基于双时间尺度扩展卡尔曼粒子滤波算法的电池组单体荷电状态估计

为实现对电池组单体荷电状态(SOC)的精确估算,首先对锂电池组单体建立增强自校正(ESC)模型,然后根据锂电池ESC模型建立电池组平均模型和各单体SOC差异模型,再对其用双时间尺度的扩展卡尔曼粒子滤波(EKPF)算法来估算电池组平均SOC值和各单体差异SOC值,从而得到电池组中各单体SOC值。对12节锂电池串联电池组进行SOC估算实验,结果表明,基于双时间尺度EKPF算法的电池组单体SOC估计方法可实现对单体SOC的精确估计,且该方法比双时间尺度扩展卡尔曼滤波算法和扩展卡尔曼滤波(EKF)算法具有更高的估算精度。

结合扩展卡尔曼滤波的快速判别尺寸空间滤波跟踪算法

为解决跟踪过程中目标发生尺度变换和遮挡导致的目标丢失问题,文中提出一种结合扩展卡尔曼滤波器的快速多尺度相关滤波跟踪算法。利用主成分分析法对提取的融合方向梯度直方图和颜色特征进行降维,再进行特征融合;根据基于对数极坐标变换和混合高斯模型的消失判断机制判断目标是否被遮挡,当目标被遮挡,用扩展卡尔曼滤波器估计目标遮挡的当前位置;用快速判别尺寸空间滤波器计算目标的尺度。文中选取5组具有代表性的视频序列测试文中算法。实验结果表明:与经典算法相比,文中算法在跟踪具有遮挡和尺度变化属性的视频序列时,中心位置误差降低了21.662 pixel,距离精度提高0.1606,可以很好地解决遮挡和尺度变化问题,同时保持着高帧率。

基于自适应并行扩展卡尔曼滤波的SITAN匹配算法

针对重力匹配辅助惯性导航系统中SITAN匹配算法状态方程存在模型误差的问题,提出了一种基于自适应并行扩展卡尔曼滤波的SITAN匹配算法。通过自适应因子调节状态预测信息的权重,抑制滤波发散,提高定位精度。同时,讨论了自适应因子的选取与构造,分析了基于并行扩展卡尔曼滤波的SITAN匹配算法发散的原因。选取南海两片重力异常特征变化剧烈程度不同的海域进行仿真试验,试验结果表明:在重力异常特征变化剧烈的区域,该算法能有效减弱惯性导航系统的定位误差,位置误差与重力基准图分辨率相当,与基于并行扩展卡尔曼滤波的SITAN匹配算法相比,系统的定位精度和鲁棒性均有提升。

并行扩展卡尔曼滤波的船舶模型参数辨识研究

随着人类对海洋的开发,对船舶数学模型的要求越来越高。为确定船舶运动模型的未知参数,首先针对船舶特点建立相应的数学模型,并提出一种并行扩展卡尔曼滤波算法,该方法通过一种并行计算使辨识效率更高,之后设计辨识实验,将得到的辨识结果进行仿真,并且与传统扩展卡尔曼辨识的结果进行对比,仿真结果表明改进的算法优于扩展卡尔曼滤波。

基于并行扩展卡尔曼滤波的自主卫星星座导航方法

针对星间距离测量容易受到外界干扰的问题,提出了一种适用于多颗地球卫星和一颗月球卫星的卫星星座自主导航的并行扩展卡尔曼滤波算法.通过解决噪声统计不确定情况下的测量调度问题来选择适当的测量,降低干扰的影响.为了自适应地选择适当的测量,提出一种基于不同来源的测量构造多个子集的并行扩展卡尔曼滤波器,其中每个扩展卡尔曼滤波器用于处理不同测量子集,并基于残差序列计算子滤波器的权重,组合并行滤波器的估计结果.通过与EKF和传统的多模型自适应估计算法进行比较,表明所提出方法在干扰条件下的三轴位置估计误差的稳定性,体现了性能优势.

基于多尺度并行卡尔曼滤波算法的电池状态参数估算

准确估算并合理利用电池的荷电状态(state of charge,SOC)与健康状态(state of health,SOH)可以延长电池的使用寿命。为了实现准确的SOC-SOH在线估计,在扩展卡尔曼滤波的基础上,采用多尺度并行扩展卡尔曼滤波估计算法(multi-scale double extended Kalman filter,MDEKF)提高估计精度。在建立电池2阶RC等效电路模型上,利用最小二乘法对模型参数进行辨识,设计并行结构的滤波器进行电池SOC估计和参数修正,并以电池组容量值作为表征量对SOH进行估算。仿真实验结果表明,SOC估计误差由1.43%降低到1.10%,SOH估计结果稳定在0.5%以内,验证了算法的快速收敛性和实时性。

