Kalman濾波的狀態(tài)和參數(shù)估計(jì)及其應(yīng)用研究.pdf

1、一些復(fù)雜工業(yè)過程，特別是化工過程中，由于傳感器技術(shù)或經(jīng)濟(jì)成本的限制，其些對(duì)生產(chǎn)具有指導(dǎo)意義的關(guān)鍵狀態(tài)或參數(shù)往往無法直接測(cè)得。當(dāng)前建模技術(shù)中常用的擴(kuò)展Kalman濾波器(EKF)和神經(jīng)網(wǎng)絡(luò)(NN)常常被用來估計(jì)這類非線性對(duì)象的狀態(tài)和參數(shù)。然而，系統(tǒng)模型不確定性會(huì)使得濾波器估計(jì)精度降低甚至發(fā)散；神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法中經(jīng)典的誤差反傳(BP)算法收斂速度慢，存在局部最小等問題，使模型精度受到影響。為此，本文主要在以下方面開展研究并取得成果如下：

2、 1、在EKF二元估計(jì)(DEKF)算法的基礎(chǔ)上，引入有限差分濾波器(FDEKF)和次優(yōu)漸消因子，提出了一種強(qiáng)跟蹤有限差分濾波二元估計(jì)算法(DSTFDEKF)。仿真表明，通過使用中心差分法計(jì)算偏導(dǎo)數(shù)，能夠提高濾波器的數(shù)值穩(wěn)定性，而次優(yōu)漸消因子的引入，提高了濾波精度。 2、將Kalman濾波(KF)算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，從而使神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程收斂快、精度高，取得以下成果： 1)使用EKF算法學(xué)習(xí)一類靜態(tài)前饋神經(jīng)網(wǎng)絡(luò)

3、，并對(duì)算法進(jìn)行改進(jìn)，提出一種能夠進(jìn)行樣本異常數(shù)據(jù)自動(dòng)識(shí)別的EKF學(xué)習(xí)算法(OADEKF)。數(shù)值仿真表明，OADEKF學(xué)習(xí)算法能夠避免由于樣本異常數(shù)據(jù)引起的過擬合現(xiàn)象。 2)從工業(yè)過程建模的實(shí)時(shí)性出發(fā)，提出一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)Kalman濾波快速學(xué)習(xí)算法(FLKF)。FLKF算法只根據(jù)當(dāng)前樣本數(shù)據(jù)實(shí)時(shí)調(diào)整網(wǎng)絡(luò)輸出層權(quán)值，大大降低了計(jì)算量和存儲(chǔ)空間的要求，提高了學(xué)習(xí)速度。 3)使用OADEKF算法學(xué)習(xí)丙烯腈聚合反應(yīng)質(zhì)量指標(biāo)神經(jīng)網(wǎng)