基于卡尔曼(Kalman)滤波算法的体育训练视频中的运动目标检测

体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

基于GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

基于卡尔曼滤波的综合脉冲星时驾驭原子时算法研究

利用综合脉冲星时(PT)具有较好长期频率稳定度的优点,将原子时驾驭到综合脉冲星时,可以改进其长期频率稳定度水平。文章描述了综合脉冲星时驾驭原子时的卡尔曼滤波方法。以美国海军天文台地方原子时TA(USNO)为例,采用卡尔曼滤波方法将地方原子时驾驭到国际原子时TAI,进而利用综合脉冲星时PT数据将其再驾驭到综合脉冲星时系统,最后得到经过2次频率驾驭后的PT-TA(USNO)钟差序列。考虑到综合脉冲星时PT包含有较大白频噪声,利用滤除其高频噪声后的PT驾驭原子时,能够获得更佳频率驾驭效果,驾驭后的钟差序列长期频率稳定度有明显提高。采用同样算法,将美国国家标准和技术研究院地方原子时TA(NIST)驾驭到TAI,再驾驭到PT,也得到相似结果。

基于压痕试验的岩石力学参数的卡尔曼滤波反演

压痕试验是间接评估岩体力学特性的重要方法,为了更好地利用压痕试验评估岩体力学参数,本研究采用一种基于扩展卡尔曼滤波算法的参数反演方法。基于室内压痕试验获得的荷载-压入深度曲线数据,通过弹塑性数值仿真模型构建岩体弹塑性参数与压痕曲线的响应关系,进而利用卡尔曼滤波算法实现对岩石弹塑性参数的反演和优化分析。结果表明,本研究方法具有较好的收敛性和较高的识别精度,反演得到的岩石弹性参数均值的相对误差在10%左右,塑性参数的反演结果相对误差小于20%。较传统单一经验公式方法,本研究方法具有更高的预测精度,对多种不同岩性岩体都有较好的适用性。

基于核相关滤波和卡尔曼滤波预测的混合跟踪方法

针对核相关滤波(KCF)跟踪算法在遮挡场景中出现跟踪性能降低甚至跟踪失败的问题,提出了一种核相关滤波和卡尔曼滤波(KF)预测相结合的模型自适应抗遮挡图像目标跟踪算法KCF-KF。首先,考虑到传统KCF目标跟踪算法中缺少遮挡评估的问题,通过引入响应图的峰值旁瓣比来对图像目标的遮挡情况进行判断,并将遮挡类型划分为部分遮挡和严重遮挡。其次,根据遮挡程度采取不同的模型更新策略,当目标无遮挡或者部分遮挡时,替代传统KCF跟踪算法中采用固定学习率更新模型的方法,通过自适应地调整模型学习率来更新目标外观模型,避免跟踪漂移;当目标被严重遮挡时,停止KCF模型更新。最后,应用严重遮挡之前的运动信息构建卡尔曼滤波器状态空间和位置输出模型,设计卡尔曼滤波算法预测运动目标轨迹来估计遮挡情景下的目标位置,从而解决在遮挡场景中目标跟踪失败的问题。采用OTB-2013标准数据集进行大量实验,结果表明:所提的混合跟踪算法KCF-KF的距离精度为0.796,重叠成功率为0.692。与其他传统跟踪算法相比,该混合算法的跟踪精度和跟踪成功率均优于其他算法,并且在遇到目标遮挡挑战时具有更好的跟踪性能,有效地解决了跟踪过程中的遮挡干扰问题。

BPNN改进卡尔曼滤波算法对课程思政效果评价的验证研究

教学效果评价及其验证是高校课程思政实施过程中的重要环节,也是目前教学评价改革中亟待解决的难点之一。为了验证、反馈和优化教学效果评价,在课程思政教学实践的基础上,通过预测实施课程思政的教学效果,构建了结合反向传播神经网络(back propagation neural network,BPNN)的卡尔曼滤波算法(Kalman filter,KF)模型。利用BP神经网络优化KF模型中的状态参数,通过KF滤波信息来反向验证和优化课程思政效果经验评价模型。Matlab运算结果表明,与传统KF算法相比,基于BP改进的KF算法的预测获得了较理想的结果。

压电陶瓷作动器的卡尔曼滤波输出反馈预测控制

为了抑制压电陶瓷的迟滞、非线性特性对压电微定位平台精度的影响,建立反映压电陶瓷作动器频率依赖迟滞非线性特性的Hammerstein模型:利用非对称Bouc-Wen模型来表示静态迟滞非线性和利用动态线性模型表征信号频率的影响。针对迟滞补偿器不能完全的进行补偿,并且存在噪音干扰实验设备,采用基于卡尔曼滤波的预测控制,提高压电微定位平台的控制精度。预测控制用来减小逆补偿误差以及建模误差等模型不确定性的影响,卡尔曼滤波用来获得系统的状态估计值。实验结果显示,该控制器在正弦波信号下的相对跟踪误差小于0.68%,三角波信号下相对跟踪误差小于0.70%。在迟滞补偿的基础上,采用卡尔曼滤波的预测控制,该方法可以有效地完成对微定位平台的高精度跟踪。

