简介:研究了非高斯列维噪声作用下非线性系统的渐近线性化方法和Lyapunov指数.利用渐近线性化方法将非线性系统线性化,通过系统的响应轨迹验证了该方法的有效性.通过广义的伊藤法则公式,推导出了列维噪声驱动下Lyapunov指数的一般表达式.给出当参数变化时,非线性系统的随机稳定性分析.
简介:熵在描述随机系统的演变、不稳定性、无序性或混乱程度以及信息传递方面起着重要的作用.本文对非高斯噪声驱动的一类耗散动力系统的信息熵演化进行了研究,文中通过线性变换的方法简化了所研究系统的FPK方程,然后根据Shannon信息熵定义推导出了该耗散动力系统随时间演化信息熵的精确表达式,最后分析了非高斯噪声和系统耗散参数对系统信息熵的影响.
简介:针对随机时滞和异步相关噪声情况下的状态估计问题,提出了一种改进的高斯滤波算法(GF),并给出了其适用于高维系统的实现形式—随机时滞和异步相关容积卡尔曼滤波器(CKF-RDCN)。首先,通过满足Bernoulli分布的互不相关随机序列,来描述系统观测数据中可能存在的随机时滞现象,将量测噪声作为状态变量用以实现对观测时滞后验概率密度的估计。其次,利用一阶斯特林插值公式来近似估计,由于过程噪声和量测噪声异步相关,而导致的含有随机变量的多维积分问题。最后,依据三阶球径容积法则,给出了CKF-RDCN滤波算法的详细设计。此外,经典GF算法是所提出的改进GF算法的特例,其作为一个通用的非线性滤波算法框架,根据不同的后验概率密度估计方法,可以有不同的实现形式。仿真结果表明,相比于扩展卡尔曼滤波算法(EKF)以及容积卡尔曼滤波算法(CKF),CKF-RDCN在解决含有观测时滞和相关噪声系统的状态估计问题时,具有更高的精度和更好的数值稳定性。