论严密和计算量较小,在工程上有广阔的应用前景. 经过多年的发展,侯忠生分别针对单输入单输出系统和多输入多输出系统设计了基于紧格式、偏格式、全格式的无模型自适应控制. 在文献[11] 中,提出了控制器的动态线性化方法.在文献[12]1中,提出了一种新的PPD(Pseudo-partial derivative)参数估计方法.但以上方法均未考虑实际物理系统中可能出现的执行器饱和问题.由于执行器的执行能力都是有限的,而执行器饱和这种非线性环节可能会导致控制效果严重恶化甚至丧失闭环稳定性[13].具体来讲,忽略可能出现的执行器饱和,将无法发挥其最大的控制能力.同时在执行器饱和后,作用在系统上的实际控制量并不取决于控制器计算的数值,故用于模型参数辨识的输入输出就可能出现明显偏差,严重时会造成系统的不稳定.文献[12]虽设置了控制量的速率饱和,但没有对可能出现的饱和做任何优化,同时未考虑执行器的幅值饱和.

    借鉴文献[5] 中 PJM(Pseudo Jacobian matrix)辨识技术,本文针对执行器饱和问题,提出了基于紧格式改进无 模型自适应控制方法,并证明了该控制方法的闭环稳定性. 进一步,对蒸馏塔 Wood/Berry的仿真实验表明了该方法具有更强的跟踪能力 且对初始值不敏感.本文对执行器同时设置了速率饱和和位置饱和并进行了优化.

    1本文与文献[12]的区别主要在于本文提出的方法考虑了位置饱和对系统造成的影响,并对可能出现的执行器饱和问题进行了优化.在仿真时,文献[12]并没有考虑不同初始参数对系统造成的影响.而本文用仿真结果说明改进后的无模型自适应方法具有初值不敏感性.

    本节简述文献[5]提出的无模型自适应控制方法的相关概念以及计算思路. 在此基础上,分析已有方法的不足并提出本文要解决的问题.

    考虑如下多输入多输出离散系统:

    $\begin{array}{*{35}{l}} y(k+1)= & \ f(y(k),\cdots ,y(k-{{n}_{y}}), \\ {} & \ u(k),\cdots ,u(k-{{n}_{u}})) \\ \end{array}$

    (1)

    其中, ${{ u}(k)\in{\bf R}^m}$ , ${{ y}(k)\in{\bf R}^n}$ ,它们分别是系统 ${k}$ 时刻的输入和输出向量. ${n_y}$ 和 ${n_u}$ 是未知整数. ${{ f}(\cdot)}$ 是一个未知非线性函数. 假设 ${{f}(\cdot)}$ 关于 ${{ u}(k)}$ 的偏导数连续,且系统 (1) 满足广义Lipschitz 假设. 则可以得到定理1[5].

    定理1. 对满足广义Lipschitz假设且 ${{ f}(\cdot)}$ 关于 ${{ u}(k)}$ 偏导数连续的非线性系统(1),当 ${\|\Delta{ u}(k)\|}\neq0$ 时,一定会存在一个被称为PJM (Pseudo Jacobian matrix) 的时变参数 ${\Phi_c(k)\in{\bf R}^{n× m}}$ ,使系统(1) 可转化为如下紧格式动态线性化数据模型(Compact form dynamic linearization,CFDL):

    $align\Delta y(k+1)={{\Phi }_{c}}(k)\Delta u(k)$

    (2)

    其中

    $\begin{align} & {{\Phi }_{c}}(k)= \\ & \qquad \left[ \begin{matrix} {{\phi }_{11}}(k) & {{\phi }_{12}}(k) & \cdots & {{\phi }_{1m}}(k) \\ {{\phi }_{21}}(k) & {{\phi }_{22}}(k) & \cdots & {{\phi }_{2m}}(k) \\ \vdots & \vdots & \ddots & \vdots \\ {{\phi }_{n1}}(k) & {{\phi }_{n2}}(k) & \cdots & {{\phi }_{mm}}(k) \\ \end{matrix} \right]\in {{\mathbf{R}}^{n\times m}} \\ \end{align}$

    (3)

    且对任意时刻 $k$, $\|{\Phi}_c(k)\|$ 有界.

    基于紧格式动态线性化的无模型自适应控制是运用参数辨识的方法,动态计算 PJM 时变参数的数值,并在此基础上进行控制的算法.详细的计算步骤可参见文献 [9-14]. 在现有的方法中,仅文献 [12]考虑了不完全的执行器饱和问题. 对于实际的物理系统,执行器的执行能力都是有限的,具体体现在控制量的幅度与变化速率的有界性.执行器的执行能力可完整表示为

    $\left\{ \begin{array}{*{35}{l}} \Delta {{u}_{\min }}(k)\le \Delta u(k)\le \Delta {{u}_{\max }}(k) \\ {{u}_{L}}\le u(k)\le {{u}_{U}} \\ \end{array} \right.$

    (4)

    其中, $\Delta{ u}_{\min}$ 和 $\Delta{ u}_{\max}$ 分别表示控制量变化速率的最小和最大值, ${ u}_L$ 和 ${ u}_U$ 分别表示控制幅度的最小和最大值.

    本节提出基于紧格式的优化无模型自适应控制,通过综合分析执行器的执行能力给出控制算法.