基于多时间尺度Cholesky分解AEKF的锂电池SOC估计

建立可靠的锂电池荷电状态估算模型,获取精确估算值已成为锂离子电池组能源和安全管理的核心。选择锂离子电池的二阶等效电路模型为研究对象,提出了一种基于Cholesky分解优化多时间尺度自适应扩展卡尔曼滤波算法。状态方程中,对应不同状态变量子方程,选择不同采样周期,解决不同状态变量的不同时间尺度问题。考虑噪声变化,在扩展卡尔曼滤波的基础上,引入噪声的迭代估计,实现噪声的自适应矫正,结合Cholesky分解方法以克服计算的舍入误差问题。在不同工况下,选用不同型号的锂电池进行实验验证,验证该算法的普适性和有效性。

一种新的惯性导航初始对准滤波方法

Unscented卡尔曼滤波(UKF)在算法实现和估计精度方面均优于传统的扩展卡尔曼滤波(EKF)。但是当系统状态的维数比较高时,非局部的采样导致估计误差变大,此时需要采用尺度变换模式的UKF(SUKF)方法。文中在惯导系统静基座初始对准的非线性滤波问题中引入SUKF,并通过仿真对比了新方法和EKF的估计效果。实验表明,新方法的收敛速度和估计精度均好于EKF。

多尺度分析在感应电动机故障诊断中的应用

在对感应电机进行故障诊断的时候,扩展卡尔曼滤波器(EKF)只能在时域上估计电机转子的位置和速度。针对这一不足,提出了一种基于EKF和小波变换的多尺度诊断方法;通过测量电机的端电压和定子线圈电流在线估计电机转子的位置和速度。新算法结合了EKF和小波变换的优点,不仅能够分析出系统在频域上的特性,而且估计精度还要优于EKF。仿真结果说明了新算法的正确性和有效性。

基于资源分配网络的小数据集并行集成学习方法

为了在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络(RANEKF)组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。

基于DAEKF算法的锂离子电池主要状态在线联合估计

为实现三元锂离子电池荷电状态(SOC)、能量状态(SOE)和健康状态(SOH)这3种主要状态的在线联合估计,并应对电动汽车实际使用工况中各种噪声干扰带来的开环累积误差问题,提高锂离子电池在线估计的稳定性,提出了一种基于双自适应扩展卡尔曼滤波(DAEKF)算法的三元锂离子电池多时间尺度主要状态在线联合估计方法。在二阶RC模型基础上推导DAEKF算法的状态空间方程,用带遗忘因子的递推最小二乘法(FFRLS)进行在线参数辨识,以微观时间尺度进行锂离子电池SOC和SOE的在线估计,以宏观时间尺度进行锂离子电池SOH的在线估计,从而实现锂离子电池3种主要状态的在线联合估计。最后,以NVR18650B型三元锂离子电池的不同运行工况对所提出的方法进行实验验证。实验结果表明:在两种验证工况下,文中方法都能够快速收敛辨识模型参数,微观时间尺度中SOC和SOE的估计误差均稳定保持在1%以内,宏观时间尺度中SOH的估计误差稳定保持在1.6%以内;与EKF算法相比,文中所提出的方法具有更高的估算精度以及更好的估计收敛性和稳定性。

基于SUT-EKF的DGPS/DR组合定位算法

针对基于DGPS/DR的移动机器人组合定位问题,采用一种尺度无迹变换扩展卡尔曼滤波(SUT-EKF)算法。根据组合定位系统中的状态方程是非线性的,并且观测方程是线性的特点,将SUT预测移动机器人位姿,利用EKF融合最新观测值更新机器人位姿。该算法在状态预测阶段避免计算Jacobian矩阵,从而有效地减小线性化对非线性系统误差的影响。仿真结果表明,该算法具有较好的滤波精度和稳定性。

永磁同步电机磁链信息在线监测的新方法

针对卡尔曼滤波器和扩展卡尔曼滤波器只能在时域上对永磁同步电机参数进行有效估计这一弊端,文中提出一种基于卡尔曼滤波算法和小波变换的多尺度在线监测算法。结合扩展卡尔曼滤波的实时性和小波变换的多尺度性,通过测量电机的端电压和流过定子线圈的电流在线估计电机永磁体的磁场状况。新算法不仅能够在时域和频域上同时对电机故障进行实时监测,且其诊断精度优于扩展卡尔曼滤波算法。仿真结果进一步说明新算法的正确性和有效性。

基于多基地雷达系统的快速多目标跟踪算法

针对用多基地雷达系统跟踪近距离多高速机动目标的场合,提出了一种快速跟踪算法。该算法首先用观测组合预处理模块和航迹跟踪门大量剔除冗余组合数据,然后用S-D分配算法选择最小代价量测组合,计算航迹初值点,用并行扩展卡尔曼滤波算法估计确定目标的运动状态,并提出将多个目标的滤波进程和S-D分配进程并行化以提高算法的实时性。仿真结果表明,该算法不仅能快速精确地跟踪到多目标运动状态,而且具有很好的收敛特性和稳定性。

