CN111581905A - 隧道二极管电路系统在未知测量噪声下的状态估计方法 - Google Patents
隧道二极管电路系统在未知测量噪声下的状态估计方法 Download PDFInfo
- Publication number
- CN111581905A CN111581905A CN202010413759.8A CN202010413759A CN111581905A CN 111581905 A CN111581905 A CN 111581905A CN 202010413759 A CN202010413759 A CN 202010413759A CN 111581905 A CN111581905 A CN 111581905A
- Authority
- CN
- China
- Prior art keywords
- mode
- time
- state
- value
- inverse gamma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000002245 particle Substances 0.000 claims abstract description 89
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000012952 Resampling Methods 0.000 claims abstract description 4
- 239000000126 substance Substances 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 4
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
Abstract
本发明公开了一种隧道二极管电路系统在未知测量噪声下的状态估计方法,创建非线性随机跳变系统模型;使用变分贝叶斯理论将每一模态下的系统状态和测量噪声协方差的联合后验分布用两个独立的分布表示;根据k时刻的测量值对每一模态下的粒子权重和逆伽马分布参数进行更新;重采样获得每一模态下新的状态粒子及权重,并输出k时刻系统各模态下的状态估计值;根据系统模态概率的更新值,将各模态下的状态估计值进行融合得到k时刻的系统状态估计值和测量噪声协方差矩阵估计值。本方明的状态估计方法在测量噪声未知的情况下,同时估计出系统状态以及测量噪声协方差矩阵,测量噪声协方差矩阵的准确估计使得系统的状态估计更加精确。
Description
技术领域
本发明涉及一种状态估计方法,具体涉及一种隧道二极管电路系统在未知测量噪声下的状态估计方法。
背景技术
随机跳变系统作为一类兼具连续和离散机制的特殊系统,广泛应用于故障诊断、过程监控、目标跟踪、信号处理以及石油化工等领域。对于随机跳变系统的状态估计,由于大多数状态变量是不可测量的或仅在含有噪声的环境中可测量,因此从观察结果中滤除各种随机干扰的影响,并获得其中隐含的测量估计值尤其重要。现有的针对随机跳变系统的状态估计大都是在系统测量噪声已知的情况下进行估计的。然而,在实际情况下,系统测量噪声大都是未知的。测量噪声统计信息对系统的状态估计具有重要影响,对测量噪声统计信息的错误利用会导致系统状态估计的不准确,甚至是滤波发散。
隧道二极管作为一种以隧道效应电流为主要电流分量的晶体二极管,具有开关特性好,速度快、工作频率高等优点,通常应用于某些开关电路或高频振荡等电路中。此外,隧道二极管还具有小功耗和低噪声等特点,适用于卫星微波设备。隧道二极管电路系统作为一种非线性随机跳变系统,在测量噪声未知的情况下,目前没有良好的估计方法对系统状态进行实时估计。
发明内容
本发明要解决的技术问题是提供一种隧道二极管电路系统在未知测量噪声下的状态估计方法,在系统测量噪声协方差未知的情况下,同时估计出系统状态以及测量噪声协方差矩阵。
为了解决上述技术问题,本发明提供了一种隧道二极管电路系统在未知测量噪声下的状态估计方法,一种隧道二极管电路系统在未知测量噪声下的状态估计方法,包括以下步骤,
(1)根据隧道二极管电路系统的结构创建非线性随机跳变系统模型:
xk=fk(xk-1,rk)+ωk (1);
yk=gk(xk,rk)+νk (2);
其中,k为时间序列,xk为系统k时刻状态值,yk为系统k时刻测量值,fk(·)为系统状态方程,gk(·)为系统测量方程,rk为k时刻系统模态,xk-1为系统k-1时刻状态值,ωk为k时刻过程噪声,νk为k时刻测量噪声;
并用一组加权粒子描述所述系统状态的概率分布,用逆伽马分布描述所述测量噪声协方差的概率分布;
(3)k-1时刻,将系统在每一模态下的状态粒子值进行融合,融合后的状态粒子值作为k时刻每一模态下的状态粒子初始值;
(4)k时刻,先使用状态预测模型对每一模态下的系统状态进行预测,以及使用逆伽马分布参数预测模型对每一模态下的逆伽马分布参数进行预测;再根据k时刻的测量值对每一模态下的粒子权重和逆伽马分布参数进行更新;
(6)计算系统模态概率的更新值:
(7)根据系统模态概率的更新值,将各模态下的状态估计值进行融合得到k时刻的系统状态估计值和测量噪声协方差矩阵估计值。
本发明一个较佳实施例中,进一步包括,步骤(2)中,设定系统测量噪声协方差与系统模态无关,且定义其中,为Rk的对角线元素,dy为yk的维度,使用逆伽马分布IG来描述测量噪声协方差的概率密度,在k-1时刻有,
其中,αk-1,j和βk-1,j分别为逆伽马分布的形状参数和尺度参数,Rk-1为系统k-1时刻的测量噪声协方差,为系统k-1时刻处于n模态,y1:k-1为从时刻1到时刻k-1的测量值序列,j为矩阵对角线元素索引,dy为yk的维度,为k-1时刻测量噪声协方差矩阵第j个对角线元素,diag(·)为对角矩阵。
本发明一个较佳实施例中,进一步包括,步骤(3)中,使用交互式多模型算法将系统在每一模态下的状态粒子值进行融合,
