图象雅可比矩阵的在线Kalman滤波估计

通过分析现有图象雅可比矩阵的在线辨识方法 ,提出一种新的辨识思路。将雅可比矩阵的在线估计转化为系统的状态观测 ,并设计了相应的 Kalman- Bucy滤波估计算法。以双目立体视觉反馈下的运动目标跟踪任务为例 ,通过仿真和实验说明了所提出方法的有效性。

基于滑动窗口的三维机动目标在线Kalman滤波研究

对机动目标的在线跟踪是军民领域中的重要研究课题。基于雷达数据设计了一个实现三维机动目标在线跟踪的模型。首先,针对一类三维机动目标的跟踪模型,利用窗口平滑的方法获得了运动方程噪声的功率谱密度矩阵;其次,通过构造目标的运动方程和观测方程,利用Kalman滤波给出目标的最优估计。数值例子表明,对于高机动目标,该方法能够提供比较好的跟踪效果。

基于Kalman滤波与应变信号的舰船轴系推力辨识研究

在线、实时、准确监测舰船螺旋桨推力对船-机-桨匹配设计、舰船快速性预报及推进轴系健康管理等具有重要意义。然而,受轴系振动及环境干扰等测量噪声影响,螺旋桨推力产生的微弱应变信号易被测量噪声淹没,导致难以准确测量推力。当前,一些常用的信号降噪方法,比如傅里叶变换、小波分析等均是基于纯数据降噪,未考虑测量数据中潜藏的力学机制。不同于这类降噪方法,Kalman滤波可同时考虑测量数据噪声及数据中的力学机制,对目标实现最小方差无偏估计,因而有更高的估计精度。因此,本文利用Kalman滤波结合应变测量信号提出一种螺旋桨推力高精度、在线辨识方法。以恒定转速、变转速及低频波动转速3种工况为例,研究了不同信噪比下本文方法的推力辨识精度与鲁棒性。研究表明,在信噪比仅为20 d B时,推力辨识最大相对误差仅为4.85%,因此本文方法在低信噪比下仍有很高的辨识精度与鲁棒性。同时,本文提出方法属于时域辨识方法,在转速突变、螺旋桨缠绕渔网等突发工况时亦能实时跟踪推力变化,因此可用于螺旋桨推力及轴系状态的在线、实时监测。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于自适应强跟踪Kalman滤波的GNSS跟踪环路设计

为提高GNSS接收机跟踪环路在复杂环境下的跟踪性能,提出一种基于自适应强跟踪Kalman滤波(ASTKF)的跟踪环路,在传统跟踪环路的基础上,以鉴相器输出为观测量进行自适应强跟踪Kalman滤波,滤波结果用于计算导航滤波器的观测量,同时将伪码频率和载波多普勒频率反馈到码NCO和载波NCO,在ASTKF中使用基于卡方分布的渐消因子计算方法,提升跟踪环路鲁棒性。半物理仿真实验表明,相比于基于Kalman滤波的跟踪环路和基于强跟踪Kalman滤波(STKF)的跟踪环路,所提出方法在水平方向上的位置误差和速度误差减小20%以上,有效提高了卫星导航接收机的定位性能。

改进扩展Kalman滤波的显微视觉压电驱动定位

在显微视觉领域,压电驱动定位技术因其在微观尺度的高精度特性和灵活性备受关注。然而,由于定位过程中涉及图像处理、传输和控制等方面的时延,导致图像雅可比矩阵的估计会出现较大误差。因此,本文提出了一种改进扩展Kalman滤波算法用来预测图像雅可比矩阵,大幅度降低时间延迟因素。首先,将辨识得到的Bouc-Wen模型与扩展Kalman滤波算法的状态观测方程相结合,使得状态观测方程更全面地考虑压电平台的迟滞非线性特性,有效地提高了对压电平台速度和位置的预测;其次,结合Bouc-Wen模型的扩展Kalman滤波算法在面对非线性问题时,采用的是泰勒级数,这将导致扩展Kalman滤波算法对高度非线性的函数无法提供良好的近似,从而导致在估计雅可比矩阵的时候引入较大的近似误差,故本文将采用神经网络对高度非线性函数进行近似,进而对图像雅可比矩阵进行估计。最后,通过搭建一个显微视觉的压电驱动实验平台,进行位置跟踪实验,仿真实验表明,输入信号分别为正弦信号和三角波信号时,改进扩展Kalman滤波算法跟踪误差均值分别为0.199μm和0.132μm,而扩展Kalman滤波算法的跟踪误差均值分别为0.692μm和0.513μm,结果验证了改进算法的优越性和可行性。