    在辨识 PJM 参数时,采用如下计算方法[5]:

    $\begin{align} & {{{\hat{\Phi }}}_{c}}(k)={{{\hat{\Phi }}}_{c}}(k-1)+ \\ & \frac{\eta (\Delta y(k)-{{{\hat{\Phi }}}_{c}}(k-1)\Delta u(k-1))\Delta {{u}^{\text{T}}}(k-1)}{\mu +\|\Delta u(k-1){{\|}^{2}}} \\ \end{align}$

    (5)

    其中, $\mu>0$ , $\eta\in(0,2]$ . 则可知 PJM时变参数 $\hat{\Phi}_c(k)$ 有界.

    进一步对 $y(k+1) $ 进行滤波[12]

    $\left\{ \begin{array}{*{35}{l}} \overline{y}(k+1)=\widehat{y}(k)+{{{\hat{\Phi }}}_{c}}(k)\Delta -u(k) \\ \widehat{y}(k+1)=\overline{y}(k+1)+K(-y(k+1)-\overline{y}(k+1)) \\ \end{array} \right.$

    (6)

    其中, $K\in[0,1]$ 为常数, $\bar{{ y}}(k+1) $ 为 ${ y}(k+1) $ 的预报值, $\hat{{ y}}(k+1) $ 为 ${ y}(k+1) $ 的滤波值.滤波值是控制量 ${ u}(k)$ 作用于控制对象后,测量得到 ${ y}(k+1) $ ,然后再进行计算得到的.

    控制算法的设计目标是让预报值 $\bar{{ y}}(k+1) $ 尽可能地跟踪参考输入 ${ y}^*(k)$ ,同时控制量符合实际要求. 为达成此目标,考虑如下控制输入准则函数

    $\begin{align} & J(\Delta u(k))= \\ & \qquad \|{{y}^{*}}(k+1)-\overline{y}(k+1){{\|}^{2}}+\lambda \|\Delta u(k){{\|}^{2}} \\ \end{align}$

    (7)

    其中,λ>0 是一个权重因子,用来限制控制量的变化幅度.

    对于执行器执行能力(4),设

    $\left\{ \begin{array}{*{35}{l}} {{u}_{LB}}(k)=\max \{\Delta {{u}_{\min }}(k),{{u}_{L}}-u(k-1)\} \\ {{u}_{UB}}(k)=\min \{\Delta {{u}_{\max }}(k),{{u}_{U}}-u(k-1)\} \\ \end{array} \right.$

    (8)

    则在 $k$ 时刻控制量增量范围可表示为

    $\left[ \begin{matrix} -I \\ I \\ \end{matrix} \right]\Delta u(k)\le \left[ \begin{matrix} -{{u}_{LB}}(k) \\ {{u}_{UB}}(k) \\ \end{matrix} \right]$

    (9)

    联立式 (7) 和式 (9),并做如下变换:

    $\left\{ \begin{array}{*{35}{l}} x=\Delta u(k) \\ E=2({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I) \\ F=-2\hat{\Phi }_{c}^{\text{T}}(k)({{y}^{*}}(k+1)-\overline{y}(k)) \\ G=\|{{y}^{*}}(k+1)-\widehat{y}(k){{\|}^{2}} \\ M=\left[ \begin{matrix} -I \\ I \\ \end{matrix} \right] \\ [4mm]\gamma =\left[ \begin{matrix} -{{u}_{LB}}(k) \\ {{u}_{UB}}(k) \\ \end{matrix} \right] \\ \end{array} \right.$

    (10)

    忽略常量 $G$ ,其等价于求解:

    $\left\{ \begin{array}{*{35}{l}} J(x)=\frac{1}{2}{{x}^{\text{T}}}Ex+{{x}^{\text{T}}}F \\ Mx\le \gamma \\ \end{array} \right.$

    (11)

    x取何值时,J的数值最小. 对于极值问题(11),采用比较成熟的 Hildreth 二次编程方法求解[15].

    定义 ${H}$ 、 ${K}$ 矩阵和 ${ \chi}$ 向量如下:

    $\left\{ \begin{array}{*{35}{l}} H=M{{E}^{-1}}{{M}^{\text{T}}} \\ K=\gamma +M{{E}^{-1}}F \\ \chi \le 0 \\ \end{array} \right.$

    (12)

    其中, $\chi \in {{\mathbf{R}}^{n\times 1}}$ 是拉格朗日乘子.采用如下步骤迭代求改进解:

    $\begin{align} & \chi \leftarrow 0 \\ & iter\leftarrow 1 \\ & ite{{r}_{\max }}\leftarrow 20 \\ & \epsilon \leftarrow {{\epsilon }_{0}} \\ & \text{while}(\|{{\chi }^{iter}}-{{\chi }^{iter-1}}\|<\epsilon \ \text{or}\ iter<ite{{r}_{\max }})\ \\ & \{\text{for}\ i=1:n \\ & \{\omega \leftarrow -\frac{K(i)+\sum\limits_{j=1}^{i-1}{H}(i,j)\chi (j)+\sum\limits_{j=i+1}^{n}{H}(i,j)\chi (j)}{H(i,i)} \\ & \chi (i)\leftarrow \max (0,\omega ) \\ & \ iter\leftarrow iter+1 \\ & \ \} \\ & \ \} \\ & x=-{{E}^{-1}}(F+{{M}^{\text{T}}}\chi ) \\ \end{align}$

    (13)

    其中,迭代次数 $iter_{\max}$ 可变.从以上的计算过程中可以看出,该方法基于求解原问题的对偶问题,通过迭代逼近拉格朗日乘子来得到最终解.在整个运算过程中没有矩阵求逆运算,因而计算量小、易于编程实现.由文献[15]可知,当不等式可行解不为空时,该算法收敛.同时易知没有约束式(9) 时,式(7) 的最优解为 ${ x}=-E^{-1}F$ .结合式 $(\ref{xiuci})$ 可知,增加约束后的最优解相当于在原有的基础上添加了一个修正项,以满足不等式约束(9) .