组网雷达系统对于高加速机动目标的精确跟踪研究

针对多基地雷达系统跟踪近距离高加速机动目标的场合,提出了一种并行扩展卡尔曼滤波算法。该算法首先建立起组网雷达群跟踪目标运动形态的观测模型,然后将三维加速度矢量引入到目标的运动模型中,通过并行计算的方式,在对加速度进行合理估计的基础上对量测数据进行卡尔曼滤波跟踪分析,获得目标的精确轨迹。仿真结果表明,该算法不仅能快速精确计算目标的位置和速度,而且具有很好的瞬态特性和稳态特性。

基于改进SIFT算法的双目视觉SLAM研究

SIFT算法通常用于移动机器人视觉SLAM中。但其算法复杂、计算时间长,影响视觉SLAM的性能。在两方面对SIFT改进:一是用街区距离与棋盘距离的线性组合作为相似性度量;二是采用部分特征方法完成快速匹配。应用扩展卡尔曼滤波器融合SIFT特征信息与机器人位姿信息完成SLAM。仿真实验表明,在未知室内环境下,该算法运行时间短,定位精度高。

基于单目视觉与惯导融合的无人机位姿估计

针对无卫星信号条件下仅利用惯性导航进行无人机(UAV)位姿估计精度低的问题,提出了一种基于扩展卡尔曼滤波(EKF)的单目视觉/惯导组合位姿估计算法。首先,借助超声波传感器,基于最小二乘法获取单目视觉的绝对尺度信息,从而计算得到视觉位姿估计结果;其次根据惯性测量单元(IMU)的运动学模型建立系统方程,进行惯导解算,并推导误差状态方程对系统误差状态建模;最后,将视觉位姿估计结果作为观测量,基于扩展卡尔曼滤波得到系统误差状态的最优估计值,从而对惯导解算的结果进行修正。使用该算法在室外150 m范围场景开展实验研究,位置估计的均方根误差(RMSE)低于0.995 m,航向角估计的RMSE为2.235°,水平姿态角估计的RMSE低于1.915°。

视觉和惯导信息融合小型无人机位姿估计研究

针对无人机在卫星信号失锁时仅利用纯惯导无法精确获取位姿信息的问题,提出通过扩展卡尔曼滤波对单目视觉和惯导进行信息融合的算法,并设计一个包含单目视觉、IMU及超声波传感器的组合系统。首先,利用超声波传感器通过最小二乘法完成尺度估计值的获取;其次建立IMU的系统方程进行惯导信息的解算,并完成误差状态方程的求解;最后,通过扩展卡尔曼滤波实现单目视觉与惯导的信息融合。利用该算法对无人机在200 m动态飞行的信息进行解算,实验结果表明,位置误差的均方根在0.995 m以下,水平姿态角的均方根误差在1.915°以下,偏航角的均方根误差达到了2.235°。不但提高了位姿的估计精度,而且解决了纯视觉输出频率低的问题,满足了无人机对高动态特性的需求,可解决无人机在卫星信号失锁时无法精确定位的问题。

基于量测残差估计残差协方差的RAE-PEKF匹配算法

地磁异常数据可以为水下潜器提供高隐蔽性的外部辅助信息,修正由惯性导航产生的累积误差。滤波匹配算法作为地磁辅助惯性导航中的核心技术,能够有效削弱地磁观测噪声不确定的影响。基于航迹仿真数据,将全球地磁异常格网数据作为基准图,提出使用量测残差自适应估计观测噪声方差的地磁异常并行扩展卡尔曼滤波匹配算法。通过建立一组基于地磁异常观测量的并行滤波器,结合最优滤波器选取准则来提高算法的可用性和鲁棒性。选取地磁特征分布不同的中国南海海域进行仿真匹配实验,结果表明,该算法能够有效降低纯惯性导航经纬向的匹配误差。仿真条件下,在地磁特征变化明显的区域,地磁辅助惯性导航系统的精度在纬度方向上提高至0.75153 n mile,在经度方向上提高至0.77845 n mile。

视觉同步定位与地图重建——基于先验信息的SIFT匹配算法

鉴于尺度不变特征转换(SIFT)匹配算法存在计算效率不高且容易出现误匹配的问题,针对视觉同步定位与地图重建,提出了一种基于先验信息的SIFT匹配算法.该算法首先根据机器人和特征点的相对距离变化来预测尺度空间的变化;然后根据机器人和特征点的当前状态来预测特征点的图像位置;最后在预测的图像位置进行SIFT匹配.实验结果表明该算法能显著提高SIFT匹配的计算效率和准确性.