基于集合变换Kalman滤波的流场高效重构

湍流场的准确估计在航空航天领域具有重要意义,现有的获取手段在分辨率或者准确性方面是不足的。实验测量准确却往往测点数量有限,数值计算能获得全场数据,但精度却难以保障。数据同化方法融合了实验观测和数值模拟,是进行流场重构的有效工具。探索了基于集合变换Kalman滤波(ensemble transform Kalman filter,ETKF)的数据同化方法在空间流场重构方面的有效性,并讨论了不同迭代更新模式的重构精度和计算效率,即状态变量基于湍流模型更新的ETKF-M和基于流场数据更新的ETKF-D。以ONERA M6机翼作为数值算例,结合风洞实验翼型表面271测压孔的压力测量数据进行算法实验,结果表明ETKF方法的不同迭代模式均有效修正了湍流模型的预测,并且ETKF-D相对于ETKF-M提升了83%的计算效率。此外,选取两组不同位置的1/4实验测点进行同化实验,得到不同精度的结果,这表明重构的精度与同化测点的位置和数量密切相关。

基于在线滤波的ENSO强度预测模型及2023/2024年El Niño强度的预测

本文利用在线滤波代替Lanczos滤波,建立实时的累积高频风指数并构建ENSO强度预测模型。结果显示,在线滤波定义的累积高频风事件与Lanczos滤波有着类似的时空分布特征,这一大气信号与海洋充放电过程是决定ENSO成熟期强度的关键信号,且在冷暖位相下呈高度非对称特征。La Niña成熟期强度主要与2月热带太平洋的暖水体积及前一年12月至当年4月赤道中西太平洋累积东风事件紧密相关。相较之下,El Niño成熟期强度则与热带太平洋更大范围的海洋充电过程和东扩的西风事件紧密联系。基于上述非对称热带海气信号构建的ENSO强度预测模型可以稳定有效且较准确地预测ENSO强度。模型在6个月的预报时效下预测2023/2024年冬季Ni1o3.4约为1.9℃,为一次强El Niño事件。

基于离散Kalman滤波的计算机网络通信异常节点识别方法

传统异常节点识别方法存在效率较低、精准度较差的局限性,为解决以上问题,现提出基于离散Kalman滤波的计算机网络通信异常节点识别方法。首先,基于离散Kalman滤波构建通信节点测量信道模型,使系统的平方误差降至最小,从而为离散过程的优化设计提供递推算法,其次,提取计算机网络通信异常节点特征,将所有的异常进攻事件都分割成不同的数据集合,最后,实现计算机网络通信异常节点的定位并识别。实验结果证明:基于离散Kalman滤波的计算机网络通信异常节点识别方法识别准确率可达到99%以上,能够准确识别出异常节点,具有较高的识别精度。

基于Kalman滤波思想的接触线高度检测数据粗差修正算法

接触线高度平顺性是评价接触网设备动态运行质量的重要指标。针对接触线高度检测数据中的粗差,基于Kalman滤波思想提出相应的粗差辨识与修正算法。将接触线高度视作一个连续平稳系统,利用矩形窗函数定义系统状态值,实现检测数据的分段线性化;依据系统状态值的回归预测方法和状态差异的量化方案,构建粗差辨识与修正算法,并引入适用于锚段关节处双支接触线采集特征的回溯机制;基于大量实测数据,采用显著性检验等统计方法确定算法参数,并从回溯、修正、运用和实时性等方面,对算法有效性和可行性进行分析验证,结果表明:该算法能够完成各类接触线高度检测粗差的高速实时辨识与修正。