    为了严格分析改进算法的闭环稳定性,做如下假设:

    假设1.存在充分大的 λ使得 $\Phi{E}^{-1}({F}+{M}^{\rm T}{ \chi})$ 正定.

    如果假设 1 不能满足,则说明该改进算法无法保证此系统在遇到执行器饱和问题时的闭环稳定性,需要更复杂的控制算法才能进行有效控制.

    基于假设 1可以证明定理2.

    定理2. 对于非线性系统 $(1)$ ,当 $\Delta{ u}(k)$ 幅值有界时,在满足假设 1条件下,由辨识方案(1)和本文提出的迭代算法具有如下性质: 当 ${ y}^*(k+1) $ $=$ ${ y}^*$ $=$ ${\rm {const}}$ 时,存在一个正数 ${{\lambda }_{\min }}>0$ ,使得当 $\lambda \ge {{\lambda }_{\min }}$ 时,有:

    1) 系统跟踪误差序列是有界的,即 $\|{ y}(k+1) -{ y}^*\|$ 有界.

    2) 闭环系统是 BIBO (Bounded-input bounded-output)稳定的,即输出序列 $\{{ y}(k)\}$ 和输入序列 $\{{ u}(k)\}$ 是有界的.

    证明.

    1) 证明 $\|\tilde{{ y}}(k)\|=\|{ y}(k)-\hat{{ y}}(k)\|$ 有界. 由文献[15]中的定理, $\|\Phi_c(k)-\hat{\Phi}_c(k)\|$ 有界,且 $\Delta{ u}(k)$ 有界,不妨设

    $\|{{\Phi }_{c}}(k)-{{\hat{\Phi }}_{c}}(k)\|\|\Delta u(k)\|\le b$

    (14)

    则有

    $\begin{align} & \|\widetilde{y}(k+1)\|=\|y(k+1)-\widehat{y}(k+1)\|= \\ & (1-K)\|\widetilde{y}(k)+{{{\tilde{\Phi }}}_{c}}(k)\Delta u(k)\|\le \\ & (1-K)(\|\widetilde{y}(k)\|+\|{{{\tilde{\Phi }}}_{c}}(k)\Delta u(k)\|)\le \\ & (1-K)\|\widetilde{y}(k)\|+(1-K)b\le \cdots \le \\ & {{(1-K)}^{k}}\|\widetilde{y}(1)\|+\frac{(1-k)b(1-{{(1-K)}^{k}})}{K} \\ \end{align}$

    (15)

    故 $\|\tilde{{ y}}(k)\|$ 有界,设为 $c$ ,即 $\|\tilde{{ y}}(k)\|\leq{c}$ .

    2) 证明存在 λ,使得:

    $I-{{\Phi }_{c}}(k)S(k){{({{\hat{\Phi }}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)$

    (16)

    的特征根的绝对值都小于1.其中, ${S}(k)$ 为一个对角矩阵, $S_i(k)$ 表示矩阵 $S(k)$ 中第 $k$ 个对角元.另记 ${\delta}(k)$ 为 $m$ 维列向量, $\epsilon_0$ 为某一大于0的正数.且 $S(k)$ , ${ \delta}(k)$ 满足

    $\begin{align} & \text{for}\ i=1:m \\ & \text{if}\ {{({{E}^{-1}}F)}_{i}}\le {{\epsilon }_{0}}\ \text{then}\ \\ & {{S}_{i}}(k)\leftarrow \frac{{{({{E}^{-1}}(F+{{M}^{\text{T}}}\chi ))}_{i}}}{{{\epsilon }_{0}}} \\ & \ {{\delta }_{i}}(k)\leftarrow \frac{{{(\mathbf{x})}_{i}}}{{{S}_{i}}}-{{({{E}^{-1}}F)}_{i}}\ \\ & \text{else}\ \ \\ & {{S}_{i}}(k)\leftarrow \frac{{{({{E}^{-1}}(F+{{M}^{\text{T}}}\chi ))}_{i}}}{{{({{E}^{-1}}F)}_{i}}} \\ & \ \ {{\delta }_{i}}(k)\leftarrow 0 \\ \end{align}$

    则易知

    $x=S(k){{E}^{-1}}F+S(k)\delta (k)$

    (17)

    用 $\|\cdot\|_2$ 表示矩阵的谱范数,用 $\rho(\cdot)$ 表示矩阵的谱.由于 $\Phi_c(k)$ , ${S}(k)$ , $\hat{\Phi}_c^{\rm T}(k)$ , ${\delta}(k)$ 均有界,则不妨设

