Resumen

Con el desarrollo de la industria, el modelo físico del objeto controlado tiende a ser complicado y desconocido. Es particularmente importante estimar las variables de estado de un sistema no lineal cuando el modelo es desconocido. Este artículo propone un método de estimación de estado basado en la fusión adaptativa de múltiples funciones de núcleo para mejorar la precisión de la estimación del estado del sistema. En primer lugar, se utiliza una red neuronal dinámica para construir el modelo de estado del sistema, donde el nodo de función de núcleo se construye mediante una combinación lineal ponderada de múltiples funciones de núcleo locales y funciones de núcleo globales. Luego, el estado del sistema y el peso de las funciones de núcleo se juntan para formar un vector de estado aumentado, que puede ser estimado en tiempo real mediante el filtro de Kalman de cubatura de alto grado. El filtro de Kalman de cubatura de alto grado realiza la fusión adaptativa de los pesos de las funciones de núcleo según muestras específicas, lo que hace que la función de la red neuronal aprox

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Desarrollo; Industria; Modelo físico; Objeto controlado; Estimación de estado; Red neuronal
• Keywords:Development; Industry; Physical model; Controlled object; State estimation; Neural network