针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman f...针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。展开更多
针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征...针对复杂交通场景车辆检测算法自适应能力差的问题,提出了基于Co-training半监督学习方法的车辆鲁棒检测算法.首先,针对手工标记的少量样本,分别训练基于Haar-like特征的AdaBoost分类器和基于HOG(histograms of oriented gradients)特征的SVM(support vector machines)分类器,使其具有一定的识别能力;然后,基于Co-training半监督学习框架,将利用2种算法进行分类得到的新样本分别加入到对方的样本库中,增加训练样本数量,再次进行分类器的训练.由于这2类特征具有冗余性,各自检测出的正负样本包含对方漏检和误检的图像.由于样本数的增加,再次训练所得到的新分类器的鲁棒性得到了很大提高,能更加准确地检测出车辆,而且由算法对未标记样本进行分类标记,不再需要人为标记,提高了车辆检测算法的自适应能力.展开更多
文摘针对无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计锂电池荷电状态(state of charge,SOC)时精度低、稳定性差、产生的sigma点过多导致计算难度大等不足,提出一种基于自适应球形不敏变换方式的无迹卡尔曼滤波(unscented Kalman filter based on adaptive spherical insensitive transformation,ASIT-UKF)算法。该算法通过使用球形不敏变换方式选择权系数以及初始化一元向量对sigma点的产生进行选取。与UKF算法相比,ASIT-UKF算法产生的sigma点减少近50%,使得算法的计算复杂度大大降低。同时,将产生的所有sigma点进行单位球形面上的归一化处理,提高了数值的稳定性。考虑到实际运行中锂电池系统噪声干扰带来的不确定性,加入Sage-Husa自适应滤波器对不确定性噪声的干扰进行实时更新和修正,以达到提高在线锂电池SOC估计精度的目的。最后,将均方根误差和最大绝对误差计算公式引入到性能估计指标中。实验结果表明,ASIT-UKF算法在准确度、鲁棒性和收敛性方面具有优越的性能。