基于无迹卡尔曼滤波水下WPT系统副边关键参数在线辨识

为提升无线电能传输(wireless power transfer,WPT)系统传输性能,需在控制过程中实时获取负载与耦合系数等关键信息,而该信息的获取目前普遍采用无线通讯模块或增加额外通信线圈等方式,增加了系统复杂度,尤其面临复杂水下工况及高频电磁环境,在通讯过程中极易造成通讯异常而导致系统瘫痪。为此,文中提出一种新型基于无迹卡尔曼滤波的WPT系统互感及负载关键参数在线识别方法,该方法仅需采样原边侧电压瞬时值,即可实时获取互感与负载等关键参数信息。同时为提升辨识精度与收敛速度,采用离线式神经网络指导粒子群优化算法建立系统噪声协方差矩阵。实验结果表明,该算法具有模型简单、计算精度较高等特点,在变负载、变移相控制角及偏移情况下,所提出的在线辨识方法对负载与互感的最大识别误差分别为6.19%和1.7%,且2 ms左右即可完成负载的动态识别,具有一定的工程应用价值。

基于Kalman滤波的组合预测模型在建筑物变形监测中的应用

根据建筑物沉降监测数据的特点,结合Kalman滤波算法、BP神经网络模型以及AR自回归模型在数据降噪、数据预测中的优势,提出并构建了一种新的基于Kalman滤波的BP-AR沉降预测模型。该组合预测模型实现建筑物变形预测的主要步骤为:首先,通过Kalman滤波算法对原始观测数据进行降噪,消除随机噪声误差对观测数据的影响;其次,通过BP神经网络模型对降噪后序列进行建模与预测;最后使用AR模型对预测残差进行建模与预测。通过实际建筑物沉降监测数据对本文提出的组合预测模型进行验证,结果表明相较于BP神经网络模型与BP-AR模型,本文提出的组合预测模型的预测精度更高,有效降低了噪声影响,具有较高的优越性。

基于滤波提取及滑窗算法的短路比在线辨识方案

随着“双高”趋势给电网带来的弱网稳定性威胁,为实现对电网强度的实时监测,需进行短路比的在线辨识。许多辨识方法均需设计复杂的谐波提取算法或采用高精度高速率的采样分析仪器,操作困难,成本较高。为降低短路比辨识难度,设计了基于滤波特性的扰动响应分量提取方法及数据检离群滑窗算法,并搭建了2.5 MW风电机组并网模型。仿真结果表明:短路比辨识误差在5%以内,辨识数据也具有较好的稳定性和准确性,验证了所提方案的可行性和工程应用潜力。

基于不同状态模型Kalman滤波的建筑物沉降预测研究

建筑物形变预测预报对减少生命财产损失具有重要意义,基于形变监测数据构建模型是形变预测分析的重要方法。本文利用Kalman滤波,基于不同状态模型构建预测算法,并分析验证不同模型的预测精度,以获取最优预测模型,提高预测精度。本文选取了长安大学地学科技大厦的各期形变监测数据,并结合Kalman滤波算法,分别采用随机游走、常速度、常加速度3种不同状态的估计模型,建立建筑物沉降预测算法,并对不同算法进行实验验证和对比分析。结果表明,基于常加速度状态预测模型的预测结果精度优于常速度状态预测模型和随机游走预测模型Kalman滤波的预测结果,其精度分别提高了15%和21%。

利用扩展卡尔曼滤波对无人机进行在线辨识

为了实施带自适应增益的PID控制,较好地实现轨迹跟踪任务,提出一种基于扩展卡尔曼滤波的在线辨识方法。首先,对六旋翼无人机(UAV)以离散时间模型进行建模,考虑了UAV控制系统的非线性特征。然后,针对UAV非线性离散时间模型,开发基于扩展卡尔曼滤波器的神经估计器,利用状态估计完成在线辨识,从而调节PID增益,完成跟踪任务。实验结果验证了所提方法的有效性,所提辨识模型可应用于非线性和未知动力学的系统,具有一定实用性。