基于集合卡尔曼滤波的水文模型状态变量反馈校正方法

集合卡尔曼滤波已应用于水文模型初始状态误差校正。如何选择校正变量、是否同步校正模型参数、如何优选滤波超参数是其应用难点。为此,以綦江流域GR5J模型为原型,同化实测流量反馈校正模型状态,通过合成实验和滚动预报实验,分析状态变量选择、模型参数扰动、滤波超参数对预报精度的影响。结果表明:准确识别有偏初始状态,集合卡尔曼滤波能提高预报精度;若难以识别,建议同步校正产流汇流状态变量,减少过校正。模型参数有偏时,应先识别模型参数,再校正模型状态。增加集合数和预热时长能提高校正精度,模型和观测噪声的影响具有非单调性;滤波校正效果随预见期延长而衰减,但要优于模型预热技术。该发现可作为作业预报应用状态校正法的参考。

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。

基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法

在当前机器人导航和环境感知领域,室外大尺度场景下的三维激光SLAM一直是一个挑战性问题。由于GPS信号在某些环境下的不稳定性和激光SLAM的误差累积特性,传统算法在大尺度场景下表现不佳。针对室外大尺度场景下三维激光SLAM(同步定位和地图构建)存在的误差累积严重问题,本文提出了一种基于迭代卡尔曼滤波器的GPS-激光-IMU融合建图算法。该算法通过利用惯性测量单元(IMU)数据对机器人状态进行预测,同时以激光和全球定位系统(GPS)数据作为观测,更新机器人状态,推导出观测方程和雅可比矩阵,显著提高了建图的精度和鲁棒性。里程计中融合GPS数据的绝对位置信息以解决长时间运行中的误差累积问题。在特征稀疏的环境中,由于约束不足可能导致算法崩溃,GPS数据的引入可以提高系统的鲁棒性。此外,重力对于IMU数据预测机器人状态起到关键的作用。虽然重力是三维向量,但在不发生区域变化的情况下,其模长是不变的,因此被视为二自由度向量。通过将重力的优化转化为旋转矩阵群上的优化,成功避免了重力过参数化的问题,提高了算法的精度。在室外场景下与其他算法进行了性能测试对比并且验证了在大尺度场景下的鲁棒性和精度,结果表明:本文算法的均方根误差为0.089 m,与其他算法相比降低了54%。

基于卡尔曼滤波的改进ADRC风电制动器控制策略研究

为了提高风电制动器的抗干扰能力和控制精度,在传统三闭环系统的基础上,提出改进自抗扰控制并融合卡尔曼滤波算法.在扩张状态观测器中引入速度跟踪情况,将传统的“大带宽、小误差”改进为“小带宽、小误差”,提高观测器的观测效率.在误差反馈控制率中引入新型指数趋近律的滑模控制,增强控制效果.在电流环中引入卡尔曼滤波算法,降低电流噪声.通过MATLAB/Simulink建立风电制动系统的数学模型,与传统自抗扰控制策略和PID控制策略进行对比分析.结果表明:改进后的控制策略提高了响应速度,降低了启动转矩和电流噪声;制动器在不同工况下均展现出来良好的控制效果和抗干扰能力,提升了系统的鲁棒性和动态性能.

采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于卡尔曼滤波的小波去噪和IWOA-ELM的颈肩肌肉疲劳分类方法

针对采集的表面肌电信号噪声干扰多,以及缺少颈肩肌肉疲劳状态划分标准和分类模型的问题,本文提出了一种基于联合去噪和优化极限学习机的颈肩肌肉疲劳分类方法。首先,使用AnyBody建立颈肩骨骼肌肉生物力学模型,根据肌肉pH值和RPE劳累感知量表划分肌肉疲劳状态。采集6名健康青年人斜方肌上束疲劳状态下的表面肌电信号。然后,结合卡尔曼滤波和改进的小波阈值函数进行联合去噪,提取均方根、积分肌电值、平均功率频率、中值频率、瞬时平均频率、瞬时中值频率6个特征参数。最后,使用改进鲸鱼优化算法优化极限学习机的权值和阈值,建立IWOA-ELM颈肩肌肉疲劳分类模型。实验结果表明,联合去噪算法效果更佳,IWOA-ELM模型训练集准确率为96.3%,测试集准确率为97.5%,均方根误差为1.108,对于不同受试者分类模型准确率均高于95%,因此本文提出的联合去噪算法和IWOA-ELM模型在颈肩肌肉疲劳分类方面具有优势。

基于连通性分析局域化的集合卡尔曼滤波的油藏自动历史拟合方法

集合卡尔曼滤波(ensemble Kalman filter,EnKF)是自动历史拟合中应用最为广泛的方法之一,但该算法在应用过程中会产生伪相关、滤波发散等问题。建立了一种新的基于连通性分析的单井敏感性局域化集合卡尔曼滤波自动历史拟合方法,解决了传统距离截断方法处理伪相关时与实际油藏不匹配问题。该方法将油藏网格视为连通的有向图,利用连通性分析和Floyd算法计算任意两个网格点间的最短路径,从而确定单井敏感性区域和井点到各网格的相关系数矩阵,再结合集合卡尔曼滤波方法有效削弱了伪相关问题。将改进的算法编程实现并运用实例进行验证,结果表明,基于连通性分析局域化的EnKF方法在生产动态拟合和模型参数场反演等方面均优于标准EnKF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。

