扩展卡尔曼滤波的改进蛇定位算法在WSN中的应用

针对接收信号强度指示(Received Signal Strength Index,RSSI)定位易受到环境因素的影响,提出了一种基于RSSI扩展卡尔曼滤波的改进蛇定位算法(RSSI Extended Kalman Filter-based Improved Snake Optimization Localization Algorithm,RSSI-EISL)。该算法利用扩展卡尔曼滤波(Extended Kalman Filter,EKF)模型对RSSI信号值进行平滑处理,使其能够抑制噪声和异常值对估计结果的影响,从而提高测距的准确性和鲁棒性。通过引入Levy飞行和非线性收敛因子的改进蛇优化算法(Improved Snake Optimization Algorithm,ISO),提升了蛇优化算法(Snake Optimization Algorithm,SO)的寻优能力,使之能够更加准确地计算出待测节点的坐标。根据仿真结果显示,相较于基于RSSI最小二乘定位算法(RSSI Ordinary Least Squares Localization Algorithm,ROL)、基于RSSI EKF的灰狼定位算法(RSSI Extended Kalman Filter-based Grey Wolf Optimization Algorithm,REGL)和基于RSSI EKF的蛇定位算法(RSSI EKF-based Snake Optimization Localization Algorithm,RESL),RSSI-EISL的定位精度分别提高了26.4%、8.75%和5.6%,算法的收敛速度和全局搜索能力也有所提升。

分数阶扩展卡尔曼滤波算法的锂电池SOC估算

由于锂离子电池的SOC(state of charge)不能直接被测得,目前只能通过电池外部输出特性对其进行估算。以磷酸铁锂电池为研究对象,考虑到电池各种复杂的非线性特征,分析了电池的电化学阻抗特性,采用恒相位元件(CPE)对传统的等效电路模型进行改进,建立了分数阶(fractional order)等效电路模型;联合遗传算法和混合脉冲动力试验对分数阶等效电路模型的参数进行离线识别;基于扩展卡尔曼滤波算法,建立了分数阶扩展卡尔曼滤波算法(fractional order extended Kalman Filter)的锂电池SOC估算模型;根据动态应力试验DST(dynamic stress test)工况设计制定了锂电池充放电方案,在环境温度25℃条件下,实时采集电池电流及电压数据,将采集所得数据输入到Matlab建立的模型中,对目标电池进行SOC估算。仿真结果表明:与二阶戴维南电路模型SOC仿真结果相比,基于FEKF算法的SOC估算结果具有更高的精度且波动性更小,误差均小于0.72%,均方根误差仅为0.24%。

基于多时间尺度双扩展卡尔曼滤波的电池峰值功率估计方法

动力电池是电动汽车的技术瓶颈,其状态的高精度估计一直是行业的技术难点,不准确的状态估计值易造成安全隐患,并加速动力电池系统老化。然而,动力电池每用必衰、时变非线性、环境敏感性等特点导致对其状态的实时精准估计极具挑战性。该文针对锂离子动力电池峰值功率估计的问题,提出基于多时间尺度滑动窗口的双扩展卡尔曼滤波(DEKF)算法,基于峰值功率测试结果更新模型参数库,实现了参数的缓时变估计。评价指标显示,动力电池全寿命、全电量区间内,变温度等条件下的验证结果表明所提算法能够准确估计电池参数和功率状态,电压误差小于40 mV。

基于扩展卡尔曼滤波算法的磷酸铁锂电池荷电状态估计

电池的荷电状态(SoC,state of charge)是锂离子电池最基本的参数之一,不能直接测量得到。本文基于二阶Thevenin模型对磷酸铁锂电池进行建模分析,通过混合脉冲功率特性(HPPC,hybrid pulse power characteristic)实验对不同SoC处的模型参数进行识别。基于MATLAB/Simulink平台,搭建了变参数二阶Thevenin模型与扩展卡尔曼滤波(EKF,extended Kalman filter)算法相结合的估算系统。仿真结果表明,估算系统在不同工况下的仿真误差不超过2.5%,为锂离子电池管理系统的搭建提供了支持。

基于扩展卡尔曼滤波算法的港口智能无人内集卡状态估计研究

为了保证港口智能无人内集卡行驶安全和作业效率,使用Trucksim软件模拟货车的运行条件,同时采用Simulink软件建立魔术轮胎模型并设计扩展卡尔曼滤波算法,对智能无人内集卡的纵向车速、横摆角速度和质心侧偏角进行估计。在典型工况下对比实际输出参数与估计参数,结果验证了算法的准确性与实时性,可为智能无人内集卡行驶状态参数估计研究提供技术指导。

