Kalman濾波的狀態(tài)和參數(shù)估計及其應用研究.pdf

1、一些復雜工業(yè)過程，特別是化工過程中，由于傳感器技術或經(jīng)濟成本的限制，其些對生產(chǎn)具有指導意義的關鍵狀態(tài)或參數(shù)往往無法直接測得。當前建模技術中常用的擴展Kalman濾波器(EKF)和神經(jīng)網(wǎng)絡(NN)常常被用來估計這類非線性對象的狀態(tài)和參數(shù)。然而，系統(tǒng)模型不確定性會使得濾波器估計精度降低甚至發(fā)散；神經(jīng)網(wǎng)絡學習算法中經(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(DEKF)算法的基礎上，引入有限差分濾波器(FDEKF)和次優(yōu)漸消因子，提出了一種強跟蹤有限差分濾波二元估計算法(DSTFDEKF)。仿真表明，通過使用中心差分法計算偏導數(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)算法應用于神經(jīng)網(wǎng)絡的學習，從而使神經(jīng)網(wǎng)絡的學習過程收斂快、精度高，取得以下成果： 1)使用EKF算法學習一類靜態(tài)前饋神經(jīng)網(wǎng)絡

3、，并對算法進行改進，提出一種能夠進行樣本異常數(shù)據(jù)自動識別的EKF學習算法(OADEKF)。數(shù)值仿真表明，OADEKF學習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)過程建模的實時性出發(fā)，提出一種動態(tài)神經(jīng)網(wǎng)絡Kalman濾波快速學習算法(FLKF)。FLKF算法只根據(jù)當前樣本數(shù)據(jù)實時調(diào)整網(wǎng)絡輸出層權值，大大降低了計算量和存儲空間的要求，提高了學習速度。 3)使用OADEKF算法學習丙烯腈聚合反應質(zhì)量指標神經(jīng)網(wǎng)