基于无迹卡尔曼滤波的液体火箭发动机故障诊断

针对火箭发动机故障数据难以获取的问题,设计了一种基于无迹卡尔曼滤波(UKF)的液体火箭发动机故障诊断算法。采用MATLAB/Simulink平台搭建了液体火箭发动机故障仿真模型,实现发动机正常运行仿真和预燃室氧阀门故障、氧主泵汽蚀、氢主涡轮叶片脱落3种故障仿真。将正常运行仿真值与设计值、试车值进行了对比。结果表明:模型参数与设计值最大误差不超过5%,仿真精度较高;仿真参数变化趋势与试车值基本一致,且稳态值误差较小。使用UKF算法求取发动机正常运行阈值范围,并对故障序列进行滤波处理,若故障数据连续3次超出阈值区间,且在0.1 s内有至少2个涡轮泵发出报警,则判定故障发生,故障发生时间为第2个涡轮泵报警时间。使用设计算法对3种故障序列进行诊断,判定故障发生时间分别为20.08 s、20.05 s、20.18 s。相比于传统红线阈值算法,文中所设计算法响应更为及时,且误报率较低。

基于改进的无迹卡尔曼滤波长基线定位算法研究

在复杂的水环境中,自主水下机器人(Autonomous Underwater Vehicle, AUV)运用声学导航系统实现自主导航并确保精确定位。针对水声环境中由于外部噪声带来的定位精度损失问题,提出一种改进的无迹卡尔曼滤波(Adapt Unscented Kalman Filter, AUKF)长基线定位算法。该算法在无迹卡尔曼算法(UKF)的基础上引入遗忘因子,充分利用新的测量数据动态调整测量协方差矩阵和过程协方差矩阵,有效避免因长期运行带来的累计误差。实验结果显示,当AUV沿两种不同轨迹运行时,AUKF算法的均方根误差最低,分别为2.901 1、19.221 5。该算法定位精度高,适用于长时间工作的高精度水下定位。

自适应双层无迹卡尔曼滤波的车辆状态估计

针对在车辆行驶状态估计中存在估计不准确、鲁棒性较差以及系统噪声不确定等问题,提出一种将双层无迹卡尔曼滤波(DLUKF)与改进的Sage-Husa算法相结合的自适应双层无迹卡尔曼滤波算法(ADLUKF)作为车辆行驶状态的估计器,再结合三自由度汽车模型对车辆行驶的横摆角速度和质心侧偏角进行估计。通过改进的Sage-Husa滤波器对系统过程噪声和测量噪声进行动态调整,进而减少车辆行驶状态估计的误差。应用Carsim与Matlab/Simulink进行联合仿真以及实车试验数据来验证该估计器的有效性,并与无迹卡尔曼滤波(UKF)算法进行对比。结果表明:与UKF算法相比,该算法有效提高了车辆行驶的横摆角速度和质心侧偏角的估计精度和稳定性。

基于卡尔曼滤波算法的电池状态估计

为更好地获得锂离子电池荷电状态SOC(state-of-charge)估计值,选用二阶等效电路模型作为研究对象,针对带有遗忘因子的递推最小二乘法在参数辨识中易受到噪声等环境因素干扰的缺点,提出偏差补偿最小二乘法来实现模型参数的准确辨识,并结合无迹卡尔曼滤波算法对SOC进行估计。针对无迹卡尔曼滤波算法稳定性差等缺点,提出利用权重向量更新滤波算法中的卡尔曼滤波增益。实验结果表明,所提算法估计SOC的总误差可控制在2.7%以内,验证了算法的鲁棒性和有效性。

误差状态卡尔曼滤波的视觉惯性自适应融合定位方法研究

头盔瞄准具(HMS)是近年来新一代战斗机飞行员的辅助瞄准设备,能够帮助飞行员增强战场态势感知能力,对敌方目标进行快速、精准打击。其能正常工作的关键是获取飞行员头部相对于运动飞机的姿态参数。本文结合头盔瞄准具这一应用场景研究了视觉组合姿态测量关键技术。视觉惯性组合定位能够实现目标位姿测量方法的优势互补,而由于标称噪声矩阵无法绝对准确预测,融合算法的鲁棒性、精度有待进一步提升。针对这一问题,本文提出一种误差状态卡尔曼滤波框架下基于变分贝叶斯推断的视觉惯性自适应融合方法。首先,对于过程噪声使用逆威沙特(Wishart)分布进行建模,之后通过引入隐变量分解一步预测协方差,并结合变分贝叶斯推断实现了对过程噪声协方差矩阵的在线估计。试验证明,在复杂运动及标称噪声协方差矩阵偏移较大的测量条件下,所提位姿测量算法具有较高的精度与鲁棒性,能够完成对靶标的快速、高精度跟踪。