通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器(extended Kalman sum filter,EKSF)和高斯厄密特和滤波器(Gauss-Hermite sum filter,GHSF...通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器(extended Kalman sum filter,EKSF)和高斯厄密特和滤波器(Gauss-Hermite sum filter,GHSF)。EKSF和GHSF分别用扩展卡尔曼滤波器(extended Kalman filter,EKF)和高斯厄密特滤波器(Gauss-Hermite filter,GHF)作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器(Gaussian sum particle filter,GSPF)相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。展开更多
针对复杂工业过程中的非线性、非高斯特性以及多工况问题,提出了一种基于局部模型的在线统计监测新方法.首先利用局部最小二乘支持向量机回归(Least square support vector regression,LSSVR)模型对过程输出进行预测,与真实的输出相比...针对复杂工业过程中的非线性、非高斯特性以及多工况问题,提出了一种基于局部模型的在线统计监测新方法.首先利用局部最小二乘支持向量机回归(Least square support vector regression,LSSVR)模型对过程输出进行预测,与真实的输出相比较构成残差序列.然后利用ICA-PCA两步特征提取策略,完整地提取残差的高斯和非高斯信息,最后用三个统计量(I^2、T^2和SPE)对过程进行监测,建立了一种具有非线性、非高斯特性的多工况过程在线监测算法.通过对TE(Tennessee Eastman)过程的仿真研究,验证提出的方法是可行、有效的,并显示出了一定的故障检测能力.展开更多
文摘通过将模型的状态噪声和观测噪声均表示成高斯和的形式,推导出非线性非高斯状态空间模型的高斯和递推算法,进一步提出了对应的扩展卡尔曼和滤波器(extended Kalman sum filter,EKSF)和高斯厄密特和滤波器(Gauss-Hermite sum filter,GHSF)。EKSF和GHSF分别用扩展卡尔曼滤波器(extended Kalman filter,EKF)和高斯厄密特滤波器(Gauss-Hermite filter,GHF)作为高斯子滤波器。分析的结果表明,现有的高斯和滤波算法是本文算法的特例;仿真结果表明,EKSF和GHSF能有效处理非线性非高斯模型的状态滤波问题,与高斯和粒子滤波器(Gaussian sum particle filter,GSPF)相比,EKSF和GHSF在保证精度的同时,大大降低了计算量,仿真时间分别约为GSPF的5%和6%。
