【摘要】：卡尔曼滤波[57～59]是一种可用于非线性系统的滤波算法，在均方意义下易于找到非线性系统的全局最优解，适合用于非线性自适应滤波和预测方面，其递推计算形式又能够适应实时处理的需要，所以经常用于观测序列的离散系统参数辨识。重构系统方程混沌时间序列自适应预测方法是在建立系统初始数学模型的基础上，利用扩展卡尔曼滤波跟踪辨识混沌系统的主动态方程式，实现自适应预测。
卡尔曼滤波[57～59]是一种可用于非线性系统的滤波算法，在均方意义下易于找到非线性系统的全局最优解，适合用于非线性自适应滤波和预测方面，其递推计算形式又能够适应实时处理的需要，所以经常用于观测序列的离散系统参数辨识。对于含有混沌特性的时间序列，卡尔曼滤波也能进行有效的辨识。但是与线性系统完全由系统的冲激响应函数所确定不同，非线性混沌系统没有一个统一的描述和刻画其特征的非线性模型。而且由于运动过程本身的错综复杂性，对其物理机制难以获得充分的了解，往往很难（或不可能）从基本的物理定律出发而直接推导出系统的数学模型。因此，非线性自适应预测研究常常根据研究对象选择某一类不具有普遍意义的非线性模型作为预测初始模型，然后根据实际情况对模型进行调整[60，61]。考虑混沌信号对初始条件的敏感依赖性，如何选择合理的系统初始模型将是重点要讨论的问题。
扩展卡尔曼滤波是线性无偏最小方差递推滤波，经过30多年的研究、应用与发展，已在各个领域得到非常广泛的应用，成为控制、信号处理与通信等领域最基本的工具之一。重构系统方程混沌时间序列自适应预测方法是在建立系统初始数学模型的基础上，利用扩展卡尔曼滤波跟踪辨识混沌系统的主动态方程式，实现自适应预测。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