基于神经网络和Kalman滤波的陀螺阵列融合算法

针对微机械陀螺测量精度和可靠性低的问题,提出了基于神经网络和Kalman滤波的陀螺阵列融合算法。将神经网络与Kalman滤波相结合,利用LSTM-RNN计算每个陀螺的置信度;再将每个陀螺的置信度、测量值及Kalman滤波估计的角速度输入给BP神经网络进行数据融合,使得BP网络在训练时拥有更多关于陀螺的特征信息,从而提高角速度的融合精度。由于率先得到了每个陀螺的置信度,使得BP网络可以更容易辨识出故障陀螺,从而减小对故障陀螺测量数据的利用率。经实际系统验证,在陀螺存在故障的情况下,所提算法的陀螺阵列MAE和RMSE相比Kalman滤波分别降低了80.25%、81.39%,相比只有测量值输入的LSTM-RNN融合算法分别降低了60.33%、63.41%,具有较强的容错性和鲁棒性。

基于自适应Kalman滤波的物联网异常节点位置识别研究

针对物联网异常节点识别结果不准确和时间较长等问题,文章提出一种基于自适应Kalman滤波的物联网异常节点位置识别方法。分析物联网中节点的空间分布情况,组建物联网各个节点之间的通信信道传输模型,引入载波调制方估计各个通信信道特征参量取值,通过自适应Kalman滤波提取异常节点的特征参量,对全部异常特征参量进行融合和过滤处理。分析处理结果,采用特征模糊聚类对物联网异常节点位置识别。通过实验对比可知,所提方法可以高效率高精度完成物联网异常节点位置识别。

基于Kalman滤波的图像雅克比矩阵在线估计

视觉伺服机器人主要是通过系统的图像雅克比矩阵表述机器人系统的特征空间进行反馈控制.首先建立了SCARA型机器人系统,针对系统图像雅克比矩阵的物理意义,利用雅克比矩阵增量ΔJ建立系统状态方程,以Kalman滤波的方法对系统雅克比矩阵进行在线估计.在Matlab仿真的基础上对此方法进行分析,并将其运用于二维目标的跟踪,实验表明此方法的有效性.

基于无迹Kalman滤波的车辆速度和质心侧偏角的估计

为满足车辆主动安全控制功能需求,需提升车辆在强非线性特性下的状态观测精度,提出一种基于无迹Kalman滤波(UKF)的模块化车辆横纵向速度状态观测器结构。该结构利用车载传感器信息,结合UKF观测纵向和横向速度,根据质心侧偏角的定义,计算车辆质心侧偏角。在干燥路面上,进行数字仿真以及实车实验。结果表明:在强非线性状态下,基于UKF的车辆质心侧偏角估计的仿真结果的均方根误差(RMSE)为0.425°,实车实验的RMSE为0.001°,而使用扩展Kalman滤波(EKF)估计的仿真结果 RMSE为0.968°,实车实验的RMSE为0.009°。因此,UKF可以抑制车辆行驶中的干扰对观测的影响,使本观测器结构有较高的观测精度,可满足工程需要。

基于Kalman滤波的GB-InSAR时序处理方法

传统的GB-InSAR时序处理方法针对整个数据集或分组进行实时处理,该类方法占用大量的电脑内存,效率低,不能满足边坡监测的时效性,无法实现形变预测与灾害预警预报.针对此种情况,提出了基于Kalman滤波的GB-InSAR边坡形变监测实时处理方法.以河北省迁安市马兰庄铁矿边坡监测为例进行分析,提出方法在实验所用解算平台下,在1 min内可解算出研究区当前时刻形变量,并可以预测下一时刻的形变量,与传统时序InSAR的结果相比,时序形变标准差优于1 mm.