论文部分内容阅读
迭代智能滤波算法是一种新兴控制技术,该技术的发展为解决复杂非线性系统问题开辟了新的途径。数据同化方法旨在融合物理模型与多源数据,传统的数据同化技术在线性系统领域得到了较为广泛的应用。然而,当系统表现为非线性时,滤波类的数据同化方法会出现滤波发散现象。针对非线性系统的滤波发散问题,本文的主要研究工作包含以下几个方面:(1)从数据同化的基础理论入手,介绍了针对非线性系统的迭代智能学习算法,讨论了该算法的初始状态、学习速度、收敛性等研究问题,强调了这类智能滤波算法的迭代智能和快速学习速度。(2)针对强非线性系统的迭代学习控制问题,进一步研究了迭代集合卡尔曼滤波算法,以低维Lorenz-63模型为平台检验了该算法的性能,并将其与集合卡尔曼滤波、迭代扩展卡尔曼滤波等智能滤波算法,在集合数、观测误差方差、放大因子和模型步长不同的条件下,进行了同化效果对比研究,旨在获得在较小的运算负担下,精度较高并且适合强非线性系统滤波的最优同化算法。(3)针对迭代集合Kalman滤波局部收敛问题,从高斯-牛顿迭代的角度提出了一种基于全局收敛策略的改进迭代集合Kalman滤波算法。在顺序同化期间,自适应地调节步长因子,使得该算法在数据同化过程中的每次迭代结果都逼近于期望值。在低维Lorenz-63模型和高维Lorenz-96模型上分别进行了敏感性实验,从集合数目、观测方差、放大因子的改变等方面检验了改进智能算法的性能,并将其与传统的集合卡尔曼滤波、迭代集合卡尔曼滤波进行了相应的对比研究。结果表明,改进的新算法是一种能有效地估计强非线性系统状态的数据同化方法。本文分析和探讨了目前三类主流智能滤波方法在非线性数据同化系统中的应用潜力,并将其性能进行了较为深入的对比研究;提出了适合强非线性系统的最优滤波方法,研究结果为今后在非线性数据同化系统中的应用提供了有价值的参考依据。