    $\begin{align} & \|{{\Phi }_{c}}(k){{\|}_{2}}\|S(k){{\|}_{2}}\|\hat{\Phi }_{c}^{\text{T}}(k){{\|}_{2}}\le {{e}_{1}} \\ & \|S(k){{\|}_{2}}\|\hat{\Phi }_{c}^{\text{T}}(k){{\|}_{2}}\le {{e}_{2}} \\ & \|{{\Phi }_{c}}(k){{\|}_{2}}\|S(k)\delta (k){{\|}_{2}}\le {{e}_{3}} \\ \end{align}$

    (18)

    取 $e_0\!=\!\max\{e_1,e_2\}$ , $λ_{\min}\!=\!e_0+\rho(\hat{\Phi}_c(k)\hat{\Phi}_c^{\rm T}(k))$ ,因为 $(\hat{\Phi}_c\hat{\Phi}_c^{\rm T}(k)+λ{I})^{-1}$ 为对称矩阵,且当 $λ>λ_{\min}$ 时有

    $\begin{align} & \|{{({{{\hat{\Phi }}}_{c}}\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}{{\|}_{2}}= \\ & \qquad \rho ({{({{{\hat{\Phi }}}_{c}}\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}})<\frac{1}{{{e}_{0}}} \\ \end{align}$

    (19)

    则进一步有

    $\begin{align} & \rho ({{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k))\le \\ & \qquad \|{{\Phi }_{c}}(k){{\|}_{2}}\|S(k){{\|}_{2}}\|{{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}{{\|}_{2}}\times \\ & \qquad \|\hat{\Phi }_{c}^{\text{T}}(k){{\|}_{2}}<1 \\ \end{align}$

    (20)

    由假设1可知,当 $\lambda >{{\lambda }_{\min }}$ 时,式 (16) 的特征根的绝对值均小于1.

    3) 证明跟踪误差有界.由步骤2知

    $\rho (I-{{\Phi }_{c}}(k)S(k){{({{\hat{\Phi }}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k))<1$

    (21)

    则存在足够小 $\epsilon$ 和范数 $\|\cdot\|$ ,使得

    $\begin{align} & \|I-{{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)\|\le \\ & \qquad \epsilon +\rho (I-{{\Phi }_{c}}(k)S(k)\text{ }\lambda \\ & \qquad {{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k))<1 \\ \end{align}$

    (22)

    对任意 $k$ 取

    $\begin{align} & \|I-{{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)\|< \\ & {{d}_{1}}<1 \\ & \|{{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)\|<{{d}_{2}} \\ \end{align}$

    (23)

    $\begin{align} & \|e(k+1)\|= \\ & \|{{y}^{*}}(k+1)-y(k+1)\|= \\ & \|{{y}^{*}}(k+1)-y(k)-{{\Phi }_{c}}(k)S(k)\times \\ & {{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)({{y}^{*}}(k)- \\ & \widehat{y}(k))-{{\Phi }_{c}}(k)S(k)\delta (k)\|\le \| \\ & I-{{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}} \\ & \hat{\Phi }_{c}^{\text{T}}(k)\|+\|{{y}^{*}}(k)-y(k)\|+\|{{\Phi }_{c}}(k)S(k)\times \\ & {{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)\|\|\widetilde{y}(k)\|+\| \\ & {{\Phi }_{c}}(k)S(k)\delta (k)\|\le \\ & {{d}_{1}}\|e(k)\|+{{d}_{2}}c+{{e}_{3}}\le \cdots \le \\ & d_{1}^{k}\|e(1)\|+\frac{({{d}_{2}}c+{{e}_{3}})(1-d_{1}^{k})}{1-{{d}_{1}}} \\ \end{align}$

    则 $\|{ e}(k)\|$ 有界,设其界为 $f_0$ ,即 $\|{ e}(k)\|\leq{f_0}$ .

    4) 由 ${ y}^*(k)$ 有界知 ${ y}(k)$ 有界.又因为在求解 ${ x}$ 的过程中,加入了控制量位置饱和限制,所以 $\|{ u}\|$ 满足约束条件,故有界.进而可知 ${ u}(k)$ 有界. $\Box$

    推论1. 如果不使用滤波器,即 $\hat{{ y}}(k)={ y}(k)$ .且当 ${ \delta}(k)\equiv 0$ 成立时,定理2中的结论可加强为:

    1) 系统跟踪误差序列收敛, ${{\lim }_{k \to \infty } }\|{ y}(k+1) -{ y}^*\|=0$ ;

    2) 闭环系统是 BIBO 稳定的,即输出序列 $\{{ y}(k)\}$ 和输入序列 $\{{ u}(k)\}$ 是有界的.

    证明.

    $\begin{align} & \|e(k+1)\|\le \ \\ & \|{{y}^{*}}(k+1)-y(k)-{{\Phi }_{c}}(k)S(k) \\ & \times \ {{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)({{y}^{*}}(k)-\widehat{y}(k))\|\le \ \\ & \|I-{{\Phi }_{c}}(k)S(k){{({{{\hat{\Phi }}}_{c}}(k)\hat{\Phi }_{c}^{\text{T}}(k)+\lambda I)}^{-1}}\hat{\Phi }_{c}^{\text{T}}(k)\|\times \\ & \|{{y}^{*}}(k)-y(k)\|\le \\ & \ {{d}_{1}}\|e(k)\|\cdots \le {{d}_{1}}^{k}\left\| e(1) \right\| \\ \end{align}$

    (24)

    故知 ${{\lim }_{k \to \infty } }\|{ y}(k+1) -{ y}^*\|=0$ ,结论1) 得证. 结论2) 的证明类似于定理2中结论2) 的证明. $\square$

    推论1中 ${ \delta}(k)\equiv0$ 的物理含义是在没有式(9) 约束的前提下,仅根据式(7) 计算所得的 ${\Delta{ u}}$ 不为零.在实际系统中,由于噪声和数值计算误差的存在,求解式(7) 所得的数值将很少为零,所以该假设在实际系统中有一定意义.