本发明一个较佳实施例中,进一步包括,步骤(4)中,所述状态预测模型为,
本发明一个较佳实施例中,进一步包括,步骤(4)中,所述逆伽马分布参数预测模型为自启发式动态模型,其表示为:
本发明一个较佳实施例中,进一步包括,步骤(4)中,逆伽马分布参数的更新公式为,
本发明一个较佳实施例中,进一步包括,
所述估计方法还包括设置初始值μ0,α0,β0,gk(·),fk(·),yk,Qk,ρ,steps,Np,L,M,[πns]n,s∈M,其中,为粒子初始值,为粒子权重初始值,μ0为系统初始模态概率,α0为逆伽马分布的形状参数初始值,β0为逆伽马分布的尺度参数初始值,Qk为过程噪声协方差,ρ为自启发式动态模型系数,steps为总的采样系数,L为每一时刻迭代的次数,M={1,2,...,m}为系统模态取值的有限集合,[πns]n,s∈M为系统转移概率,令k=1。
本发明的有益效果:
本方明通过建立隧道二极管电路系统的非线性随机跳变系统空间模型,在测量噪声未知的情况下,同时估计出系统状态以及测量噪声协方差矩阵。测量噪声协方差矩阵的准确估计使得系统的状态估计更加精确,为实际应用中测量噪声未知时的状态估计提供有力保障。
附图说明
图1为隧道二极管电路系统结构图;
图2为本发明其中一个实施例下隧道二极管电路系统的状态估计均方根误差图;其中,图(a)为状态1即x1,图(b)为状态2即x2;
图4为本发明其中一个实施例下状态估计均方根误差的箱形图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例
本发明实施例公开一种隧道二极管电路系统在未知测量噪声下的状态估计方法,其包括以下步骤,
第一步、根据隧道二极管电路系统的结构创建非线性随机跳变系统模型:
参照图1所示的隧道二极管电路系统结构,选择x1(k)=VC(k)和x2(k)=iL(k)作为系统状态变量,那么,隧道二极管电路系统可由以下状态方程描述:
其中,C为电容参数,L为电感参数,R为电阻参数,VC为电容两端的电压,iL为流经电感的电流,ζr和λr为决定系统模态的参数,ω为过程噪声且ω(k)~N(0,Qk),Qk为已知的过程噪声协方差,k为时间序列,表示电容两端电压随时间的变化,表示流经电感的电流随时间的变化。
建立系统测量方程为:
y(k)=x(k)+νk (21)
其中,y(k)为系统测量值,x(k)=[x1(k);x2(k)]为系统状态值,νk为测量噪声且νk~N(0,Rk),Rk为未知的测量噪声协方差。
将上述(19),(20)和(21)式所描述的隧道二极管系统创建非线性随机跳变系统模型为:
xk=fk(xk-1,rk)+ωk (1);
yk=gk(xk,rk)+νk (2);
其中,k为时间序列,xk为系统k时刻状态值,yk为系统k时刻测量值,fk(·)为系统状态方程,gk(·)为系统测量方程,rk为k时刻系统模态,xk-1为系统k-1时刻状态值,ωk为k时刻过程噪声,νk为k时刻测量噪声;
其中,αk-1,j和βk-1,j分别为逆伽马分布的形状参数和尺度参数,Rk-1为系统k-1时刻的测量噪声协方差,为系统k-1时刻处于n模态,y1:k-1为从时刻1到时刻k-1的测量值序列,j为矩阵对角线元素索引,dy为yk的维度,为为k-1时刻测量噪声协方差矩阵第j个对角线元素,diag(·)为对角矩阵。
第三步、设置初始值μ0,α0,β0,gk(·),fk(·),yk,Qk,ρ,steps,Np,L,M,[πns]n,s∈M,其中,为粒子初始值,为粒子权重初始值,μ0为系统初始模态概率,α0为逆伽马分布的形状参数初始值,β0为逆伽马分布的尺度参数初始值,Qk为过程噪声协方差,ρ为自启发式动态模型系数,steps为总的采样系数,L为每一时刻迭代的次数,M={1,2,...,m}为系统模态取值的有限集合,[πns]n,s∈M为系统转移概率。
第四步、令k=1,使用交互式多模型算法将系统在每一模态下的状态粒子值进行融合,
融合后的状态粒子值作为k时刻每一模态下的状态粒子初始值。
第五步、k时刻,先使用状态预测模型对每一模态下的系统状态进行预测,以及使用逆伽马分布参数预测模型对每一模态下的逆伽马分布参数进行预测;再根据k时刻的测量值对每一模态下的粒子权重和逆伽马分布参数进行更新。
所述状态预测模型为,
所述逆伽马分布参数预测模型为自启发式动态模型,其表示为:
逆伽马分布参数的更新公式为,
第七步、根据系统模态概率的更新值,将各模态下的状态估计值进行融合得到k时刻的系统状态估计值和测量噪声协方差矩阵估计值。
具体的,计算系统模态概率的更新值:
m为k时刻测量噪声协方差矩阵估计值,πns为模态n到模态s的转移概率,为系统在k-1时刻处于n下的概率,为系统状态粒子的预测值,为k时刻s模态下粒子权重的预测值,δ为狄拉克δ函数,为k时刻测量噪声协方差矩阵估计值。
最后,判断是否满足k=steps,是则结束;否则k=k+1,并跳转至第四步。
基于以上实施例的技术方案,设置系统参数为:C=20mF,L=1H以及R=1Ω。由于系统为连续系统,选择采样间隔为Δk=0.01秒,系统有三种模态:ζ1=0.01,λ1=0.02为模态1;ζ2=0.03,λ2=0.07为模态2;ζ3=-0.08,λ3=0.02为模态3。逆伽马分布参数的初始值为α0=[3,3]和β0=[0.1,2],自启发式动态模型的系数为ρ=0.99,每一时刻迭代的次数为L=3,系统的转移概率矩阵为
为了体现公平比较性,将普通粒子滤波(PF)方法和交互式多模型粒子滤波(IMM-PF)在不准确的测量噪声协方差情况下的估计效果,以及IMM-PF在给定准确的测量噪声协方差的情况下(IMM-PF-R)的估计效果与本实施例方法(IMM-VB-PF)进行比较。隧道二极管电路系统的状态估计均方根误差(RMSE)图、测量噪声协方差矩阵对角线元素的估计效果图以及状态估计均方根误差的箱形图分别如图2,图3和图4所示。
