非线性系统的状态估计方法

　　利用群体智能优化算法（Swarm Intelligence Optimization Algorithm，SIOA）对PF进行优化具有较强的代表性，为此，作者首先介绍8种常见的群体智能算法，如粒子群算法、鸡群算法和蚁群算法等。而较多的学者都是基于粒子群算法对PF进行优化的，其基本思路也为其他研究人员提供了重要的借鉴意义；而基于其他智能优化算法对PF进行优化也得以快速发展，如先对萤火虫算法、蝙蝠算法和差分进化算法等进行改进，再对PF进行优化。在分析和总结众多学者的研究思路的基础上，作者重点研究了利用布谷鸟算法和烟花算法对PF进行改进和优化的方法。其基本思想是：由于蝙蝠算法和萤火虫算法易陷入局部问题，而烟花算法具有很好的随机性和全局收敛性，因此，基于这些算法对PF进行改进和优化而提出了FWA-PF。然后重点分析了FWA-PF的收敛性，以及烟花爆炸半径、火花数对粒子多样性及PF性能的影响。另外，作者也探索了利用布谷鸟算法对PF进行优化的方法，以及基于多新息理论对PF进行优化的方法。在群体智能优化算法优化粒子滤波的基础上，《非线性系统的状态估计方法》*后一章也介绍了其他学者基于其他方法和思想对PF的改进，这也为我们的研究提供了重要的借鉴作用。EKF作为另一个解决非线性系统状态估计问题的标准方法，作者首先介绍了EKF的基本原理和方法，并重点介绍了基于多新息理论优化EKF，以及其他如基于雁群PSO、模糊神经网络等对EKF优化的方法。*后，介绍了作者本人的基于核偏小二乘法（Kernel Partial Least Square，KPLS）对EKF进行优化的方法。非线性状态估计在科学研究和工程应用领域具有重要价值，如工业过程中的状态反馈控制、航空制导系统、飞行目标跟踪、故障诊断和生化反应状态提取等领域。

暂缺《非线性系统的状态估计方法》作者简介