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。

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器(英文)

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。

基于信息矩阵的自适应卡尔曼目标跟踪滤波器

为了克服线性系统中卡尔曼滤波发散这一问题,提出了一种基于信息矩阵的AKF.首先,通过对AKF滤波方程的等价推导,针对性解决了协方差矩阵的初始值问题,在信息矩阵初值P-10未知(P0一般初始化为0)时,滤波的稳定性和准确性都不受影响.另外,在基于信息矩阵的AKF基础上,为了更好适应实时场景,一种简化AKF算法(SAKF)被提出.仿真结果表明,基于信息矩阵的AKF与传统AKF(基于Sage-Husa的AKF)相比较,在P0未知时,其目标跟踪滤波效果明显优于传统AKF,该滤波算法在运动目标跟踪、航迹描绘等领域都有广泛的应用前景.

一种基于动态残差的自适应鲁棒无迹卡尔曼滤波器定位算法

针对标准无迹卡尔曼滤波(UKF)定位算法无法满足移动机器人在不平整地面运动时高精度定位要求的问题,结合抗差估计理论,提出了一种自适应鲁棒无迹卡尔曼滤波器(ARUKF)定位算法。ARUKF根据动态残差对UKF的预测值进行抗差自适应调整,减小了外部干扰对系统预测值的影响,提高了系统的精度与鲁棒性,通过减少采样过程的运算量加快了运算,并提高了系统实时性。仿真和现场测试结果表明,相较于UKF算法和基于Sage-Husa的改进UKF算法,ARUKF算法对不平整地面产生的扰动能更快收敛,具有更加优异的精度、鲁棒性和实时性,平均距离误差小于2 mm,平均角度误差小于0.016 rad,可以满足更苛刻的建筑施工现场放线要求。

基于自适应卡尔曼滤波器的MEMS陀螺零点漂移的研究

随机噪声是影响MEMS陀螺精度的一个重要因素。本文基于时间序列分析方法建立MEMS陀螺的随机漂移AR模型后,使用自适应卡尔曼滤波器对信号进行滤波。通过比较陀螺原始信号和自适应卡尔曼滤波后的信号,可以得出结论:自适应卡尔曼滤波器在处理MEMS陀螺零点漂移中具有良好的滤波效果。

变循环发动机自适应无迹卡尔曼滤波器设计

针对变循环发动机健康参数估计问题,设计了一种自适应无迹卡尔曼滤波器。该算法通过最大化后验密度函数来建立过程噪声协方差和测量噪声协方差的自适应更新方程,以改善传统无迹卡尔曼滤波器设计中先验参数需要根据经验来设置,进而导致滤波器性能受人为因素影响较大的问题。以带核心机驱动风扇级的变循环发动机为对象,进行了不可测参数估计仿真试验,对所设计的自适应无迹卡尔曼滤波器算法进行了仿真对比验证。结果表明:在单参数退化条件下,健康参数平均估计误差不大于2%;多参数退化条件下,健康参数平均估计误差不大于1.8%;该算法性能优于增广卡尔曼滤波器、传统无迹卡尔曼滤波器,相较于传统无迹卡尔曼滤波器性能提升9.5%。

改进非线性自适应卡尔曼滤波器滤波效果分析

为解决机械系统特别是航空液压管路系统振动过程中存在诸多噪声干扰、难以保证对有效振动信号进行准确分析的问题,结合非线性自适应算法、最小二乘法及传统卡尔曼滤波器,设计改进非线性自适应卡尔曼滤波器。通过仿真,在模拟的振动信号中加入随机噪声,并且将滤波前后振动信号的时域图和频域图进行对比。通过实验数据进行滤波效果对比,验证非线性自适应卡尔曼滤波器滤波效果的优越性。

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。

基于自适应卡尔曼滤波的简化地磁定轨

地磁定轨对追求低成本、高功能密度比的微小卫星具有较重要的价值,但是目前地磁定轨尚存在计算量大、易受各类误差影响导致精度过低等不足。在分析轨道动力学方程误差量级的基础上,建立了简化的状态转移矩阵,根据地磁模型分析了地磁强度随着阶次变高,梯度显著变小的特点,提出了高阶截断的简化地磁测量方程;将复杂的磁强计测量误差近似建模成随机游走形式,用多项式对磁强计误差估计值进行实时拟合去噪,并辨识出磁强计误差的变化特征作为自适应卡尔曼滤波器的调节依据,提高了弱可观测地磁定轨的性能。数学仿真证明了简化地磁定轨模型的有效性,自适应滤波器能够更精确地实现定轨计算,定位精度约为6 km,测速精度约为4 m/s。

基于RFID和自适应卡尔曼滤波的室内移动目标定位方法

本文研究了UHF-RFID(超高频-射频识别)环境下的移动目标定位问题,提出了一种结合自适应卡尔曼滤波和BVIRE(边界虚拟参考标签)的移动机器人定位方法,即B-AKF (BoundaryAdaptive Kalman Filter)定位方法.首先,利用UHF-RFID系统对移动机器人进行初始定位,其次,考虑模型和噪声统计特性不确定性,采用自适应卡尔曼滤波方法对机器人的运动状态进行预测和更新,并引入自适应因子补偿噪声方差不确定性问题.最后,搭建了基于UHFRFID的定位实验平台,并通过实验研究表明,相比于传统的线性BVIRE和线性卡尔曼滤波方法,所提出的自适应卡尔曼滤波方法具有更高的定位精度和更强的鲁棒性能.

