Sallen-Key滤波器多参数仿真分析方法

仿真分析在核技术工程设计中具有先导意义。以Sallen-Key滤波器硬件的实验仿真分析为例,利用Multisim仿真软件与Excel软件VBA功能,分析Sallen-Key电路自身品质因数以及输出脉冲信号的幅度、宽度、半高宽4个参数对输出脉冲信号形状、滤波效果的影响。通过Sallen-Key滤波电路最佳参数设计,实现理想高斯脉冲信号成形。结果显示,该实验分析方法可行,对核电子学课程电路参数设计部分提供了较好的参考。

基于Sallen-Key滤波器的核脉冲成形电路研究

将Sallen-Key滤波器应用于核脉冲信号的成形中,采用较少的级数就可以达到准高斯波形的输出,文中仿真了基于Sallen-Key滤波器的滤波成形电路的特性,并给出了最佳的滤波器参数,采用宽带高速运算放大器设计和实现了该电路,通过实验测量证明了该电路的优越性。

基于Sallen-Key滤波器的数字高斯成形方法的仿真

详细阐述了一种指数信号数字高斯成形技术的计算机仿真方法。首先,以Sallen-Key滤波器为基础,建立了指数输入信号和高斯输出信号之间的数学关系模型。该模型是一个二阶微分方程。其次,模型解算过程中利用数值微分算法得到一个数值递推解。通过计算机仿真该数值递推解实现了指数信号的数字高斯成形。最后,将成形模型应用于实际核脉冲信号分析系统中,通过计算机仿真确定了成形参数。

基于AFSA-WNN的Sallen-Key滤波器电路软故障诊断

为提高对Sallen-Key滤波器的软故障诊断能力,提出一种基于多分辨率变换与小波神经网络(WNN)的软故障诊断方法。该方法先引入多分辨率变换提取Sallen-Key滤波器电路的软故障特征,在此基础上,采用人工鱼群算法优化的WNN构建电路软故障诊断模型。仿真结果表明,与单纯的WNN相比,所提出方法对电路软故障的诊断性能更好,总正确率达到94.1%。从而证明该方法用于Sallen-Key滤波器软故障诊断是可行的,也是有效的。

基于Sallen-Key滤波器的主成形放大电路的研究

主成形放大器的作用在于将前置放大器输出的降指数信号变成准高斯信号。一级的Sallen-Key滤波电路相当于一个二阶的RC低通滤波器,采用两级的Sallen-Key级联滤波就可以实现四级RC滤波的效果,得到准高斯波形的输出。文中从基本的电路设计与分析开始,用C++模拟了主放大器的功能并分析了相关特性。最后用AD827双路运放实现了该电路,并对此电路性能进行了测试与验证。

基于混合二极管的Sallen-Key低通滤波电路振荡行为研究

设计一种基于混合二极管的Sallen-Key低通滤波振荡电路,将PN结型二极管与电感、电容串并联组合所构成的混合二极管接入低通滤波电路的输入端,构建一种具有复杂动力学行为的混沌振荡电路.引入不对称系数来模拟实际电路中二极管元件之间电学特性的偏差,通过特定参数的相轨迹图、分岔图和Lyapunov指数谱对振荡电路的对称、不对称系数下两种振荡状态进行数值分析.实验产生振荡电路中独特的吸引子共存现象,揭示了受电路参数调节的对称、不对称共存分岔、反单调特性等丰富的动力学行为演化过程.最后,基于FPGA技术完成振荡电路的数字电路实验,验证了数值仿真的正确性和物理可实现性.

基于渐进高斯滤波融合的多视角人体姿态估计

针对视觉遮挡引起的人体姿态估计(Human pose estimation, HPE)性能下降问题,提出基于渐进高斯滤波(Progressive Gaussian filtering, PGF)融合的人体姿态估计方法.首先,设计分层性能评估方法对多视觉量测进行分类处理,以适应视觉遮挡引起的量测不确定性问题.其次,构建分布式渐进贝叶斯滤波融合框架,以及设计一种分层分类融合估计方法来提升复杂量测融合的鲁棒性和准确性.特别地,针对量测统计特性变化问题,利用局部估计间的交互信息来引导渐进量测更新,从而隐式地补偿量测不确定性.最后,仿真与实验结果表明,相比于现有的方法,所提的人体姿态估计方法具有更高的准确性和鲁棒性.

