下载掌阅APP，畅读海量书库
立即打开
在自动控制系统中，如目标跟踪、故障诊断、参数辨识、通信导航等领域，通常会涉及状态估计问题，目前对目标系统的研究基本都是基于其输入数据及输出数据来对系统进行估计的 [1] 。而估计过程的本质是对系统的数据及信号进行处理，在测量某项数据的过程中，不仅要考虑所需的信号，还要考虑外界干扰信号，即对含有噪声目标的测量数据进行处理，从而得到目标的估计值 [2-3] 。一般来说，目标系统的初始状态很容易获得，但随着时间的变化，其相关状态也会发生变化且可能遭受随机噪声的干扰，因而测量结果可能会与实际结果存在较大偏差。由于在某一时刻的系统状态无法直接通过测量得到准确的值，所以要对系统的状态变化进行研究。通常根据系统上一时刻的状态及系统动态变化规律，并结合噪声的统计特性来进行估计研究。在对信号进行接收的过程中，因为复杂大环境的不确定性，必定会遭受噪声信号的干扰，为获得更精确的估计值，就要对噪声进行处理，这个处理过程被称为滤波过程 [4] 。滤波方法因其在噪声处理方面的良好性能受到了专家学者们的青睐，使得滤波方法在状态估计领域得到了广泛的应用。目前，只要涉及状态估计的系统都离不开滤波过程。
随着科技的逐步发展，如今的动态控制系统愈发复杂，噪声干扰也愈发多样，从而对滤波器在不同环境中的适用性提出了不同的设计要求。根据噪声的统计特性及目标模型的特性，发展起来了多种不同的滤波方法来对系统状态进行估计，使得无论是线性系统还是非线性系统、系统噪声是高斯噪声还是非高斯噪声都有适用的滤波方法 [5-7] 。在滤波器设计中，最重要的部分就是滤波器性能指标的设计，滤波器在不同指标下的性能也不完全相同。性能指标中某个小参数的改变，就可能引起滤波器在不同系统中性能的突变，因而对滤波器性能指标的设计就变得十分重要。在实际系统中，通常难以得到精确的噪声统计特性。在高斯系统中，难以获得噪声的均值和方差；在非高斯系统中，又难以获得噪声的概率密度函数 [8-9] 。在目前已有的研究中，大部分仿真实验都是基于随机噪声或根据实际系统假设其统计特性进行的，这与真实环境难免存在一定的偏差。因而，研究如何降低系统噪声对估计误差的影响，对动态系统实际噪声的建模方法进行设计就非常重要，这能够最大限度逼近实际环境以提高估计精度。如今，随着人工智能技术的兴起，深度学习、神经网络等领域的研究也不断深入，考虑到滤波技术良好的性能，将人工智能技术与滤波技术结合起来进行研究，必将产生众多创造性的成果，为控制系统的研究锦上添花。