基于扩展卡尔曼滤波器的锂电池SOC估算仿真研究

为弥补动力电池组中安时积分法、开路电压法估算锂电池荷电状态(SOC,StateOfCharge)的缺点,在Matlab环境下介绍了一种使用扩展的卡尔曼滤波器估算SOC的仿真方法,并对整个过程的模型建立、电路搭建、参数辨识以及软件使用进行了详细的阐述。通过仿真实验表明其估算误差不超过3%,验证了方法的准确性以及对初值的不敏感性,是一种稳定的、可靠性高的SOC估算方法。

卡尔曼滤波器参数分析与应用方法研究

介绍卡尔曼滤波器及其各种衍生方法。首先给出卡尔曼滤波器的算法流程以及所有参数的含义,并对影响滤波效果的五个主要参数进行了讨论。然后通过仿真实验研究不同的参数取值对于卡尔曼滤波的影响。最后总结在不同应用场景下使用卡尔曼滤波器的宗旨和要点。

感应电机功率转换系统滤波技术的研究——扩展卡尔曼滤波器设计

提出了一种扩展卡尔曼滤波器的设计,将卡尔曼滤波算法推广至非线性感应电机系统的参数辨识。扩展卡尔曼滤波器采用工程实际中普遍采用的泰勒展开式截断的方法,对非线性方程进行线性化处理。在仿真中将这种算法应用于六相感应电机模型中,仿真结果证明扩展卡尔曼滤波器获得了很好的动态跟踪性能以及低速状态下良好的观测效果。

迭代无味卡尔曼滤波器的算法实现与应用评价

为了对各种迭代无味卡尔曼滤波(iterated unscented Kalman filter,IUKF)算法的应用及性能表现给出较为全面、客观的评价,分别导出并探讨了3种IUKF算法之间的内在联系。多种情况下的仿真应用表明,当观测噪声不太大,且该非线性系统状态的后验密度为可用高斯分布很好近似的单峰形式时,或者说是引起系统非线性的状态量是完全瞬时可观测时,选用恰当的IUKF算法,通过2～3次迭代,就可以在保持滤波一致性的条件下,进一步获得显著的精度收益;否则,IUKF相对于无味卡尔曼滤波(unscented Kalman filter,UKF)的迭代收益就难以保证。

无轨迹卡尔曼滤波器在感应电机转速估计中的应用研究

无轨迹卡尔曼滤波器(UKF)作为扩展卡尔曼滤波器(EKF)的进化算法在许多非线性估计问题上取得了成功的应用。探讨了在感应电机转速估计领域引入UKF是否能获得明显优于EKF的估计性能这一问题。通过仿真及实验对比,分析了采样周期以及滤波器参数对UKF及EKF估计性能的影响,从各个方面评估、比较了UKF与EKF的转速估计性能。仿真及实验结果表明UKF并不能以预想的突出优势在感应电机转速估计问题上取代EKF,EKF仍旧是这一特定问题的最有效和最可行的算法。

一种基于加性潜变量的扩维卡尔曼滤波方法

现有面对非线性系统所设计的卡尔曼滤波器的性能常随着非线性程度的增强而逐步退化。为了弥补扩展卡尔曼滤波和无迹卡尔曼滤波在线性化过程中的不足之处,文中针对一类由线性项和非线性项累加组成的强非线性系统,建立了一种基于潜变量的扩维卡尔曼滤波方法。该方法将非线性项定义为原始系统的潜变量,并建立了关于潜变量的线性动态关联模型,将潜变量扩维到系统原始的状态变量中,从而建立以原始变量和潜变量为基础的线性系统模型。最后设计出该类系统的高阶扩维卡尔曼滤波器,并经过MATLAB仿真验证了新设计滤波器的有效性与准确性。