    蒸馏塔被广泛应用于化学工业.但在蒸馏塔内出现的延迟给控制律设计造成了很大困难.采用无模型自适应控制可进行有效的跟踪控制[12].在本仿真中,使用了 Wood/Berry蒸馏塔模型,如图 1所示[16].其中 $u_1$ 代表回流速率(IB/ $\min$ ), $u_2$ 代表蒸汽流量 (IB/ $\min$ ), $y_1$ 代表上部成份 (mol $%$ methanol), $y_2$ 代表底层成份 (mol $%$ methanol).选择如下离散系统作为 Wood/Berry 蒸馏塔模型.

    图 1  蒸馏塔模型
    Fig. 1  Wood/Berry distillation column

    $\left\{ \begin{array}{*{35}{l}} {{y}_{1}}(z)=\frac{0.7665}{z-0.9419}{{u}_{1}}(z)+\frac{0.9{{z}^{-2}}}{z-0.9535}{{u}_{2}}(z) \\ [4mm]{{y}_{2}}(z)=\frac{0.6055{{z}^{-6}}}{z-0.9124}{{u}_{1}}(z)+\frac{1.3472{{z}^{-2}}}{z-0.90311}{{u}_{2}}(z) \\ \end{array} \right.$

    期望输出信号为

    $\begin{align} & y_{1}^{*}(k)=\left\{ \begin{array}{*{35}{l}} 40, & k\le 1000 \\ 90, & k>1000 \\ \end{array} \right. \\ & y_{2}^{*}(k)=\left\{ \begin{array}{*{35}{l}} 40, & k\le 1000 \\ 85, & k>1000 \\ \end{array} \right. \\ \end{align}$

    (25)

    为了对比在出现执行器饱和时原方法与改进后方法的控制效果,现描述改进前 ${\hat\Phi_c (k)}$ 的计算方法如下[12]:

    ${{{\hat{y}}}_{i}}(k+1)={{{\hat{y}}}_{i}}(k)+\Delta {{u}^{\text{T}}}(k)\hat{\phi }_{i}^{\text{T}}(k)+{{k}_{i}}{{{\tilde{y}}}_{i}}(k)$

    (26)

    $\begin{align} & \hat{\phi }_{i}^{\text{T}}(k+1)=\hat{\phi }_{i}^{\text{T}}(k)+2\Delta u(k){{({{\left\| \Delta u(k) \right\|}^{2}}+{{\mu }_{i}})}^{-1}}\times \\ & \ ({{{\tilde{y}}}_{i}}(k+1)-{{F}_{i}}{{{\tilde{y}}}_{i}}(k)) \\ \end{align}$

    (27)

    其中, ${{\hat y}_i}(k)$ 为第 $i$ 个输出分量的估计值, ${{\tilde y}_i}(k)=$ ${y_i}(k)-{{\hat y}_i}(k)$ 为相应的估计误差. ${F_i} = 1 -{k_i}$ , ${k_i}$ 是 $K$ 矩阵对角线上相应的元素. $ {{\hat {\phi}}_i}^{\rm T}(k)$ 为 ${\hat \Phi_c(k)}$ 矩阵的第 $i$ 个行向量.改进前 ${ u}(k)$ 的计算方法如下[12]:

    $\begin{align} & u(k)=u(k-1)+{{{\hat{\Phi }}}_{c}}^{\text{T}}(k){{\left[ {{{\hat{\Phi }}}_{c}}(k){{{\hat{\Phi }}}_{c}}^{\text{T}}(k)+\alpha \right]}^{-1}}\times \\ & \ [{{y}^{*}}(k+1)-\hat{y}(k)-K\tilde{y}(k),\ \ \left\| \Delta u(k) \right\|\le \delta \\ \end{align}$

    (28)

    $u(k)=u(k-1)+\delta \text{sgn}(\Delta u(k)),\ \Delta u(k)$

    (29)

    在本文仿真过程中, $\alpha={\rm{diag}}\{0.003,0.0015\}$ 且 $\delta =0.02$ .改进前与改进后算法共用以下参数并取相同数值:采样周期为 $T_s=1$ s, $K = {\rm{diag}}\{0.9$ , $0.9\}$ , $\mu_1=\mu_2=9$ ,PJM 参数初始值为 ${{\hat{\Phi }}_{c}}(0)=\left[ {matrix} 910 & 750 \\ 450 & 520 \\ {matrix} \right]$.

    同时限定被控系统执行器执行能力为

    $\left\{ \begin{array}{*{35}{l}} 0\le {{u}_{1}}\le 1, & -0.02\le \Delta {{u}_{1}}\le 0.02 \\ 0\le {{u}_{2}}\le 4, & -0.02\le \Delta {{u}_{2}}\le 0.02 \\ \end{array} \right.$

    (30)

    在此基础上,分别对改进前后的算法进行仿真可得图 2.

