采用改进最大相关熵自适应迭代容积卡尔曼滤波算法的锂离子电池荷电状态估计

针对非高斯噪声干扰下传统滤波算法在估计锂离子电池荷电状态(SOC)时存在不稳定以及精度低的问题,提出一种改进的最大相关熵自适应迭代容积卡尔曼滤波(IMCC-AICKF)算法,用于估计锂离子电池荷电状态。所提算法将加权最小二乘方法与最大相关熵准则(MCC)相结合,定义了一种新的代价权函数作为优化准则,通过优化噪声最小协方差矩阵来减小滤波误差,保证长时间滤波的收敛性和稳定性;再与自适应迭代容积卡尔曼滤波(AICKF)算法相结合,对过程噪声协方差和测量噪声协方差进行更新来提高估计的准确性和鲁棒性。基于两种电池数据,在非高斯噪声干扰下,运用所提算法对电池SOC进行估计,仿真结果表明:与容积卡尔曼滤波(CKF)算法和最大相关熵容积卡尔曼滤波(IMCC-CKF)算法相比,IMCC-AICKF算法对荷电状态估计的最大绝对误差、平均绝对误差和均方根误差都是最小的,且平均绝对误差和均方根误差均小于1%;在给定初始值错误的情况下,IMCC-AICKF算法可以准确收敛到真实值,具有较好的鲁棒性。所提算法在非高斯噪声下能实现更准确的估计,是一种估计精度高且鲁棒性好的SOC估计方法。

奇异值分解五阶容积卡尔曼滤波汽车状态估计

针对三阶滤波对高维汽车非线性模型估计精度有限的问题,以电动汽车为研究对象,提出了一种基于奇异值分解的五阶容积卡尔曼滤波(SVD-FCKF)车辆状态估计器。首先基于Dugoff轮胎模型,构建高维非线性7自由度车辆动力学模型。然后根据三阶球面-径向容积规则将CKF拓展到五阶,使其具有五阶泰勒级数展开精度,同时利用奇异值分解代替传统Cholesky分解,提高估计器的鲁棒性。最后利用Carsim和Matlab/Simulink联合仿真平台对SVD-FCKF进行验证,结果表明:改进的SVD-FCKF估计器能够有效提高电动汽车纵向速度、侧向速度、质心侧偏角和四轮转速的估计精度和稳定性,多工况适应能力强,整体估计效果优于CKF估计器。研究结果为电动汽车主动安全研究提供了理论支撑,具有实际应用价值。

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation,MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter,ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares,WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。

强跟踪容积卡尔曼滤波在空空导弹制导中的应用

针对传统滤波算法在处理目标复杂机动时非线性逼近能力不足、跟踪精度下降等问题,提出一种强跟踪容积卡尔曼滤波(STCKF)方法。首先,根据战斗机规避空空导弹的机动特征,建立了蛇形机动和桶滚机动两种目标运动模型;其次,引入强跟踪滤波(STF)以增强容积卡尔曼滤波(CKF)对系统状态突变等不确定因素的能力;然后,将STCKF应用于导弹末制导目标运动参数估计中,并通过与CKF、无迹卡尔曼滤波(UKF)和粒子滤波(PF)的对比仿真分析验证了该方法的有效性。仿真结果表明,STCKF具有较强的鲁棒性和系统自适应能力,尤其在目标机动突变时其跟踪误差相比CKF减小约10%,能够满足空空导弹末制导高精度和快速响应要求。

基于容积卡尔曼滤波的RSSI/IMU组合室内定位系统研究

在物联网时代,跟踪定位室内环境中物体至关重要。针对接收信号强度指示(RSSI)定位方差大和惯性测量单元(IMU)定位存在累积误差的问题,研究并实现了一种使用容积卡尔曼滤波算法对RSSI定位和IMU定位进行数据融合的方法。以ZigBee开发板为RSSI的硬件载体,采用质心定位法将RSSI转换为坐标信息;待测目标搭载MPU9250提供IMU数据,并进行室内跟踪定位实验;使用容积卡尔曼滤波算法对实验数据进行改进,并与原坐标信息数据进行对比。结果显示,使用了容积卡尔曼滤波算法后的改进数据相比原数据在精确度上提高了20.8%。该定位系统具有一定的实用价值。

移动条件下基于容积卡尔曼滤波的短波OFDM信道估计

针对移动短波通信场景下短波信道出现的时变性使得正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统不能精确估计信道状态信息导致通信质量下降的问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的信道估计方法。该方法基于球面径向积分准则,可更好地追踪信道的变化,提升信道估计的精度。建立了基于信道频域响应的非线性状态空间方程,并用容积卡尔曼滤波对每帧符号的信道频域响应进行估计。系统仿真结果表明,在静态短波通信场景到720 km/h的移动短波通信场景中,所提算法对信道有着更精确的估计精度,也可以有效抵抗多径时延所带来的影响。因此,所提算法更适用于移动短波通信场景。

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter,CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter,SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明:平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。