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

基于改进自适应滤波的MEMS陀螺振动误差抑制研究

本文提出一种基于改进自适应滤波的MEMS陀螺随机振动误差的补偿算法。该算法采用简化Sage-Husa自适应滤波算法估计量测噪声,并通过协方差匹配技术引入收敛性判据抑制了滤波的发散,它提高了实时性且减少了计算量。实验结果表明:经过改进算法滤波后,MEMS陀螺随机振动误差的方差减少97.76%,与常规卡尔曼滤波相比,改进算法的方差减少了72.66%,验证了改进的自适应卡尔曼滤波算法可以有效地抑制MEMS陀螺因随机振动引起的输出误差。

基于多端口参数提取和主动空间映射法的腔体滤波器设计

为提高微波腔体滤波器的设计效率,文中提出了一种基于多端口参数提取和空间映射法的滤波器快速设计方法。通过添加额外内部端口提取腔体滤波器电磁模型的Y参数,从而计算出耦合矩阵,再结合空间映射法将求解滤波器理想尺寸问题转换为逼近理想耦合矩阵问题。最后设计并加工了一款四阶同轴腔体滤波器,在初值偏差很大的情况下,经过四次迭代即可得到满足指标的滤波器物理尺寸,实物调试结果和仿真结果一致性良好,从而证明了文中方法的快捷有效。

稀疏约束与时间一致的背景感知相关滤波目标跟踪

背景感知滤波算法通过循环移位采集真实负样本,有效解决了边界效应.但在复杂场景例如遮挡、快速移动、背景干扰等,其较大的采样区域导致过多背景在杂波干扰,从而影响跟踪效果.针对这一问题,本文首先提取灰度HOG特征与颜色CN特征来提高目标外观模型,在基准目标函数基础上引入L1稀疏正则约束形成弹性网络以自适应筛选关键特征,增强滤波器在复杂背景下的判别能力.同时针对BACF在跟踪过程中目标快速变化,本文引入时间正则项提高滤波器抑制畸变的能力.最后,本文提出了一种独立的尺度滤波器算法,准确提供目标尺度大小.实验仿真结果表明,在公开数据集OTB-2013和OTB-2015上,本文算法较基准算法有很大提升,能够较好应对不同复杂场景下的跟踪难题.

滤波辨识(11):多变量CARARMA系统的滤波递阶广义增广迭代参数辨识

针对多变量受控自回归自回归滑动平均(M-CARARMA)系统,利用滤波辨识理念和递阶辨识原理,研究和提出了滤波递阶广义增广梯度迭代辨识方法、滤波递阶多新息广义增广梯度迭代辨识方法、滤波递阶递推广义增广最小二乘迭代辨识方法、滤波递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

基于联合GLMB滤波器的可分辨群目标跟踪

针对联合广义标签多伯努利(joint generalized labeled multi-Bernoulli, J-GLMB)滤波算法中群目标之间距离较近、容易关联错误的问题,结合超图匹配(hypergraph matching, HGM)提出一种基于HGM-J-GLMB滤波器的可分辨群目标跟踪算法。首先,采用J-GLMB滤波器估计群内各目标的状态、数目及轨迹信息,并利用HGM结果提升量测与预测状态之间的关联性能。其次,通过图理论计算邻接矩阵,获取群结构信息和子群数目。随后,利用群结构信息估计协作噪声,进而校正目标的预测状态。最后,通过平滑算法改善滤波效果,并设置轨迹长度阈值,使其在平滑状态达到消除短轨迹的目的。仿真实验表明,所提算法在线性系统下能有效提升群目标跟踪性能。

滤波辨识(10):多变量Box-Jenkins系统的滤波辅助模型递阶广义增广参数辨识

针对多变量Box-Jenkins模型,即多变量输出误差自回归滑动平均(M-OEARMA)系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广随机梯度辨识方法、滤波辅助模型递阶多新息广义增广随机梯度辨识方法、滤波辅助模型递阶广义增广递推梯度辨识方法、滤波辅助模型递阶多新息广义增广递推梯度辨识方法、滤波辅助模型递阶广义增广最小二乘辨识方法、滤波辅助模型递阶多新息广义增广最小二乘辨识方法。这些滤波辅助模型递阶广义增广辨识方法可以推广到其他有色噪声干扰下的线性和非线性多变量随机系统中。

