Kalman滤波的状态和参数估计及其应用研究

《Kalman滤波的状态和参数估计及其应用研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、江南大学硕士学位论文Kalman滤波的状态和参数估计及其应用研究姓名：李江申请学位级别：硕士专业：检测技术与自动化装置指导教师：杨慧中20060601摘要摘要一些复杂工业过程，特别是化工过程中，由于传感器技术或经济成本的限制，其些对生产具有指导意义的关键状态或参数往往无法直接测得。当前建模技术中常用的扩展Kalman滤波器(extendedKalmanfilter,EKF)和神经网络(neuralnetwork，NN)常常被用来估计这类非线性对象的状态和参数。然而，系统模型不确定性会使得滤波器估计精度降低甚至发散；神经网络学习算法中经典的误

2、差反传(baek-propagation，BP)算法收敛速度慢，存在局部最小等问题，使模型精度受到影响。为此，本文主要在以下方面开展研究并取得成果如下：1、在EKF二元估计(dualEKF,DEKF)算法的基础上，引入有限差分滤波器(finite．differenceEKF,FDEKF)和次优渐消因子，提出了一种强跟踪有限差分滤波二元估计算法口uaIstrongtrackingFDEKF,DSTFDEKF)。仿真表明，通过使用中心差分法计算偏导数，能够提高滤波器的数值稳定性，而次优渐消因子的引入，提高了滤波精度。2、将Kalman滤波(Ka

3、lmanfilter,KF)算法应用于神经网络的学习，从而使神经网络的学习过程收敛快、精度高，取得以下成果：1)使用EKF算法学习～类静态前馈神经网络，并对算法进行改进，提出一种能够进行样本异常数据自动识别的EKF学习算法(outlierautodetectionEKF,OADEKF)。数值仿真表明，OADEKF学习算法能够避免由于样本异常数据引起的过拟合现象。2)从工业过程建模的实时性出发，提出_种动态神经网络Kalman滤波快速学习算法(KF-basedfastlearning，FLKF)。FLKF算法只根据当前样本数据实时调整网络输出

4、层权值，大大降低了计算量和存储空间的要求，提高了学习速度。3)使用OADEKF算法学习丙烯腈聚合反应质量指标神经网络模型，现场工业数据的仿真表明，建立的神经网络模型能够较准确的估计转化率等关键指标。关键词：卡尔曼滤波，二元估计，有限差分滤波，强跟踪滤波，神经网络，丙烯腈聚合反应江南大学硕士学位论文AbstractSomekeystatesandparametersthathavesupervisingsignificancetotheproductionarenormallyfailedtodetectdirectlywiththerest

5、rictionofsensortechnologyoreconomiccostinsomecomplicatedindustrialprocesses，especiallychemicalprocesses．ExtendedKalmanfilter(E100andneuralnetworks(NN)widelyusedincurrentmodelingtochniqllealeoftenappliedtoestimatethestatesandparametersofthesenonlinearprocesses．However,themo

6、deluncertaintycouldleadtopoorfilteringperformanceorpossibledivergenceoftheestimation；besides，thepoorcharacteristicofslowconvergencespeedandlocalextremesownedbyerrorback-propagation(BP)algorithm，whichisaclassicneuralnetworktrainingmethod，coulddegradethemodelingaccuracy．Ther

7、efore，theresearchesandrelativecontributionsofthisdissertationarefocusedonthefollowingaspects：1．OnthebasisofdualEKF,adualestimatingalgorithmbasedonfinite—differencefiltering(FDEKF)withsuboptimalfadingfactorispresentedinthispaper．Simulatedresultsshowthat，thisdualstrongtracki

8、ngFDEKFfilter①STFDEKF)becomesmorenumericalstablebecausethepartialderivativesarecomputedby