基于分数阶模型多新息无迹卡尔曼滤波算法的超级电容SOC估计

对超级电容的SOC估计展开了研究。首先,搭建了超级电容测试平台,用于超级电容的参数辨识,并对超级电容进行了常规性能测试;其次,在不同的环境温度和动态工况下采用多种算法进行超级电容SOC估计。结果表明,采用分数阶模型多新息无迹卡尔曼滤波(FOMIUKF)算法对超级电容SOC的估计精度最高,对超级电容的路端电压跟随情况最好,估计结果的均方根误差和平均绝对误差的最大值分别约为1.8%和1.73%。

基于卡尔曼滤波算法的无人机定位控制

对于无人机飞行过程中精准定位问题,以四旋翼无人机为研究对象,针对随机噪声干扰下无人机位置测量值与真实值存在较大误差的情形,提出一种基于卡尔曼滤波的无人机定位算法。仿真结果表明,经卡尔曼滤波后的无人机位置测量值与真实值之间误差明显减小,验证了卡尔曼滤波算法可以提高无人机定位的控制精度,仿真结果同时还说明若想要达到最佳的滤波效果,测量噪声协方差数值取值要合适,过大或过小都会对滤波效果产生影响,文中研究内容对无人机定位精准控制具有一定的借鉴意义。

应用集合卡尔曼滤波算法对土壤呼吸速率同化及NEP估算

为了对净生态系统生产力(NEP)进行准确估算,以长白山通量观测站观测数据为基础,构建土壤温度、湿度耦合因子的更新模型(线性函数、指数函数、二次式函数),结合集合卡尔曼滤波算法(EnKF)获取高精度土壤呼吸速率数据,应用陆地生态系统碳循环综合模型(InTEC模型)准确估算NEP。结果表明:二次式模型的EnKF算法同化结果估算效果最好,决定系数(R^(2))为0.782,均方根误差为52.90 g·m^(-2)·a^(-1);指数模型EnKF算法同化结果估算值的R^(2)为0.755,均方根误差为56.47 g·m^(-2)·a^(-1);线性模型EnKF算法同化结果估算值的R^(2)为0.742,均方根误差为62.80 g·m^(-2)·a^(-1)。选取二次式模型优化后的土壤呼吸速率数据,InTEC模型模拟长白山通量观测站长时间序列净生态系统生产力的R^(2)为0.900,均方根误差为61.77 g·m^(-2)·a^(-1);InTEC模型模拟东北三省森林生态系统2003—2010年的净生态系统生产力年均值,由初始模拟的30.07 g·m^(-2)·a^(-1),经EnKF算法更新后提升到176.87 g·m^(-2)·a^(-1)。因此,采用EnKF更新土壤温度-湿度耦合因子获取的土壤呼吸速率数据,能够提高InTEC模型估算NEP的精度,为大区域尺度森林生态系统NEP估算提供技术支持。

基于加权多新息卡尔曼滤波算法的响应重构

针对卡尔曼滤波算法容易受到噪声的影响,使得响应重构精度降低甚至发散的问题,提出一种基于加权多新息卡尔曼滤波算法的响应重构方法。首先在融合多新息理论和卡尔曼滤波算法的基础上,引入加权矩阵动态调整新息矩阵的权重以降低历史干扰数据的累积影响。随后将该方法用于响应重构中,使用有限的加速度响应对其余未知位置处的加速度、速度以及位移响应进行重构。最后分别对起重机桁架和简支梁进行数值模拟和试验验证,结果表明与卡尔曼滤波算法和多新息卡尔曼滤波算法的响应重构方法相比,所提方法的滤波稳定性和估计精度得到改善,其能在运行时间增加很小的情况下有更高的重构精度。