    图 2  控制性能对比图
    Fig. 2  Control performance comparison charts

    2原控制方法之所以会出现一个控制输入饱和,而另一个却接近于0,是因为进入稳态后,该控制算法不断地试图通过增加 ${u_2}$ 来消除误差.但受执行器饱和的影响,系统的状态并没有改变,最终导致了净差的产生.

    为了对比优化前后控制算法对初始参数的敏感度,设初始参数 $\hat{\Phi}_c(0) ={bmatrix}1000& 1000\\1000& 1000{bmatrix}$ .再进行仿真后可得图 3.在没有限制执行能力时,无模型自适应控制可以较好地跟踪信号[12].但对比图 3可以发现,改进前无模型自适应控制在遇到执行器饱和后出现了明显的静差.这是由于控制器在计算控制输出时并没有考虑执行器的执行能力,导致两个执行器中有一个饱和,而另一个却没有发挥应有的控制能力.进一步分析图 3可知,在初始参数有摄动的情况下,改进前的控制算法出现了剧烈的抖动,并基本失去了跟踪参考输入的能力.这是由于在原算法的计算过程中,没有考虑执行器的实际情况,间接导致了系统无法校正PJM参数的误差,最终引起系统剧烈抖动并产生了较大的净差. 相比之下,改进后无模型自适应控制算法充分考虑了执行器的执行能力,可有效地跟踪参考输入,显示了算法的有效性.

    图 3  改变初始参数后控制性能对比图
    Fig. 3  After changing the initial parameters,the control performance comparison charts

    本文针对传统无模型自适应控制算法无法应对执行器饱和的问题,提出了一种改进无模型自适应控制算法.并对该算法的闭环稳定性进行了严格证明.该算法具有实现简单、计算量小的优点. 结合蒸馏塔 Wood/Berry模型对比了算法改进前后的控制效果.仿真结果说明,改进算法相比传统方法具有跟踪能力强和对初始参数依赖弱的优点,能有效处理执行器饱和问题.

  • 图  1  基于协方差椭圆的局部和CI融合鲁棒Kalman预报器的矩阵不等式精度比较

    Fig.  1  The comparison of matrix inequality accuracies of the local and CI fused robust Kalman predictors based on covariance ellipses

    图  2  基于协方差椭圆原始的和改进的鲁棒CI融合Kalman预报器的矩阵不等式精度比较

    Fig.  2  The comparison of matrix inequality accuracies of the original and modified CI fused robust Kalman predictors based on covariance ellipses

    图  3  局部和CI融合鲁棒Kalman预报器的MSE曲线

    Fig.  3  The MSE curves of the local and CI fused robust Kalman predictors

    图  4  位置预报误差曲线和 $\pm 3\sigma _1$ 界

    Fig.  4  The position prediction error curve and $\pm 3\sigma_1 $ bounds

    图  5  速度预报误差曲线和 $\pm 3\sigma _2$ 界

    Fig.  5  The velocity prediction error curve and $\pm 3\sigma _2 $ bounds

    表  1  鲁棒Kalman预报器的鲁棒和实际精度比较

    Table  1  The comparison of robust and actual accuracies of robust Kalman predictors