惯导与GPS组合系统中实时自适应卡尔曼滤波技术的研究

—针对现有的自适应卡尔曼滤波算法实时性不强、结构繁杂，本文研究了在惯导与ＧＰＳ组合系统中应用一种修正的自适应卡尔曼滤波算法，并与常规卡尔曼滤波算法作了比较。仿真结果表明，这种算法具有结构简单、高效率和精度高等优点，不失为一种实用而有效的滤波算法。

多模型自适应联邦卡尔曼滤波及其在鱼雷导航定位中的应用

针对复杂环境所引起的鱼雷组合导航系统模型参数变化导致传统单一固定参数滤波器精度降低的问题,设计了一种适用于复杂情况的多模型自适应联邦卡尔曼滤波器。该滤波器采用多模自适应联邦滤波算法,利用多模型滤波器参数来逼近系统的动态性能,该滤波器同时采用了在信息融合时自适应调整信息分配系数的方法。实验室导航试验结果表明,文中设计的多模自适应联邦卡尔曼滤波器可以大大提高导航定位系统的估计精度、跟踪速度以及稳定性。

一种实时自适应卡尔曼滤波技术在GPS导航系统中的应用

基于卡尔曼滤波的理论,将GPS定位中的各种误差源在各方向造成的总误差等效为一个当前均值与一个符合一阶马尔可夫过程的有色噪声之和,建立线性卡尔曼滤波摸型。为了避免滤波发散,文中采用一种修正的自适应卡尔曼滤波算法。仿真结果证明:该算法具有稳定好,效率高,精度高的特性,克服了发散的缺点,具有很强的自适应性。

卷积伏安法实验数据的自适应卡尔曼滤波 Ⅱ.重叠峰的分辨

本文着重探讨自适应卡尔曼滤波对卷积伏安法重叠响应信号的分辨能力。通过拟合实验数据表明,1:N 自适应卡尔曼滤波器与快速傅里叶变换和标准加入法相结合,用于补偿系统的模型误差和进行重叠峰的分辨,效果良好。应用于 Cd(Ⅱ)～In(Ⅲ)体系重叠峰实测数据的分辨,获得满意的结果。

基于改进自适应无迹卡尔曼滤波的锂电池SOC估计

针对传统无迹卡尔曼滤波算法在估计电池荷电状态中存在收敛速度较慢、容易发散等问题,提出了一种改进的自适应无迹卡尔曼滤波算法,该算法在传统无迹卡尔曼滤波算法基础上引入了衰减因子和自适应调节因子,提高估计精度和收敛速度。以二阶RC模型为基础,运用最小二乘法对模型参数进行辨识,采用基于UT变换的自适应无迹卡尔曼滤波器算法实现对锂电池SOC的估计。搭建锂电池充放电试验平台,测试试验结果表明,该算法对锂电池SOC估计精度小于1%,在估计精度及收敛速度上均优于传统无迹卡尔曼滤波算法。

自适应卡尔曼滤波方法在光电跟踪系统中的应用

在光电跟踪系统中,图像采集装置相对控制系统传感器滞后,会使脱靶量出现误差,将导致控制系统的跟踪精度降低。为了提高跟踪精度,提出了一种用于补偿跟踪脱靶量数据的自适应卡尔曼滤波方法。首先,通过CSM模型计算当前时间的状态预测矩阵和预测误差方差矩阵;再根据强跟踪滤波器,利用残差序列计算调节因子;然后,利用调节因子校正预测误差方差矩阵和机动频率;最后,使用校正后的参数更新预测的输出信息。仿真与实验结果表明:在高机动情况下,采用自适应卡尔曼滤波算法,跟踪误差的均方根误差RMS约为传统算法的0.21倍,最大跟踪误差和均方根误差都有显著减小。

基于自适应滤波器的MIMU/GPS组合系统的研究

设计了微惯性测量单元/卫星导航(MIMU/GPS)组合导航系统原理样机。针对低成本MIMU/GPS组合导航中的Kalman滤波器设计滤波参数(包括系统噪声方差阵Q和测量噪声协方差阵R)影响的问题,系统的分析了Kalman滤波器参数的选取对系统状态变量的估计精度和收敛性能的影响。根据分析设计了自适应估计技术的Kalman滤波器。试验结果表明:对于低成本MIMU/GPS组合导航采用自适应估计技术估计可得到满意的性能,在静态条件下,位置精度优于5 m(标准差),速度精度优于0.1 m/s;系统提供水平姿态角精度优于0.2°;航向角精度优于0.5°(磁罗盘辅助)。

模糊自适应Kalman滤波器在无人机导航中的应用

针对具有不确定动态模型参数的GPS/INS组合导航系统,基于传统Kalman滤波器之上,介绍了一种模糊自适应Kalman滤波器,讨论了GPS/INS组合系统中模型参数不确定性的问题,给出了一种利用模糊自适应滤波方法进行数据融合的无人机定位误差修正方法;仿真结果表明,模糊自适应卡尔曼滤波器对非线性GPS/INS组合系统是很有效的,提高了定位精度。

捷联惯性组合导航系统联合自适应滤波器设计

为了保证SINS/GPS组合导航系统具有较高的定位精度和抗干扰能力,需要良好的数据处理方法。论文设计了SINS/GPS组合导航系统的联合自适应卡尔曼滤波器。研究了其在舰船组合导航系统随机数据处理中的应用。针对系统噪声和量测噪声未知的情况,采用联合自适应滤波处理组合导航系统较采用基本联合Kalman滤波方法具有更好地稳定性。理论分析与仿真结果表明,该联合自适应卡尔曼滤波器的设计合理,能够加快计算速度,实现实时滤波计算,提高系统的导航精度和容错能力,取得了很好的估计效果。