基于卡尔曼滤波算法的风电机组动态推力消减控制策略

随着变桨变速式风电机组叶片的大型化发展趋势,风电机组在额定风速区域运行时,由于尖峰推力导致的极限荷载问题越来越突出。为此,在风电机组基本控制策略基础上提出了一种基于卡尔曼滤波算法的动态推力消减控制策略,根据风电机组能量传递关系,以测量转矩、桨距角和风轮转速为输入量,对轮毂风速进行估计,经过推力消减控制器的最优桨距角计算实现动态变桨,以降低风电机组整体的轴向推力水平;最后以某5.0MW风电机组为例,搭建了半实物仿真实验平台,对提出的控制策略进行了实验验证。实验结果表明:该控制策略能够有效降低风电机组轴向推力,减小风电机组极限荷载。

基于卡尔曼滤波算法的桥梁结构振动识别方法研究

针对普通桥梁识别方法在对振动识别时,存在识别到的振动幅度与实际振动幅度相差较大的问题,提出一种新的基于卡尔曼滤波算法的桥梁结构振动识别方法。引入卡尔曼滤波算法,开展对桥梁结构振动识别方法的设计研究,结合粒子滤波原理,对桥梁结构振动信号去噪,根据得到的去噪信号数据对桥梁结构振动状态进行识别,并通过与振动阈值的对比,实现桥梁振动识别。将新的识别方法应用于实例工程可知,该方法可以实现对桥梁结构振动的准确识别,识别到的振动幅度与实际相差不超过0.05mm。

基于改进自适应卡尔曼滤波算法的锂离子电池荷电状态估计

针对锂离子电池荷电状态(state of charge,SOC)估计过程中传统卡尔曼滤波算法噪声特性难以确定、收敛速度慢及精度差等一系列问题,提出了一种改进自适应卡尔曼滤波算法。首先,建立了电池等效电路模型,并在不同温度和SOC状态下,对模型参数进行了辨识和精度验证。然后,对传统自适应卡尔曼滤波算法系统过程噪声协方差矩阵计算方式进行了正定性优化。此外,在状态估计结果的修正过程中,引入了对模型等误差变化进行补偿的增益因子。最后,通过实验电池的仿真和测试验证了所提算法的有效性。结果表明,在不同温度和工况条件下,SOC的估计误差均在4%以内,改进自适应卡尔曼滤波算法的估计精度和收敛速度均优于改进前的算法和常用的扩展卡尔曼滤波(extendedkalmanfilter,EKF)算法,具有较强的实用性。

基于指数加权平均的GNSS/SINS组合导航系统Sage-Husa自适应卡尔曼滤波算法

测量噪声异常会导致GNSS/SINS组合导航系统滤波精度下降,甚至滤波发散。为解决该问题,首先提出适用于组合导航系统的Sage-Husa自适应卡尔曼滤波方法SHAKF;然后根据滤波新息协方差的理论估计值及实际估计值构建控制因子,提出测量噪声均方差突变起始时刻及结束时刻的检测方法,构建基于指数函数变化规律的遗忘因子,进而提出基于指数加权平均的Sage-Husa自适应卡尔曼滤波方法EWASHAKF;最后将EWASHAKF应用于GNSS/SINS组合导航系统,并进行仿真实验。结果表明,相对于SHAKF,EWASHAKF能够准确地跟踪测量噪声均方差的各种变化,进而提高组合导航系统的滤波精度。

卡尔曼滤波下多源传感器数据互补-加权迭代融合算法

因多源传感器在数据融合过程中,受自身数据差异性影响较大,导致最终的融合结果精准度较低。为此,在卡尔曼滤波算法的基础上,针对多源传感器数据提出一种互补-加权迭代融合算法。建立多源传感器观测模型,找出数据融合过程中的最优加权系数。在多源传感器组合系统中引入卡尔曼滤波算法,结合互补-加权迭代融合算法,建立预测方程、状态方程、滤波互补因子以及估计均方误差方程,实现多源传感器的数据融合。实验结果表明,所提算法可以精准找出最优加权系数,观测误差始终在0.6 m以下,可以实现数据的精准融合。

