状态估计与系统辨识是现代控制理论中两个重要的研究领域。本文对基于强跟踪滤波器和群集智能的状态估计与系统辨识问题进行了深入的研究和探讨，提出了多种有效的强跟踪状态估计与群集辨识方法。本文主要研究成果和创新如下： (1)提出了一种改进强跟踪卡尔曼滤波器(MSTKF)。通过直接改变强跟踪滤波器的多重时变渐消因子，MSTKF在卡尔曼滤波和强跟踪滤波两种工作状态之间切换。当卡尔曼滤波不能有效跟踪突变状态时，MSTKF切换为可变弱化因子的强跟踪滤波。该算法具有估计精度高、计算量小等特点。 (2)将强跟踪扩展卡尔曼滤波器算法推广到一类加性复合有色噪声干扰下的非线性时变随机系统。通过增广状态向量、线性化非线性的增广状态空间模型和采用等效量测方程，将加性复合有色噪声干扰下非线性系统的强跟踪滤波问题转化为过程与量测噪声相关情况下线性系统的强跟踪卡尔曼滤波问题。数值仿真结果显示了该方法的有效性。 (3)提出了一种非线性离散时间系统自适应函数观测器。通过引入状态变换，得到了一类降阶形式的状态估计问题。采用一种稍加修改的强跟踪滤波算法估计降阶状态向量，然后利用降阶状态向量估计非线性状态函数。给出了该观测器算法局部渐近收敛的充分条件。该观测器算法是一种具有强跟踪性质的自适应观测器，能在估计非线性状态函数的同时准确估计未知时变参数。 (4)提出了一种应用全局信息反馈的混合粒子群优化算法(HPSO)。HPSO同时采用局部模式的压缩因子方法和全局模式的惯性权重方法以获得相对较高的性能。针对粒子群优化算法可能出现的停滞现象，HPSO引入11 强跟踪状态估计与群集辨识 浙江大学博士学位论文了基于全局信息反馈的重新初始化机制。仿真结果显示了HPSO算法的有效性。 （5）将粒子群优化用于 Hammerstein和 MISO Wen。Hammersteln两类非线性系统模型的辨识。方法的基本思想是将非线性系统的辨识问题转化为非线性函数的优化问题，然后利用粒子群优化获得系统参数的最优估计。”＿数值仿真示例显示了本方法的可行性＊ …）提出了基于混合粒子群优化的时变时滞系统辨识方法。方法的实质＿是将时变动态系统的辨识问题转化为非线性函数的在线优化问题，然后利用混合粒子群优化算法获得时变参数的最优估计。通过5；入遗忘因子和充分利用己有信息，该方法可以准确估计未知时滞并且有很强的关于时变参，数的跟踪能力。－＿ ＊ 提出了一种基于粒子群优化的滚动时域非线性观测器。该观测器对＿初始条件不敏感，是一种有效的非线性系统状态估计方法＊＿ 侣）提出了一种求解连续minimax优化问题的两空间粒子群优化方法＊－仿真结果显示了该方法的有效性。此外，本文还将粒子群优化用于鲁棒＿mi山m＿估计问题并取得了较好的结果