基于平方根容积卡尔曼滤波的核反应堆功率H_(∞)控制

核反应堆的负荷跟踪控制是核电站灵活调峰、具有应用价值的基础之一.根据反应堆中子动力学、热工水力、反应性方程等数学模型构建了反应堆的平方根容积卡尔曼滤波器(Square-root Cubature Kalman Filter,SCKF),对反应堆状态反馈问题中部分状态量无法量测或估计精度不足的问题加以解决,结合离散H_(∞)性能指标设计了基于SCKF的反应堆功率H_(∞)控制器,并与基于经典卡尔曼滤波器(Kalman Filter,KF)的反应堆功率H_(∞)控制器进行了同工况数值仿真对比.仿真结果表明,基于SCKF的功率控制器具有较好的负荷跟踪性能,能够根据期望跟踪目标调节反应堆功率水平;由于SCKF对非线性系统模型相比于KF具有更高的状态估计精度,基于SCKF的功率控制器相比基于KF的功率控制器具有更优的控制效果.

虚假数据注入攻击下基于容积卡尔曼滤波的电力系统状态估计

针对虚假数据注入攻击下系统状态估计的问题,以电力信息物理系统为研究对象,根据发电机三阶模型和自动电压调节器模型,建立电力系统的数学模型。采用指数平滑法预测测量值,通过对比预测值与真实测量值,检测系统是否发生虚假数据注入攻击。若检测结果判定系统遭受虚假数据注入攻击,用预测值替代不良数据输入状态估计算法,实现虚假数据注入攻击下不良数据的恢复。将指数平滑法与容积卡尔曼滤波算法结合,提出一种改进的容积卡尔曼滤波算法对系统进行状态估计。以典型的五机电力系统为例进行仿真,仿真结果表明提出的方法能有效抵御虚假数据对系统状态估计造成的不良影响。

混合攻击下基于容积卡尔曼滤波的多区域互联电力系统的检测与防御

以多区域互联电力系统为研究对象,对混合攻击下多区域互联电力系统的检测与防御进行研究。首先,建立多区域互联电力系统的数学模型,分析多区域互联电力系统遭受网络攻击的位置及其类型,建立虚假数据注入攻击和拒绝服务攻击模型,接着根据是否收到数据包诊断拒绝服务攻击,并用最新接收的数据对丢失的数据进行补偿,实现拒绝服务攻击的防御;然后,基于容积卡尔曼滤波算法检测虚假数据注入攻击,并采用指数平滑法对虚假数据注入攻击进行防御;最后,以两区域互联电力系统为例进行仿真实验。仿真结果表明:所设计的控制算法能有效克服混合攻击对系统造成的不良影响,实现电力系统功率平衡和频率稳定。

基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法

受负荷随机变化、需求响应参与、分布式电源波动、量测装置种类多等因素的影响,容易出现配电网量测数据值异常,导致配电网动态状态估计精度下降。为了提高配电网状态估计的精度,提出了一种基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法。首先,在容积卡尔曼滤波基础上,将自适应因子和H_(∞)滤波器相结合,对模型误差问题进行处理与限制。其次,结合噪声估值器,对过程噪声中的参数进行在线估计,减少噪声对预测误差的影响。最后,对典型配电网69节点系统进行仿真,仿真结果表明:该方法在系统正常运行、需求响应参与削峰填谷以及负荷发生突变这3种场景下,其估计精度均提高10%以上,保持了相对高的估计精度。

基于平方根容积卡尔曼滤波的发电机动态状态估计

发电机动态状态估计是电力系统动态安全分析的重要内容。针对容积卡尔曼滤波(CKF)在迭代中协方差阵不对称或非正定导致的估计精度下降甚至滤波发散问题,利用平方根滤波(SRF)能确保协方差阵非负定和数值稳定性方面的优势,提出基于平方根容积卡尔曼滤波(SRCKF)的发电机动态状态估计方法,并给出了计算步骤。最后,利用仿真系统和实际系统比较了SRCKF、CKF和无迹卡尔曼滤波(UKF)三种算法的估计性能,证明了SRCKF算法能够解决CKF滤波中因协方差阵非正定导致的滤波发散问题;同时SRCKF算法在计算效率、滤波精度和数值稳定性方面均优于CKF和UKF算法。

基于强跟踪五阶容积卡尔曼滤波的眼睛跟踪算法

非侵入式眼睛跟踪在许多基于视觉的人机交互应用中扮演十分重要的角色,但由于眼睛运动的强非线性,如何确保眼睛跟踪过程中对外界干扰的鲁棒性以及跟踪精确度是其应用的关键问题。为提高眼睛跟踪的鲁棒性和精确度,提出强跟踪五阶容积卡尔曼滤波算法(ST-5thCKF),将强跟踪滤波(STF)次优渐消因子引入具有接近最少容积采样点且保持五阶滤波精确度的五阶容积卡尔曼滤波(5thCKF),获取5thCKF对强非线性良好滤波精确度同时具备STF对外界干扰的鲁棒性。真实条件下的实验结果验证了所提算法在眼睛跟踪中的有效性。