从图2中可以看出,使用本方明方法即IMM-VB-PF方法进行状态估计的RMSE比PF和IMM-PF方法小。从图3中可以看出,系统测量噪声协方差矩阵的对角线元素可以较好的跟踪上真实值即红色曲线。状态估计的RMSE的箱形图如图4所示,从图4中可以看出,本方明方法即IMM-VB-PF方法比PF和IMM-PF方法具有更小的箱子尺寸和更低的中位线,同时,IMM-VB-PF方法与IMM-PF-R方法的RMSE十分相似。因此,本发明所提出的隧道二极管电路系统在未知测量噪声情况下的状态估计方法具有很好的抗未知噪声的性能。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (10)
1.一种隧道二极管电路系统在未知测量噪声下的状态估计方法,其特征在于:包括以下步骤,
(1)根据隧道二极管电路系统的结构创建非线性随机跳变系统模型:
xk=fk(xk-1,rk)+ωk (1);
yk=gk(xk,rk)+νk (2);
其中,k为时间序列,xk为系统k时刻状态值,yk为系统k时刻测量值,fk(·)为系统状态方程,gk(·)为系统测量方程,rk为k时刻系统模态,xk-1为系统k-1时刻状态值,ωk为k时刻过程噪声,νk为k时刻测量噪声;
并用一组加权粒子描述所述系统状态的概率分布,用逆伽马分布描述所述测量噪声协方差的概率分布;
(3)k-1时刻,将系统在每一模态下的状态粒子值进行融合,融合后的状态粒子值作为k时刻每一模态下的状态粒子初始值;
(4)k时刻,先使用状态预测模型对每一模态下的系统状态进行预测,以及使用逆伽马分布参数预测模型对每一模态下的逆伽马分布参数进行预测;再根据k时刻的测量值对每一模态下的粒子权重和逆伽马分布参数进行更新;
(6)计算系统模态概率的更新值:
(7)根据系统模态概率的更新值,将各模态下的状态估计值进行融合得到k时刻的系统状态估计值和测量噪声协方差矩阵估计值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413759.8A CN111581905B (zh) | 2020-05-15 | 2020-05-15 | 隧道二极管电路系统在未知测量噪声下的状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010413759.8A CN111581905B (zh) | 2020-05-15 | 2020-05-15 | 隧道二极管电路系统在未知测量噪声下的状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111581905A true CN111581905A (zh) | 2020-08-25 |
CN111581905B CN111581905B (zh) | 2024-03-19 |
Family
ID=72117458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010413759.8A Active CN111581905B (zh) | 2020-05-15 | 2020-05-15 | 隧道二极管电路系统在未知测量噪声下的状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111581905B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326618A (zh) * | 2021-06-02 | 2021-08-31 | 江南大学 | 连续发酵过程中估计培养基初始条件的方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405237A (zh) * | 2016-08-31 | 2017-02-15 | 长沙理工大学 | 一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法 |
CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN110957011A (zh) * | 2019-11-25 | 2020-04-03 | 江南大学 | 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法 |
-
2020
- 2020-05-15 CN CN202010413759.8A patent/CN111581905B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106405237A (zh) * | 2016-08-31 | 2017-02-15 | 长沙理工大学 | 一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法 |
CN108763167A (zh) * | 2018-05-07 | 2018-11-06 | 西北工业大学 | 一种变分贝叶斯的自适应滤波方法 |
CN109669132A (zh) * | 2019-01-21 | 2019-04-23 | 西北工业大学 | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 |
CN110957011A (zh) * | 2019-11-25 | 2020-04-03 | 江南大学 | 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法 |
Non-Patent Citations (1)
Title |
---|