卡尔曼滤波算法在辽宁东部测雨雷达降水同化适用性分析

为提高测雨雷达在辽宁地区的适用性,文章采用卡尔曼滤波算法对辽宁东部大洋河流域测雨雷达数据进行降水同化适用性分析。分析表明:采用卡尔曼滤波算法对测雨雷达数据进行同化分析后,其面降水误差可平均降低7.93%,单站降水回归方程可通过90%显著性检验。研究成果对于测雨雷达数据在辽宁地区流域面降水监测实际应用具有参考价值。

利用卡尔曼滤波算法的粮情预测与分析

粮食的安全存储,通常需要对温度、湿度、水分和CO_(2)浓度等环境信息进行常态化采集并判断粮食是否处于安全状态,为了减轻管理人员的劳动量以及做到及时处理,本文利用优化后的卡尔曼滤波算法,构建出粮情预测模型对粮库环境信息进行预测,达到提前预知粮库环境信息的变化情况。并将所构建的粮情预测模型与指数平滑法模型进行对比,结果表明:相较于指数平滑法模型,卡尔曼滤波算法所构建的粮情预测模型对各环境信息的平均误差较小,用作预测粮库环境信息行之有效,有一定的实用价值。

基于卡尔曼滤波融合算法的播深检测装置设计

针对免耕播种机工作时秸秆残茬影响播深检测有效性的问题,设计了一种采用了双路面阵雷达传感器和卡尔曼滤波融合算法的播种深度测量装置。面阵雷达利用渡越时间法测量播种深度,然后使用卡尔曼滤波融合算法消除两路传感器数据中的噪声与杂波,并将处理后数据进行融合。试验表明,在预设播深为60 mm,播种机行驶速度分别为低速(4 km/h)、中速(6 km/h)、高速(8 km/h)三种速度时,传感器测量距离的最大偏差为23 mm,34 mm,37 mm,经过滤波处理后误差为4 mm,7 mm,13 mm,再经过卡尔曼滤波融合算法后能够在预设播深60 mm上下范围浮动,试验表明经过滤波融合后的检测数据比单个面阵雷达传感器更能准确地检测播种深度,且随着速度的增加波动范围也相应增大。原因可能与车速增快时播种机在不平整地面上的波动增大有关。

基于卡尔曼滤波算法的轨迹估计研究

在无线传感器网络中节点定位系统中,基于接收信号强度指示(RSSI)技术的定位算法研究有很多,这种定位技术成本低而且易于实现,但RSSI定位技术因容易受到环境因素的影响,在测距过程中,估测距离的误差很大。在RSSI定位系统的基础上,加入系统噪声和测量噪声,根据系统状态方程和动态系统测量方程,利用卡尔曼滤波算法,对RSSI进行滤波,并估测出移动节点的运动轨迹。仿真结果表明:改进卡尔曼滤波算法提高了移动节点的运动轨迹的定位精度。

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。

基于卡尔曼滤波修正算法的电池SOC估算

电池荷电状态(SOC)的估算是电池管理系统的核心内容,SOC估算准确与否,将直接影响到电池管理系统的决策和控制。在结合开路电压法、安时法的基础上,充分利用扩展卡尔曼滤波法的修正功能,综合考虑电池充放电倍率、温度和充放电循环次数等因素对SOC估算的影响,提出了卡尔曼滤波修正算法,并将其应用在插电式混合动力汽车电池管理系统中。研究结果表明,卡尔曼滤波修正算法有效地解决了传统安时法无法估计SOC初值和误差累积,以及开路电压法需要电池静置无法做到在线估算SOC等问题,获得了更高的估算精度,为电池管理系统提供一种实用的SOC估算方案。