基于Unscented卡尔曼滤波器的管道泄漏的快速检测与定位

针对扩展卡尔曼滤波器(EKF)对非线性模型进行状态估计时,需要将非线性模型进行线性化,而天然气管道模型的非线性程度十分严重的情况,提出一种基于无偏卡尔曼滤波器(UKF)估计的管道泄漏检测与定位方法。该方法是一类用采样策略逼近非线性模型的方法,避免了线性化,并且不需要计算Jacob矩阵,UKF的收敛速度明显优于EKF,能够快速地检测出泄漏。仿真结果说明UKF在泄漏检测中相对于EKF的优势。

基于星凸形随机超曲面模型多扩展目标多伯努利滤波器

针对复杂不确定性环境下具有不规则形状的多扩展目标跟踪问题,提出了一种基于星凸形随机超曲面模型(Starconvex RHM)的多扩展目标多伯努利滤波算法.首先,在有限集统计(Finite set statistics,FISST)理论框架下,采用多伯努利随机有限集(MBer-RFS)和泊松RFS(Possion-RFS)分别描述多扩展目标的状态和观测,并给出扩展目标势均衡多目标多伯努利(ET-CBMeMBer)滤波器.其次,利用RHM去描述任意星凸形扩展目标的量测源分布,提出了容积卡尔曼高斯混合星凸形多扩展目标多伯努利滤波器.此外,本文给出了一种多扩展目标不规则形状估计性能的评价指标.最后,通过多扩展目标和具有形状突变的多群目标的跟踪仿真实验验证了本文方法的有效性.

直角坐标系下的水下被动目标跟踪自适应卡尔曼滤波算法

针对纯方位被动目标跟踪中,直角坐标系下的扩展卡尔曼滤波器容易发散,导致滤波精度很差的情况,文章中提出了一种直角坐标系下自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测模型的线性化误差,削减系统的观测误差,并对其滤波理论及其算法进行了研究和仿真,结果表明,该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。

CO-OFDM系统中基于卡尔曼滤波对相位噪声补偿算法的研究

基于卡尔曼滤波提出了两种相干光正交频分复用(CO-OFDM)系统的相位噪声补偿算法,这两种算法在发射端的时域均插入导频,并在接收端对导频进行卡尔曼滤波,最后利用插值算法补全全部子载波的相位噪声。仿真结果表明,基于最小均方误差(MMSE)准则的判决反馈算法在相位噪声比率为10^(-4)时,系统误码率约为10^(-4),并且出现了错误平层,而基于卡尔曼滤波所提出的两种相位噪声算法在大相位噪声的情况下仍然具有较好性能且能有效地降低错误平层,因而所提出的相位噪声补偿算法能改善CO-OFDM系统的性能。

无迹卡尔曼滤波(UKF)的应用比较分析

在高斯噪声环境下,由于扩展卡尔曼滤波(EKF)在目标跟踪应用中精度低和可能出现的滤波发散,将无迹卡尔曼滤波(UKF)应用于非线性系统的目标跟踪.通过UKF在目标跟踪中的应用和仿真结果的分析比较表明,与EKF相比较,UKF收敛快、对噪声适应能力强,算法实现简单.

转换测量值卡尔曼滤波的激光目标跟踪

为了解决在实际的目标跟踪系统中测量方程与运动方程的非线性问题 ,在传统的卡尔曼滤波的基础上提出了转换测量值的卡尔曼滤波器 ,并以此为基础在三维空间对其进行了推导 ,最后结合激光器的特点把它应用于激光跟踪目标的仿真 .与扩展卡尔曼滤波相比较 ,应用转换测量值卡尔曼滤波器进行仿真的精度要明显高于应用扩展卡尔曼滤波器所得到的结果 .

2种卡尔曼滤波算法的应用分析

将传统的扩展卡尔曼滤波(EKF)和基于无味变换(UT)和标准卡尔曼滤波体系相结合的无味卡尔曼滤波(UKF)算法应用于反辐射导弹抗雷达关机的技术中,并对其进行仿真分析。结果表明,UKF算法具有跟快的收敛性和具有更高的精度,并能有效克服非线性严重时出现的滤波发散的问题,较好地达到了反辐射导弹抗雷达关机的目的。

一种基于扩展Kalman滤波器的载波跟踪环

目前,低轨卫星接收机通常工作在高动态低信噪比环境下,为了适应输入信号的大的多普勒动态,载波跟踪环路需要增加环路带宽,而在低信噪比情况下时,增加环路带宽导致进入到环路的噪声增加,环路失锁概率增大。文章给出一种在高动态低信噪比环境下的扩展Kalman滤波器(EKF)的载波跟踪环。该环路不仅可以自适应的改变环路带宽,并且利用积分-清零滤波器的输出直接作为EKF的观测向量,避免使用鉴相器带来信噪比的损失。

基于自适应卡尔曼滤波的电池荷电状态估算

提出基于自适应卡尔曼滤波(AEKF)的磷酸铁锂锂离子电池荷电状态(SOC)估算方法,以改进型新一代汽车合作计划(PNGV)等效电路模型为基础,提高SOC估算的稳定性和精度。在MVEG-A和FTP75工况下,相比于常规扩展卡尔曼滤波(EKF)算法,AEFK算法可实时估计未知噪声的均值和方差,误差率分别降低4.846%和3.672%,估算精度得到提高。

OFDM系统中联合卡尔曼滤波与导频符号的快变信道估计算法

在移动通信系统中,随着信道时延扩展及多径数目的不断增加,导致在快变信道的估计中,需要估计的基扩展系数大量增加。因此,需要插入更多的导频符号来估计基扩展系数,这将会严重降低频谱利用率。为有效降低导频符号的使用量,我们首先从频域方向插入离散的导频符号,然后利用一种基于卡尔曼滤波器的循环迭代算法,估计出各导频符号间的数据符号作为虚导频。该算法相比连续的梳状导频估计方法,能够有效地降低导频符号的使用量,大大提高频谱利用率。

随机超曲面模型容积卡尔曼扩展目标跟踪算法

针对复杂环境下不规则形状的星凸形扩展目标跟踪问题,论文提出了一种基于随机超曲面模型(RHM)的容积卡尔曼扩展目标跟踪算法。首先,利用随机超曲面模型对星凸形扩展目标的量测源进行建模,建立扩展目标的跟踪滤波量测模型。然后,详细推导并提出基于RHM的容积卡尔曼扩展目标跟踪算法的实现过程。最后,通过构造具有不规则形状的扩展目标跟踪仿真实验验证了论文所提算法的有效性。

大失准角下SINS的KF/EKF2混合滤波对准

针对捷联惯导系统(SINS)大失准角下滤波对准过程中非线性滤波器状态维数过大的问题,提出了一种基于模型分解的卡尔曼滤波/二阶扩展卡尔曼滤波(KF/EKF2)混合滤波方法,将基于欧拉平台误差角的非线性滤波模型分解为线性部分和非线性部分,分别采用线性KF滤波和非线性EKF2滤波处理,并且设计了混合滤波的滤波步骤。实验结果表明,KF/EKF2混合滤波算法在计算量、实时性及精度等方面优于最常用的无迹卡尔曼滤波(UKF)和EKF2滤波。

基于高斯—施密特粒子滤波器的多机器人协同定位

多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统。已经应用于本领域的各种非线性算法主要有两种:一种是扩展卡尔曼滤波算法(EKF),它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器(PF)。本文介绍了一种改进的粒子滤波器,即高斯-施密特粒子滤波器(GHPF),重点比较这三种算法在多机器人协同定位领域的应用效果。

球坐标系下多普勒雷达目标跟踪滤波器

将仅仅考虑位置量测的三维去偏一致转换量测卡尔曼滤波算法进行推广,以解决包含多普勒量测且斜距和多普勒的量测误差相关的雷达目标跟踪问题。首先利用斜距和多普勒量测的乘积构造伪量测,以减小多普勒量测和目标运动状态之间的强非线性程度;然后利用嵌套条件方法得到了转换量测误差前两阶矩的一致性估计;最后根据转换量测是目标运动状态二次函数的特性,用二阶EKF最优地实现了非线性跟踪滤波。Monte-Carlo仿真结果表明采用新算法可以明显改善跟踪滤波器的性能。