基于二阶近似扩展卡尔曼滤波的锂离子电池SOC估计

为提高电池荷电状态(SOC)估计的准确性,更高阶的扩展卡尔曼滤波(EKF)算法被用来估计SOC值。首先建立锂离子电池一阶Thevenin等效电路模型,采用样条函数来表述开路电压(OCV)和SOC值的函数关系。为更加精确地识别等效电路模型参数,提出一种新的带有可变遗忘因子最小二乘法(VFFRLS)的算法来在线识别模型参数。由于VFFRLS解的精度依赖于算法初始值的设定,为此采用改进粒子群算法求得模型初始参数值,进而得到更加精确的VFFRLS初始值。最后采用二阶EKF来估计电池的SOC值,以此提高估计精度。两组不同的数据集用来证明二阶EKF估计SOC值具有普适性。实验结果表明,二阶EKF在估计不同工况条件下的SOC值时,平均绝对误差(MAE)都保持在1%以内,由此证明了所提方法的有效性。

结合扩展卡尔曼滤波的CamShift移动目标跟踪算法

CamShift算法是一种利用颜色信息对移动目标进行跟踪的算法,当目标快速运动或者受到干扰时容易导致跟踪失败。因此提出了一种结合CamShift与扩展卡尔曼滤波的移动目标跟踪算法,使用扩展卡尔曼滤波对目标运动速度和空间位置进行预测,同时采用目标加权直方图改进CamShift算法。所研究的算法能有效地克服目标背景干扰,存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。实验结果表明,所研究的方法能够对移动目标持续稳定地跟踪。

基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态(SOC)难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波(IPSO-EKF)算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明:IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。

改进粒子群算法优化扩展卡尔曼滤波器电机转速估计

针对感应电机扩展卡尔曼滤波器转速估计中难以取得卡尔曼滤波器系统噪声矩阵和测量噪声矩阵最优值的问题,提出了一种基于改进粒子群算法优化的扩展卡尔曼滤波器转速估计方法。算法通过融合遗传算法和粒子群算法的优点,采用可调整的算法模型对粒子群算法进行改进,将改进的粒子群算法对扩展卡尔曼滤波器中的系统噪声矩阵和测量噪声矩阵进行优化处理,将优化后的卡尔曼滤波器应用于感应电机转速估计。仿真实验表明,与试探法、标准粒子群算法及遗传算法比较,改进粒子群算法优化的扩展卡尔曼滤波器能够有效提高转速估计的精度,从而提高无速度传感器矢量控制系统的控制性能。

扩展卡尔曼滤波和配准算法的工业机器人误差补偿

针对现有工业机器人误差,特别是工业机器人末端轨迹精度低、实时监测计算复杂等问题,提出利用扩展卡尔曼滤波器和配准算法组合提高机器人末端轨迹精度的算法,解决了机器人末端精度低、控制补偿不准确等问题。建立SCARA机器人数学模型,同时建立基于扩展卡尔曼滤波和配准算法的机器人误差补偿模型,通过扩展卡尔曼滤波、配准算法进行误差补偿,实现了末端精度的提高。通过仿真验证,分析对比机械手末端轨迹补偿前后的误差,证明了算法的可靠性与准确性。

永磁同步电机的改进扩展卡尔曼滤波测速算法

针对使用增量式编码器的永磁同步电机(PMSM)伺服系统中的传统测速算法(M算法结合低通滤波)存在的时延与不准确的问题,提出了一种改进的扩展卡尔曼滤波(EKF)测速算法.该方法在不修改原有电路的前提下,利用EKF算法抑制噪声且不产生时延的特点,针对性地设计了观测模型,并通过矩阵变换与利用定点数字信号处理器累加溢出的周期性,极大地简化了原有的EKF算法.实验结果证明:该算法能够在电机的整个运行过程中给出相对实时的、准确的速度估计值,在一定程度上改善了电机的调速性能,并且算法具有很强的实用性.

用基于遗传优化的扩展卡尔曼滤波算法辨识电池模型参数

提出了一种基于遗传优化算法(Genetic algorithm,GA)和扩展卡尔曼滤波(ExtendedKalman filter,EKF)算法的电池模型参数辨识方法。建立了锂离子动力电池等效电路模型,模型中两个RC网络分别描述电池的电化学极化特性和浓差极化特性,迟滞电压描述电池充放电过程的平衡电势的差异。对于具有耦合关系的模型参数,采用具有最小均方误差估计效果的EKF辨识算法,针对EKF算法通过试验调节难以取得最佳滤波效果的问题,提出基于遗传算法优化EKF噪声矩阵的方法。试验和仿真结果表明:基于遗传优化的EKF算法(GA-EKF)辨识的电池模型满足电动车辆仿真精度要求。

基于多种模型的扩展卡尔曼滤波算法的SOC估算

为了提高电池荷电状态(SOC)估算的准确性,比较了一阶简化模型与二阶RC模型在SOC估算过程中的影响程度。使用扩展卡尔曼滤波的估算方法,分别通过两个模型进行估算。通过Matlab对实验工况进行仿真,实验结果表明,一阶简化模型相对较差,误差超过了10%,而二阶RC模型估算精确度较高,误差仅在5%左右,且其估算矩阵可以在硬件上实现,为电池管理系统提供了一种更加精确的估算方案。