    ${\mathop{\rm tr}\nolimits} {\bar \Sigma _1}$ ${\mathop{\rm tr}\nolimits} {\Sigma _1}$ ${\mathop{\rm tr}\nolimits} {\bar \Sigma _2}$ ${\mathop{\rm tr}\nolimits} {\Sigma _2}$ ${\mathop{\rm tr}\nolimits} {\bar \Sigma _{{CI}}}$ ${\mathop{\rm tr}\nolimits} {\Sigma _{{CI}}}$ ${\mathop{\rm tr}\nolimits} \Sigma _{{CI}}^*$
    1.6267 2.1690 1.4425 2.3544 0.8158 1.1437 1.8751
    下载: 导出CSV
  • [1] Liggains M E, Hall D L, Llinas J. Handbook of Multisensor Data Fusion:Theory and Practice (Second Edition). Boca Raton, FL:CRC Press, 2009.
    [2] Julier S J, Uhlmann J K. General decentralized data fusion with covariance intersection. Handbook of Multisensor Data Fusion:Theory and Practice (Second Edition). Boca Raton, FL:CRC Press, 2009.319-342
    [3] Hajiyev C, Soken H E. Robust adaptive Kalman filter for estimation of UAV dynamics in the presence of sensor/actuator faults. Aerospace Science and Technology, 2013, 28(1):376-383 doi: 10.1016/j.ast.2012.12.003
    [4] Ménec S L, Shin H S, Markham K, Tsourdos A, Piet-Lahanier H. Cooperative allocation and guidance for air defence application. Control Engineering Practice, 2014, 32:236-244 doi: 10.1016/j.conengprac.2014.02.011
    [5] Feng J X, Wang Z D, Zeng M. Distributed weighted robust Kalman filter fusion for uncertain systems with autocorrelated and cross-correlated noises. Information Fusion, 2013, 14(1):78-86 doi: 10.1016/j.inffus.2011.09.004
    [6] Deng Z L, Zhang P, Qi W J, Gao Y, Liu J F. The accuracy comparison of multisensor covariance intersection fuser and three weighting fusers. Information Fusion, 2013, 14(2):177-185 doi: 10.1016/j.inffus.2012.05.005
    [7] Julier S J, Uhlmann J K. A non-divergent estimation algorithm in the presence of unknown correlations. In:Proceedings of the 1997 American Control Conference. Albuquerque, NM:IEEE, 1997.2369-2373 http://cn.bing.com/academic/profile?id=2017642774&encoded=0&v=paper_preview&mkt=zh-cn
    [8] Uhlmann J K. Covariance consistency methods for fault-tolerant distributed data fusion. Information Fusion, 2003, 4(3):201-215 doi: 10.1016/S1566-2535(03)00036-8
    [9] Julier S J, Uhlmann J K. Using covariance intersection for SLAM. Robotics & Autonomous Systems, 2007, 55(1):3-20 http://cn.bing.com/academic/profile?id=2006832107&encoded=0&v=paper_preview&mkt=zh-cn
    [10] Deng Z L, Zhang P, Qi W J, Liu J F, Gao Y. Sequential covariance intersection fusion Kalman filter. Information Sciences, 2012, 189(7):293-309 http://cn.bing.com/academic/profile?id=1984609538&encoded=0&v=paper_preview&mkt=zh-cn
    [11] Sijs J, Lazar M. State fusion with unknown correlation:ellipsoidal intersection. Automatica, 2012, 48(8):1874-1878 doi: 10.1016/j.automatica.2012.05.077
    [12] de Campos Ferreira J C B, Waldmann J. Covariance intersection-based sensor fusion for sounding rocket tracking and impact area prediction. Control Engineering Practice, 2007, 15(4):389-409 doi: 10.1016/j.conengprac.2006.07.002
    [13] Gao Q, Chen S Y, Leung H, Liu S T. Covariance intersection based image fusion technique with application to pansharpening in remote sensing. Information Sciences, 2010, 180(18):3434-3443 doi: 10.1016/j.ins.2010.05.010
    [14] 齐文娟, 张鹏, 邓自立. 带观测滞后和不确定噪声方差的多智能体传感网络鲁棒序贯协方差交叉融合Kalman滤波. 自动化学报, 2014, 40(11):2632-2642 doi: 10.1016/S1874-1029(14)60410-9

    Qi Wen-Juan, Zhang Peng, Deng Zi-Li. Robust sequential covariance intersection fusion Kalman filtering over multi-agent sensor networks with measurement delays and uncertain noise variances. Acta Automatica Sinica, 2014, 40(11):2632-2642 doi: 10.1016/S1874-1029(14)60410-9
    [15] Lazarus S B, Tsourdos A, Zbikowski R, Nabil A, White B A. Robust localisation using data fusion via integration of covariance intersection and interval analysis. In:Proceedings of the 2007 International Conference on Control, Automation and Systems. Seoul, Korea:IEEE, 2007.199-206
    [16] Qi W J, Zhang P, Deng Z L. Robust weighted fusion Kalman filters for multisensor time-varying systems with uncertain noise variances. Signal Processing, 2014, 99:185-200 doi: 10.1016/j.sigpro.2013.12.013
    [17] Qi W J, Zhang P, Nie G H, Deng Z L. Robust weighted fusion Kalman predictors with uncertain noise variances. Digital Signal Processing, 2014, 30:37-54 doi: 10.1016/j.dsp.2014.03.011
    [18] Qi W J, Zhang P, Deng Z L. Robust weighted fusion time-varying Kalman smoothers for multisensor system with uncertain noise variances. Information Sciences, 2014, 282:15-37 doi: 10.1016/j.ins.2014.06.008
    [19] Qi W J, Zhang P, Deng Z L. Weighted fusion robust steady-state Kalman filters for multisensor system with uncertain noise variances. Journal of Applied Mathematics, 2014, 2014:Article ID 369252 http://cn.bing.com/academic/profile?id=2056593946&encoded=0&v=paper_preview&mkt=zh-cn
    [20] Sriyananda H. A simple method for the control of divergence in Kalman-filter algorithms. International Journal of Control, 1972, 16(6):1101-1106 doi: 10.1080/00207177208932342
    [21] Lewis F L, Xie L H, Popa D. Optimal and Robust Estimation (Second Edition). New York:CRC Press, 2007.315-340
    [22] Qu X M, Zhou J. The optimal robust finite-horizon Kalman filtering for multiple sensors with different stochastic failure rates. Applied Mathematics Letters, 2013, 26(1):80-86 doi: 10.1016/j.aml.2012.03.036
    [23] 吴黎明, 马静, 孙书利. 具有不同观测丢失率多传感器随机不确定系统的加权观测融合估计. 控制理论与应用, 2014, 31(2):244-249 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201402017.htm

    Wu Li-Ming, Ma Jing, Sun Shu-Li. Weighted measurement fusion estimation for stochastic uncertain systems with multiple sensors of different missing measurement rates. Control Theory & Applications, 2014, 31(2):244-249 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201402017.htm
    [24] 李娜, 马静, 孙书利. 带多丢包和滞后随机不确定系统的最优线性估计. 自动化学报, 2015, 41(3):611-619 http://www.aas.net.cn/CN/abstract/abstract18638.shtml