基于环形阵列的空间滤波器结构损伤扫描监测方法研究

本文提出了一种基于环形阵列的空间滤波器结构损伤扫描监测方法,在结构中央布置环形压电传感器阵列实现对结构的全方位扫描监测,消除了主动Lamb波空间滤波器监测方法中盲区及远场对监测效果的影响。环形阵列由直径方向不同角度的4个线阵组成,每个线阵采用主动Lamb波空间滤波监测方法对结构损伤进行监测、成像,各阵列成像结果通过PCA-小波变换进行融合对损伤位置进行判别,从而实现结构全方位损伤扫描监测,消除单个阵列损伤监测的盲区、远场及虚假成像等影响,进而获得更加准确的损伤监测结果。通过实验研究,验证了该方法的有效性和实用性。

一种大尺度区域GNSS坐标时间序列自适应时空滤波方法

提出一种GNSS坐标时间序列自适应时空滤波方法,在规定阈值下将滤波区域自适应分为若干个子区域,进行共模误差的提取和去除。对陆态网184个GNSS站点垂向坐标序列进行时空滤波,3组随机实验中,自适应PCA时空滤波后的站点序列平均RMS值减少约39.7%、38.4%和39.7%,且优于整体PCA滤波。进一步分析滤波前后站点噪声特性变化,结果显示,相比于整体PCA滤波,自适应滤波方法中站点残差序列幂律噪声减少约17.8%。

滤波辨识(12):多变量OEARMA系统的滤波辅助模型递阶广义增广迭代参数辨识

针对多变量输出误差自回归滑动平均(M-OEARMA)系统,即多变量Box-Jenkins系统,利用滤波辨识理念和辅助模型辨识思想,研究和提出了滤波辅助模型递阶广义增广梯度迭代辨识方法、滤波辅助模型递阶多新息广义增广梯度迭代辨识方法、滤波辅助模型递阶递推广义增广最小二乘迭代辨识方法、滤波辅助模型递阶多新息广义增广最小二乘迭代辨识方法等。这些滤波辅助模型递阶广义增广迭代辨识方法可以推广到其它有色噪声干扰下的线性和非线性多变量随机系统中。

基于势平衡多伯努利滤波的多传感器纯方位多目标跟踪

被动传感器不主动发射信号,通常仅获得目标的角度量测信息,无法获得径向距离信息,这种仅利用角度量测信息对多目标跟踪的方法称为纯方位多目标跟踪。实际应用中,纯方位多目标跟踪面临三个主要问题:一是由于被动传感器只获取目标的角度量测,导致量测信息不完备;二是量测方程存在高度非线性;三是由于传感器可能接收到杂波等非目标产生的量测,导致量测源不确定。针对上述问题,本文提出一种多传感器贪婪伪线性粒子势平衡多伯努利滤波。首先采用Rao-Blackwell理论将混合目标状态向量分解,将与量测值相关的位置分量视为非线性分量,而与量测值无关的速度分量视为线性分量,并分别采用粒子滤波器(Particle Filter,PF)和卡尔曼滤波器(Kalman Filter,KF)进行处理,从而有效降低粒子滤波采样维度。其次,针对传统粒子采样严重依赖模型的问题,基于伪线性卡尔曼滤波器(Pseudo-linear Kalman Filter,PLKF)设计一种新型粒子采样方法,即利用PLKF和最新量测信息构造重要性密度函数,并对非线性分量进行粒子采样;在更新阶段采用贪婪量测划分策略选取最优量测集合,并利用最优量测集合中量测信息实现多目标状态集中式融合估计。最后,通过仿真结果验证,本文所提滤波器能在杂波环境中仅利用角度量测对目标进行有效稳定的跟踪,相较于对比方法,所提滤波器能够更为准确估计目标数量和状态。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。

融合深度学习的贝叶斯滤波综述

当前动态系统呈现大型化、复杂化的趋势,基于贝叶斯滤波的动态系统状态估计遇到一系列新的挑战.随着深度学习在特征提取与模式识别等方面的优势与潜力不断显现,深度学习与传统贝叶斯滤波相结合的研究也随之兴起.为此,梳理了不同领域融合深度学习的贝叶斯滤波方法的应用案例,从中剖析不同类型动态系统下贝叶斯滤波存在的局限性和共性难题.在此基础上,总结了当前贝叶斯滤波存在的几类不确定性问题,以深度学习的视角将这些问题归纳为特征提取和参数辨识两大基本问题,进而介绍深度学习为贝叶斯滤波所提供的解决方案.其次,归纳整理了两类深度学习与贝叶斯滤波结合的具体方法,着重介绍了深度卡尔曼滤波和融合深度学习的自适应卡尔曼滤波.最后,综合考虑深度学习方法和贝叶斯滤波方法的优势,讨论了融合深度学习的贝叶斯滤波方法的开放问题和未来研究方向.