基于多新息Kalman滤波的TLD改进算法

针对跟踪检测学习(tracking learning detection,TLD)跟踪算法中目标被遮挡后跟踪失败以及跟踪精度不高的问题,本文提出基于多新息Klaman滤波的TLD改进算法,在原始TLD跟踪算法的基础上加入了多新息Klaman滤波算法。改进算法对跟踪目标建模,将TLD跟踪算法的结果作为系统当前状态的观测值,结合多新息Kalman滤波算法的预测值,最优化检测结果,作为当前帧中目标的跟踪位置。通过实验对原始TLD和改进后的TLD算法进行比较,通过在标准测试序列的实验验证,加入多新息Kalman滤波的TLD改进算法与原始TLD算法相比,其跟踪误差更小,而且实现了对跟踪目标被遮挡后的位置预测。

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。

基于多新息最小二乘和多新息扩展卡尔曼滤波算法的锂电池SOC估计

针对现有SOC(荷电状态)估计方法中电池模型参数恒定,没有考虑电池模型参数的动态变化,导致SOC的估计不够精准的问题,文中提出了一种基于电池模型参数在线辨识与SOC估计联合的算法。在二阶RC等效电路模型基础上,采用多新息最小二乘(Multi Innovation Least Squares,MILS)算法对锂离子电池模型中的参数进行在线辨识,从而对电池模型进行实时修正;同时基于修正后的电池模型,采用多新息扩展卡尔曼滤波(Multi Innovation Extended Kalman Filter,MIEKF)算法对电池荷电状态进行估计。MILS算法可以解决在线参数辨识过程中的初始误差累积问题,能够实现模型参数的在线精准辨识,MIEKF算法融合了多新息理论和卡尔曼滤波理论,加入了遗忘因子以削弱历史数据并修正权重,解决了数据过饱和问题,具有较高的准确性和收敛性。实验结果表明,在对电池模型进行参数辨识时,MILS算法、RLS算法辨识的均方根误差分别为1.4、1.9 mV,MILS算法相比RLS算法的估计精度提高了26.3%;对于参数辨识后SOC的估计,MIEKF算法估计的均方根误差为0.0037,EKF算法、AEKF算法估计的均方根误差分别为0.0073、0.0052,MIEKF算法比EKF算法的估计精度提高了49.31%,比AEKF算法的估计精度提高了28.84%;并且在给定SOC初值错误的情况下,文中所提出算法在电池开始工作后30 s左右就能够收敛到真实值,是一种精度高而且鲁棒性好的有效估计方法。

Kalman滤波在自动化监测数据噪声处理上的应用研究

对Kalman滤波在静力水准和固定式测斜仪原始数据降噪处理中的应用进行研究。结果表明,在缓慢变形条件下,Kalman滤波可以有效过滤原始数据中的噪声,提供试验结果,还原监测对象真实变形情况。但在突发变形情况下,Kal-man滤波反应滞后。因此,实际应用中应综合使用滤波前和滤波后的数据,以更准确地研判变形趋势和规律,为自动监测数据的噪声处理提供了新的思路和方法。通过Kalman滤波的应用,可以进一步提高监测数据的准确性和可靠性,为工程安全监测和地质灾害预警等领域提供支持。

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(state of charge, SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(multi innovation extended Kalman filter, MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。

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。

模糊自适应Kalman滤波算法在SINS/DR组合导航的应用

针对里程仪测量误差导致组合导航精度降低的问题,提出基于系统工作状态和滤波器新息状态相结合的模糊自适应算法。根据新息的变化确定模糊规则,修正里程仪输出增益,使新息始终保持在零均值附近,利用修正后的新息修正观测噪声方差,降低导航定位的偏差。仿真实验结果证明,该算法能够很好地提高组合导航定位的精度。

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%。

陀螺仪随机误差的渐进遗忘多新息Kalman滤波

MEMS陀螺仪由于小体积、低价格等优点在民用领域得到了广泛应用,但是由于工艺水平限制,MEMS陀螺仪测量数据中存在大量的随机误差。为了减小MEMS陀螺仪测量的随机误差、提高测量精度,提出了基于渐进遗忘多新息Kalman滤波的随机误差滤波方法。建立了MEMS陀螺仪随机误差的AR模型,在经典Kalman滤波中引入了多新息修正方法,并使用渐进遗忘因子削弱历史数据的积累干扰作用,从而给出了随机误差的渐进遗忘多新息Kalman滤波方法。同时,使用经典Kalman滤波和渐进遗忘多新息Kalman滤波对MEMS陀螺仪输出数据进行处理,并使用Allan方差分析各噪声含量,可知:渐进遗忘多新息Kalman滤波后的数据其QN噪声比经典Kalman滤波减小了2个数量级,ARW噪声减小了1个数量级,BI噪声减小了2个数量级,RRW噪声和RR噪声减小为原来的约1/5,实验结果验证了渐进遗忘多新息Kalman滤波在陀螺仪随机误差滤波中的先进性。

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。

Kalman滤波新息正交性抗野值法研究

在Kalman滤波应用过程中,观测值中的野值是影响滤波效果的重要因素。当观测中含有野值时,破坏了Kalman滤波新息的正交性,从而造成估计不准,滤波精度下降。本文提出了修正Kalman滤波新息正交性的方法,使修正后的Kalman滤波新息能够保持修正前的新息正交性。仿真结果表明,本文提出的方法有效地抑制观测中的野值对系统滤波的不利影响。