    Li Na, Ma Jing, Sun Shu-Li. Optimal linear estimation for stochastic uncertain systems with multiple packet dropouts and delays. Acta Automatica Sinica, 2015, 41(3):611-619 http://www.aas.net.cn/CN/abstract/abstract18638.shtml
    [25] Liu W. Optimal filtering for discrete-time linear systems with time-correlated multiplicative measurement noises. IET Control Theory & Applcation, 2015, 9(6):831-842 http://cn.bing.com/academic/profile?id=2039747833&encoded=0&v=paper_preview&mkt=zh-cn
    [26] Liu W. Optimal estimation for discrete-time linear systems in the presence of multiplicative and time-correlated additive measurement noises. IEEE Transactions on Signal Processing, 2015, 63(17):4583-4593 doi: 10.1109/TSP.2015.2447491
    [27] Li F, Zhou J, Wu D Z. Optimal filtering for systems with finite-step autocorrelated noises and multiple packet dropouts. Aerospace Science and Technology, 2013, 24(1):255-263 doi: 10.1016/j.ast.2011.11.013
    [28] Zhang S, Zhao Y, Wu F L, Zhao J H. Robust recursive filtering for uncertain systems with finite-step correlated noises, stochastic nonlinearities and autocorrelated missing measurements. Aerospace Science and Technology, 2014, 39(39):272-280 http://cn.bing.com/academic/profile?id=2000347446&encoded=0&v=paper_preview&mkt=zh-cn
    [29] Tian T, Sun S L, Li N. Multi-sensor information fusion estimators for stochastic uncertain systems with correlated noises. Information Fusion, 2016, 27:126-137 doi: 10.1016/j.inffus.2015.06.001
    [30] Carravetta F, Germani A, Raimondi M. Polynomial filtering of discrete-time stochastic linear systems with multiplicative state noise. IEEE Transactions on Automatic Control, 1997, 42(8):1106-1126 doi: 10.1109/9.618240
    [31] Wang Z D, Yang F W, Ho D W C, Liu X H. Robust finite-horizon filtering for stochastic systems with missing measurements. IEEE Signal Processing Letters, 2005, 12(6):437-440 doi: 10.1109/LSP.2005.847890
    [32] Wang S Y, Fang H J, Tian X G. Recursive estimation for nonlinear stochastic systems with multi-step transmission delays, multiple packet dropouts and correlated noises. Signal Processing, 2015, 115(2):164-175 http://cn.bing.com/academic/profile?id=2080231200&encoded=0&v=paper_preview&mkt=zh-cn
    [33] Yang F W, Wang Z D, Hung Y S. Robust Kalman filtering for discrete time-varying uncertain systems with multiplicative noises. IEEE Transactions on Automatic Control, 2002, 47(7):1179-1183 doi: 10.1109/TAC.2002.800668
    [34] Luo Y T, Zhu Y M, Luo D D, Zhou J, Song E B, Wang D H. Globally optimal multisensor distributed random parameter matrices Kalman filtering fusion with applications. Sensors, 2008, 8(12):8086-8103 doi: 10.3390/s8128086
    [35] Kailath T, Sayed A H, Hassibi B. Linear Estimation. New York:Prentice Hall, 2000.766-772
    [36] de Koning W L. Optimal estimation of linear discrete-time systems with stochastic parameters. Automatica, 1984, 20(1):113-115 doi: 10.1016/0005-1098(84)90071-2
    [37] Wang Z D, Ho D W C, Liu X H. Robust filtering under randomly varying sensor delay with variance constraints. IEEE Transactions on Circuits and Systems Ⅱ:Express Briefs, 2004, 51(6):320-326 doi: 10.1109/TCSII.2004.829572
    [38] Anderson B D O, Moore J B. Optimal Filtering. Englewood Cliffs, NJ:Prentice Hall, 1979. http://www.oalib.com/references/16878535
    [39] Wu T T, An J, Ding C S, Luo S X. Research on ellipsoidal intersection fusion method with unknown correlation. In:Proceedings of the 15th International Conference on Information Fusion. Singapore:IEEE, 2012.558-564 http://cn.bing.com/academic/profile?id=1708197474&encoded=0&v=paper_preview&mkt=zh-cn
  • 期刊类型引用(4)

    1. Yongpeng CUI,Xiaojun SUN. Multi-Sensor Fusion Adaptive Estimation for Nonlinear Under-observed System with Multiplicative Noise. Chinese Journal of Electronics. 2024(01): 282-292 . 必应学术
    2. 崔永鹏,孙小君,张扬. 带乘性噪声的欠观测系统无迹增量Kalman融合估计. 黑龙江大学工程学报(中英俄文). 2024(02): 66-74 . 百度学术
    3. 马静,杨晓梅,孙书利. 带时间相关乘性噪声多传感器系统的分布式融合估计. 自动化学报. 2023(08): 1745-1757 . 本站查看
    4. 杨智博,杨春山,邓自立. 面向跟踪系统的多传感器信息融合鲁棒保性能协方差交叉Kalman估计方法. 电子学报. 2017(07): 1627-1636 . 百度学术

    其他类型引用(14)

  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  2605
  • HTML全文浏览量:  311
  • PDF下载量:  1050
  • 被引次数: 18
出版历程
  • 收稿日期:  2015-06-25
  • 录用日期:  2015-12-22
  • 刊出日期:  2016-08-01

目录

/

返回文章
返回