五阶容积卡尔曼滤波算法及其应用

容积卡尔曼滤波(CKF)是一种新型的非线性滤波方法,可获得优于扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)的滤波精度和滤波效率。但是,传统的CKF基于三阶容积准则而提出,因此滤波精度受到限制,为进一步提高CKF滤波性能,文中将容积准则由三阶扩展到五阶,采用两种不同容积点集选择方案,提出一种新型的五阶CKF算法。该算法可有效改善传统CKF在精度方面的理论局限,并有效改善一般五阶CKF计算量大的问题。机动目标跟踪仿真结果表明了新方法的有效性和可行性。

高阶容积卡尔曼滤波及其在目标跟踪中的应用

针对传统的容积卡尔曼滤波(CKF)估计精度有限的问题,提出了一种基于任意阶容积规则的高阶容积卡尔曼滤波(HCKF)方法并应用于机动目标跟踪问题。传统的CKF采用三阶球面-相径容积规则,可获得优于其他非线性滤波如不敏卡尔曼滤波(UKF)的估计精度和数值稳定性。为了进一步提高CKF的估计精度,在基于点的高斯近似滤波框架下,分别使用Genz积分方法和矩匹配法推导出任意阶的球面规则和相径规则,以此构造高阶球面-相径容积规则来计算高斯型积分,并建立高阶容积卡尔曼滤波算法。将提出的HCKF算法应用于机动目标跟踪问题中并进行数值仿真。仿真结果表明,相对于传统容积卡尔曼滤波,高阶容积卡尔曼滤波对目标位置和速度估计的精度分别提高了11%和24%,可获得更高的估计精度。

基于高斯混合容积卡尔曼滤波的UUV自主导航定位算法

针对过程噪声为非理想高斯分布时无人水下航行器(UUV)自主导航定位存在噪声模型失配的问题,将高斯混合密度模型与容积卡尔曼滤波(CKF)相结合,设计了基于高斯混合容积卡尔曼滤波(GM-CKF)的UUV导航定位算法。建立了UUV运动模型及观测模型,利用CKF完成各高斯分量的预测更新,并将更新结果进行融合缩减与加权求和,从而实现UUV自主导航定位。通过与EKF、UKF和CKF算法仿真对比实验,验证了GM-CKF可以提高估计精度;通过UUV湖试试验,验证了基于GM-CKF的UUV自主导航定位精度和稳定性优于传统算法,其计算时间满足实时导航定位的要求。

基于广义M估计的鲁棒容积卡尔曼滤波目标跟踪算法

为减小测量异常误差对非线性目标跟踪系统的影响,提出了一种基于广义M估计的鲁棒容积卡尔曼滤波算法.首先将非线性测量方程等价变换,利用约束总体最小二乘准则构建广义M估计极值函数,在不进行线性化近似的前提下将其引入到容积卡尔曼滤波求解框架中.然后根据Mahalanobis距离构建异常误差判别量,利用卡方分布的置信水平确定判决门限,并建立改进的三段Huber权函数,使其能够降低小异常误差权值,剔除大异常误差.理论分析表明,该方法具有无需求导、跟踪精度高、实时性好等优点,且无需已知异常误差的统计特性;实验结果表明,所提算法能够有效减小异常误差的影响,在实际非线性物理系统中具有广阔的应用空间.

基于改进容积卡尔曼滤波的纯方位目标跟踪

为处理纯方位跟踪的非线性问题,提出了距离参数化均方根容积卡尔曼滤波,在消除距离信息不可测对跟踪影响的同时弱化了计算机有限字长截断效应所引入的误差。在假设目标的初始距离信息用多个参数化模型表示的基础上,对每个模型独立进行均方根容积卡尔曼滤波,并依据贝叶斯准则计算各滤波结果对应的概率,将概率和对应结果的加权融合作为最终滤波结果。实验仿真表明,该滤波虽略微提升了计算复杂度,但获得了更好的滤波精度和鲁棒性。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

自适应CS模型的强跟踪平方根容积卡尔曼滤波算法

对于目标跟踪过程中的强机动问题,基于当前统计(current statistical,CS)模型和改进的强跟踪平方根容积卡尔曼滤波器(square-root cubature Kalman filter,SCKF),提出新的跟踪算法。在CS模型和改进输入估计算法的基础上,引入加加速度估计,使得状态过程噪声与状态协方差矩阵相联系,实现模型的自适应调整。从正交性原理出发,重新确定了渐消因子的引入位置,并提出了新的渐消因子计算形式,以克服传统渐消因子在雷达量测坐标系中的失效问题,从而构造强跟踪平方根容积卡尔曼滤波器。另外,构造强机动检测函数,利用SCKF的输出来调整自适应CS模型中的机动频率。仿真结果表明,相比基于CS模型的多重渐消因子强跟踪SCKF算法、改进CS模型的强跟踪SCKF(SCKF-STF)算法和交互式多模型(interacting multiple-model,IMM)SCKF算法,所提算法具有更佳的目标机动适应性和跟踪精度;相比于IMM-SCKF算法,实时性有明显改善。