陈金广;李洁;高新波;: "双重迭代变分贝叶斯自适应卡尔曼滤波算法", 电子科技大学学报, no. 03 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326618A (zh) * | 2021-06-02 | 2021-08-31 | 江南大学 | 连续发酵过程中估计培养基初始条件的方法 |
CN113326618B (zh) * | 2021-06-02 | 2022-07-15 | 江南大学 | 连续发酵过程中估计培养基初始条件的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111581905B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Real-time reliability prediction for a dynamic system based on the hidden degradation process identification | |
CN110398691B (zh) | 基于改进自适应双无迹卡尔曼滤波器的锂离子动力电池SoC估计方法 | |
Gholizade‐Narm et al. | Lithium‐ion battery state of charge estimation based on square‐root unscented Kalman filter | |
CN109325128A (zh) | 一种机动目标的跟踪方法及系统 | |
CN113037577A (zh) | 网络流量预测方法、装置和计算机可读存储介质 | |
Daigle et al. | Advanced methods for determining prediction uncertainty in model-based prognostics with application to planetary rovers | |
KR20190078850A (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
Somacal et al. | Uncovering differential equations from data with hidden variables | |
CN111581905A (zh) | 隧道二极管电路系统在未知测量噪声下的状态估计方法 | |
Hillebrecht et al. | Certified machine learning: A posteriori error estimation for physics-informed neural networks | |
CN108872865A (zh) | 一种防滤波发散的锂电池soc估算方法 | |
Lu et al. | Fusion algorithm-based temperature compensation method for High-G MEMS accelerometer | |
Zhou et al. | A fusion-based method of state-of-charge online estimation for lithium-ion batteries under low capacity conditions | |
CN107611964A (zh) | 一种基于扩展集员滤波的电力系统状态估计方法 | |
CN111340853B (zh) | 基于ospa迭代的多传感器gmphd自适应融合方法 | |
CN115878963A (zh) | 电容式电压互感器计量误差预测方法、系统、终端及介质 | |
Aguirre et al. | Using data-driven discrete-time models and the unscented Kalman filter to estimate unobserved variables of nonlinear systems | |
CN111609878B (zh) | 三自由度直升机系统传感器运行状态监测方法 | |
Wang et al. | Improved Long Short-Term Memory: Statistical Regression Model for High Precision SOC Estimation of Lithium-Ion Batteries Adaptive to Complex Current Variation Conditions | |
Shabani et al. | State estimation with aid of fuzzy logic | |
Zuo et al. | Forward–backward particle smoother for non‐linear systems with one‐step random measurement delay | |
CN110034559B (zh) | 基于切换系统模型的电力系统融合状态估计方法 | |
Zhao | An improved unscented particle filter with global sampling strategy | |
Yang et al. | High-precision State of Charge Estimation of Lithium-ion Batteries Based on Joint Compression Factor Particle Swarm Optimization-Forgetting Factor Recursive Least Square-Adaptive Extended Kalman Filtering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |