针对非线性时变特性的液压位置伺服系统跟踪控制问题,基于自适应逆控制理论,提出X滤波液压位置自适应逆控制策略.对传统自适应滤波算法在X滤波结构下的不足,提出变换域变步长归一化最小方差算法.采用该算法对液压伺服位置系统进行了对象建模、在线逆建模及开环控制系统设计.仿真结果表明,X滤波液压位置自适应逆控制具有跟踪速度快、对参数摄动鲁棒性强等良好动态特性

5.3有源滤波电路 引言 5.3.1有源低通滤波电路 5.3.2有源高通滤波电路 5.3.3有源带通滤波电路

第一节 整流电路(rectification circuit) 第二节 滤波电路 电容滤波 电感滤波 复式滤波 第三节 稳压电路 第四节 开关稳压电路 一、开关型稳压电路的特点 二、电路组成及工作原理 第五节 可控硅整流电路 一、可控硅的结构与导通条件 二、单结晶体管及触发电路 三、单相桥式可控整流电路

6.1 一般问题 6.2 基本运算电路 6.2.1 比例运算 6.2.2 加法与减法运算 6.2.3 微分与积分运算 6.2.4 基本运算电路应用举例 6.3 对数和指数运算电路 6.4 集成模拟乘法器 6.4.1 集成模拟乘法器的基本工作原理 6.4.2 单片集成模拟乘法器 6.4.3 集成模拟乘法器的应用电路 6.5 有源滤波电路 6.5.1 有源低通滤波电路 6.5.2 有源高通滤波电路 6.5.3 有源带通滤波电路

通过将迟滞特性引入神经元激励函数的方式，构造了一种前向型迟滞神经网络模型.结合卡尔曼滤波方法，将其应用于风速时间序列的预测分析中.在原始风速时间序列的基础上，构造出风速变化率序列.采用迟滞神经网络分别对两种序列进行预测分析，并将预测结果利用卡尔曼滤波方法进行融合，从而得到最优预测估计结果.仿真实验结果表明，迟滞神经网络具有更加灵活的网络结构，能够有效改善网络的泛化能力，预测性能优于传统神经网络.采用卡尔曼滤波方法对预测结果进行融合后能够进一步提高预测精度，降低预测误差

9.1滤波电路的基本概念与分类 9.2一阶有源滤波电路 9.3高阶有源滤波电路 9.4开关电容滤波电路 9.5正弦波振荡电路的振荡条件 9.6RC正弦波振荡电路 9.7LC正弦波振荡电路 9.8非正弦波振荡电路

一、滤波模型 可以仅仅用噪声的均值和方差的知识执行最佳复原算法 这就是约束最小二乘方滤波与维纳滤波之间的主要区别

为了剔除GPS边坡位移监测过程中的噪声干扰,提高监测数据的有效性,特引入随机线性卡尔曼滤波离散数学模型.以水厂铁矿GPS边坡监测数据为依据,利用该数学模型可以计算出各监测点每期变形量的滤波值和位移速度,并对各监测点下一期的变形量进行估算和预测.经实例验证,卡尔曼滤波变形量与实际变形量有较好的一致性

针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

1 线性系统卡尔曼滤波算法 / 2 2 非线性系统滤波算法 / 28 3 连续时间系统平滑算法 / 37