针对基于数据分发服务的分散式组网导航系统(decentralized networked navigation system based on DDS,DDS-DNNS)单定位节点状态估计问题,考虑节点能量约束及传感器增益退化,以Bayes理论为基础,设计了具有随机事件触发机制(stochastic ...针对基于数据分发服务的分散式组网导航系统(decentralized networked navigation system based on DDS,DDS-DNNS)单定位节点状态估计问题,考虑节点能量约束及传感器增益退化,以Bayes理论为基础,设计了具有随机事件触发机制(stochastic event-triggered,SET)的DDS-DNNS最小均方误差状态估计器。其中,SET机制通过比较是否传输测量值对应的后验估计的差异来决定测量值的重要程度。以此为基础,选取Wasserstein距离作为度量来表示后验估计的差异,并利用Wasserstein距离的性质及Bayes定理证明了后验估计是Gaussian的,从而得到了估计器的类Kalman滤波递推形式以及SET机制的显式表达式。证明了估计器的预测误差协方差有界,且上界和下界均收敛,同时,证明了平均信息传输率有界并推导得到了上界和下界的表达式。利用算例仿真演示了如何通过平均信息传输率的上界和下界确定调整矩阵,模拟了SET机制中一阶矩信息和二阶矩信息对SET机制的影响,同时采用比较实验验证了估计器的有效性。展开更多
为了解决传统自适应滤波最小均方(Least Mean Square,LMS)算法中收敛速度与稳态误差之间的矛盾,提出了一种改进算法。该算法在已有变步长LMS算法基础上,引入遗忘因子来影响步长的更新。仿真表明,改进后的算法比原算法不但具有更快的收...为了解决传统自适应滤波最小均方(Least Mean Square,LMS)算法中收敛速度与稳态误差之间的矛盾,提出了一种改进算法。该算法在已有变步长LMS算法基础上,引入遗忘因子来影响步长的更新。仿真表明,改进后的算法比原算法不但具有更快的收敛速度,而且具有更小且稳定的稳态误差。展开更多
提出了一种新的变步长算法,并将该算法用于水声信道均衡。该算法克服改进归一化最小均方(developed normanized least mean square,XENLMS)算法依赖固定能量参数λ的局限性,遵循变步长算法的步长调整原则在XENLMS算法的基础上引入一个...提出了一种新的变步长算法,并将该算法用于水声信道均衡。该算法克服改进归一化最小均方(developed normanized least mean square,XENLMS)算法依赖固定能量参数λ的局限性,遵循变步长算法的步长调整原则在XENLMS算法的基础上引入一个自适应混合能量参数λk,改善算法收敛速度和鲁棒性。首先通过仿真分析变步长算法中的3个固定参数α,β,μ的取值范围及对算法收敛性能的影响;并在两种典型的水声信道环境下,采用两种调制信号对算法的收敛性能进行计算机仿真,结果显示,新算法的收敛速度明显快于XENLMS算法和已有的变步长算法,收敛性能接近递归最小二乘(recursive least square,RLS)算法的最优性能,但计算复杂度远小于RLS算法。最后,木兰湖试验验证了带判决反馈均衡器(decision feedback equalization,DFE)结构的新算法具有较好的克服多径效应和多普勒频移补偿的能力,相比LMS-DFE提高了一个数量级。展开更多
文摘针对基于数据分发服务的分散式组网导航系统(decentralized networked navigation system based on DDS,DDS-DNNS)单定位节点状态估计问题,考虑节点能量约束及传感器增益退化,以Bayes理论为基础,设计了具有随机事件触发机制(stochastic event-triggered,SET)的DDS-DNNS最小均方误差状态估计器。其中,SET机制通过比较是否传输测量值对应的后验估计的差异来决定测量值的重要程度。以此为基础,选取Wasserstein距离作为度量来表示后验估计的差异,并利用Wasserstein距离的性质及Bayes定理证明了后验估计是Gaussian的,从而得到了估计器的类Kalman滤波递推形式以及SET机制的显式表达式。证明了估计器的预测误差协方差有界,且上界和下界均收敛,同时,证明了平均信息传输率有界并推导得到了上界和下界的表达式。利用算例仿真演示了如何通过平均信息传输率的上界和下界确定调整矩阵,模拟了SET机制中一阶矩信息和二阶矩信息对SET机制的影响,同时采用比较实验验证了估计器的有效性。
文摘数字孪生(digital twin,DT)的发展代表了在受控数字空间中模拟和优化复杂系统的变革性进展。尽管潜力巨大,构建能够准确复制和预测真实系统动态的DT仍面临重大挑战。为了解决这一问题,提出了一个智能框架,用于构建和评估DT,以提高DT在测试算法性能方面的准确性和实用性。该方法创新性地将基于深度学习的策略梯度(policy gradient,PG)技术整合进来,通过动态调整DT参数,确保物理系统在数字复制中的高保真度。此外,本文提出将平均状态偏差(mean state error,MSTE)作为评估算法在数字空间中的性能稳健指标。大量模拟表明该框架的有效性,证明DT不仅准确反映了物理现实,还为算法评估提供了可靠的平台。该研究为未来DT技术的进一步发展奠定了基础,展现了DT在各个行业中实现理论增强和实际应用的路径。
文摘提出了一种新的变步长算法,并将该算法用于水声信道均衡。该算法克服改进归一化最小均方(developed normanized least mean square,XENLMS)算法依赖固定能量参数λ的局限性,遵循变步长算法的步长调整原则在XENLMS算法的基础上引入一个自适应混合能量参数λk,改善算法收敛速度和鲁棒性。首先通过仿真分析变步长算法中的3个固定参数α,β,μ的取值范围及对算法收敛性能的影响;并在两种典型的水声信道环境下,采用两种调制信号对算法的收敛性能进行计算机仿真,结果显示,新算法的收敛速度明显快于XENLMS算法和已有的变步长算法,收敛性能接近递归最小二乘(recursive least square,RLS)算法的最优性能,但计算复杂度远小于RLS算法。最后,木兰湖试验验证了带判决反馈均衡器(decision feedback equalization,DFE)结构的新算法具有较好的克服多径效应和多普勒频移补偿的能力,相比LMS-DFE提高了一个数量级。