基于扩展卡尔曼滤波的人体行为识别算法

针对人体行为事件,研究了多传感器数据采集模型和扩展卡尔曼滤波优化算法的应用。系统将加速度传感器分量数据映射为三维加速度空间,并与压力传感器数据结合建立四维实时数据采集空间。基于系统的模型特征,提出了非线性系统下的扩展卡尔曼滤波算法。系统利用优化算法对数据实现最优估计,并依据传感器信噪比对优化数据进一步修正,之后在系统设定的传感器信任级别和融合权重的基础上完成人体行为识别。实验结果表明,本文算法可以提高数据空间的精度和平滑度,可对人体行为进行有效识别。

基于扩展卡尔曼滤波的电动汽车锂离子电池SOC估算

新能源汽车的高速发展主要依赖于动力电池技术水平的突破,动力电池管理系统(BMS)是其关键技术所在。动力电池荷电状态(SOC)是动力电池的重要参数,该参数可表示电池所剩容量的多少,是动力电池管理系统(BMS)对动力电池进行能量管理和控制的关键参数,同时对新能源整车动力系统控制提供主要依据。本文根据锂离子动力电池的基本工作原理,建立二阶RC的等效电路模型,应用由卡尔曼滤波算法(KF)更新后的扩展卡尔曼滤波算法(EKF)对锂离子动力电池SOC进行估计计算,发现该算法具有较高精度,且预估能力较强。

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确地获取爬架运行时的姿态信息,提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法(improved Sage-Husa extended Kalman filter, ISHEKF)的爬架姿态估计方法。首先建立了爬架姿态估计模型,然后在扩展卡尔曼滤波(extended Kalman filter, EKF)对传感器进行融合滤波时,加入Sage-Husa扩展卡尔曼算法(SHEKF)对时变噪声进行调节,再以协方差匹配技术对Sage-Husa进行滤波发散判定,通过在调节因子中引入爬架实时运动速度,改进滤波发散判定依据,从而满足爬架运行时高精度的滤波要求。实验结果表明:在静态实验中,以横滚角为例,ISHEKF的最大误差较SHEKF减少了21.9%,较EKF的最大误差减少了70.8%;在动态实验中,ISHEKF表现出更好的稳定性和滤波精度,能够准确反映爬架运行的状态变化。

基于扩展卡尔曼滤波神经网络算法的公路货运周转量预测

介绍了扩展卡尔曼滤波的原理,针对人工神经网络神经元之间权值的调整过程,建立了权值调整的状态空间模型,并采用扩展卡尔曼滤波对该模型的状态变量进行递推估计。文中仿真以全国历年公路货运周转量为例,分别采用BP算法和扩展卡尔曼滤波算法对神经网络进行训练,2种训练方法预测的结果对比表明扩展卡尔曼滤波训练算法具有更好的准确性和更高的运算效率。

基于多模型扩展卡尔曼滤波的组合导航算法

在非线性系统的滤波过程中,扩展卡尔曼滤波的状态估计常常是有偏的,非线性函数的线性逼近精度是有限的,为此提出了多模型线性化扩展卡尔曼滤波。将非线性模型在状态估计附近的多个点进行线性化得到一组线性化模型,利用扩展卡尔曼滤波得到每个模型的状态估计,再对多个线性化模型进行概率加权融合。通过组合导航系统验证了算法的可行性。

基于扩展卡尔曼滤波的时钟模型辅助定位算法

在城市峡谷、深坑矿、林地周边等应用场合中,由于卫星信号被遮挡导致接收机观测量不足而无法完成导航解算,提出了一种新的时钟模型辅助定位方法,即同时利用伪距和多普勒观测量,通过扩展卡尔曼滤波器实时估算得到接收机钟偏和钟漂参数,并构建时钟模型,在导航信号缺失情况下利用该时钟模型进行辅助定位。仿真分析和车载实验结果表明,该方法在卫星导航信号缺失后仍然能够继续完成实时定位解算,使得系统可用性得到显著改善。

基于观测方程重构滤波算法的锂离子电池荷电状态估计

滤波算法中观测方程的准确性在电池状态评估中起着决定性作用。然而,该文通过试验发现,由于温度、工作电流和荷电状态(SOC)的影响,即使使用精度较高的电池模型,扩展卡尔曼滤波(EKF)算法中观测方程的输出值与实际电压之间仍会存在较大误差,即产生了较大的新息。该文提出一种基于观测方程重组的增强型扩展卡尔曼滤波(E-EKF)算法。该算法的核心思想是利用具有温度、SOC和电流自适应能力的误差修正策略对观测方程进行重组,实现算法中新息的降低,进而提高SOC估计的准确性。使用两种不同温度下的典型工况试验对E-EKF算法的性能进行了验证。试验结果表明,该算法能够适应不同的温度和工况,并具有较高的SOC估计精度。