基于转换坐标卡尔曼滤波算法的雷达目标跟踪

在三维空间中推导了转换坐标卡尔曼滤波算法，得到了在目标真实位置已知的条件下去偏转换测量值误差方差的表达式及在测量值已知条件下去偏转换测量值误差方差的表达式，用此算法进行了雷达目标跟踪仿真，取得了较好的跟踪效果。

基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法

针对噪声环境下,基于标准容积卡尔曼滤波的LANDMARC室内定位算法因噪声特性估计不准,引起滤波性能下降而导致定位误差较大的问题,提出一种基于量子粒子群优化容积卡尔曼滤波的LANDMARC室内定位算法。该算法首先建立基于LANDMARC定位框架下的运动目标动态模型,然后引入量子粒子群优化技术对容积卡尔曼滤波中时间更新过程的状态预测值进行优化,以降低因畸变噪声引起的误差;最后将改进的容积卡尔曼滤波算法应用到运动目标状态估计中。实验结果表明,所提算法定位误差均值为0.175 m,与相同环境下传统的LANDMARC算法、基于容积卡尔曼滤波的LANDMARC算法以及基于粒子群优化容积卡尔曼滤波的LANDMARC算法相比,定位精度和稳定性均有明显提高,且运算时间比基于粒子群优化的算法少,应用在室内定位中能够得到较为真实的目标移动轨迹。

基于卡尔曼滤波算法的稻纵卷叶螟短期预测模型

利用1994-2014年中国南方四大稻区(华南、西南、江岭和江淮稻区)代表性病虫测报站的稻纵卷叶螟逐候田间赶蛾量资料,筛选出影响各站稻纵卷叶螟发生量的关键气象因子,应用卡尔曼滤波方法分别对各站建立稻纵卷叶螟迁入期候发生量的卡尔曼短期预测模型,并计算模型的准确率、误差大小和稳定性。结果表明:(1)稻纵卷叶螟发生量与前一候和前两候的田间蛾量呈极显著正相关(P<0.01),与前一候的近地面最低气温、平均气温和最高气温呈极显著正相关(P<0.01),与前一候的地面气压呈极显著负相关(P<0.01)。(2)经1994-2011年的回检拟合和2012-2014年试报检验,卡尔曼模型的发生量预测综合平均误差为-88.63,平均绝对误差为217.72,均方根误差为605.04。发生量预测综合准确率为84.33%,平均历史拟合率为83.33%,各站卡尔曼模型的预报结果与实测值基本吻合,表明模型可以应用于稻纵卷叶螟候发生量的预测。

卡尔曼体系下的滤波算法计算框架

卡尔曼体系下的滤波算法是指滤波算法中含有基于状态方程的状态预测过程和基于观测方程的状态更新过程。为了便于理解卡尔曼体系下的滤波算法计算过程,从滤波算法计算框架角度对它们分别进行了描述。提出了一个统一的卡尔曼体系下的滤波算法计算框架,该统一计算框架既可用于理解滤波算法计算过程又可用于构造新滤波算法。在统一计算框架中存在两个反馈回路,构造新滤波算法的难点在于确定两个反馈回路中的操作函数。本文以自适应卡尔曼滤波算法(Adaptive Kalman filters,AKF)为例就操作函数选择问题进行了初步探讨,证明了几种操作函数是次优的,这为最终构造一种性能优良的AKF算法奠定了良好的理论基础。

噪声统计特性未知时的鲁棒卡尔曼曼滤滤波算法设计

本文研究了噪声统计特性未知时的鲁棒卡尔曼滤波算法(RKF)设计问题.首先,提出了一种新的RKF算法设计条件,并分析了其合理性;其次,从RKF算法设计条件出发研究了RKF算法的设计问题,把RKF算法的设计过程转化为计算一组线性矩阵不等式(LMI)的可行解;再次,研究了LMI可行解的计算问题,并通过计算该LMI的可行解设计了一种RKF算法;最后,通过仿真验证了所设计的RKF算法的有效性.