基于推广卡尔曼滤波算法的SOC估算策略

为了估算锂离子动力电池的荷电状态,以Thevenin模型为基础,建立了数学关系简单,易于工程实现的状态空间模型。在此基础上,对模型进行了线性化处理,采用推广卡尔曼滤波算法实现了对电池荷电状态的估算。仿真结果表明,该模型能较好地体现电池的动静态特性,推广卡尔曼滤波算法在估算过程中能保持很好的精度,并对初始值的误差有很强的修正作用,对噪声有很强的抑制作用。

改进型自适应推广卡尔曼滤波器的应用

针对在被动方式下进行水下目标跟踪容易导致滤波发散和收敛精度不高的问题 ,介绍了一种改进的自适应推广卡尔曼滤波算法。它能够在线估计虚拟观测噪声的统计特性 ,从而克服了观测模型线性化误差带来的不良影响。同时 ,通过引入修正增益函数 ,克服了由于观测噪声的统计特性不能精确已知而导致的滤波不稳定问题。仿真结果表明 ,不管是滤波精度还是收敛速度 ,都优于原来的自适应推广卡尔曼滤波算法。

基于推广卡尔曼滤波算法的永磁同步电机无位置传感器控制

介绍了一种基于推广卡尔曼滤波算法的永磁同步电机无位置传感器控制方案。利用推广卡尔曼滤波模型,由DSP(TM S320LF 2407)实时估算电机的转角eθ和转速ωe,使定转子磁场始终保持合适的位置并同步,利用空间矢量电压对系统进行矢量控制,实现调速。仿真结果表明,所提出的永磁同步电动机(PM SM)无传感器控制方法具有较强的鲁棒性和满意的性能。

基于推广卡尔曼滤波算法的结构模型的参数识别

近年来,在结构工程领域中出现了许多参数识别技术,并将这些技术用于结构损伤程度的评价。但是目前多数结构识别方法都是模态参数识别。本文是基于推广卡尔曼滤波的算法,从结构模型的输入激励信号和输出的响应信号中,直接识别结构模型的物理参数。同时针对结构系统的特点,提出解耦的结构参数识别算法,大大降低了参数估计的计算量。在文中给出两个结构模型的几次振动台在地震波输入下识别的结果,并根据所识别的参数对结构模型破坏程度进行评阶,结果表明该方法对结构参数估计是一种有效的方法。

基于推广卡尔曼滤波的无源定位系统仿真

在现代电子战、信息战环境中,由于利用目标辐射电磁信息的无源探测定位系统具有自身隐蔽和探测距离远等优点,因此它具有重要的应用价值,并已成为当今非线性跟踪与估计研究领域的热点问题.针对无源定位中状态空间模型非线性和程度较高所引起的滤波发散问题,分析总结了推广卡尔曼滤波(EKF)次优递推滤波过程,最后给出滤波方程及仿真结果.

应用推广卡尔曼滤波实时定轨时的初轨确定方法研究

应用推广卡尔曼定轨方法实时时,要求在短时间内提供较精确的初始轨道.本文针对此问题,提出利用较短时间观测数据计算航天器运行轨道的较精确的初轨方法,并用理论轨道数据对算法进行软件仿真.结果表明,该方法所解算的初轨,在考虑一定的随机误差及系统误差条件下,基本满足定轨精度要求,是一种有效的初轨确定手段.在工程中具有实际应用价值.

一种反馈修正推广卡尔曼滤波算法及其应用

针对在被动方式下进行目标定位时滤波收敛速度慢和估计精度不高的问题 ,本文介绍了一种反馈修正推广卡尔曼滤波算法。通过引入可观性弱的距离及距离变化率的估计值作为反馈变量 ,作为虚拟观测变量对系统状态进行二次估计 ,可以大大提高算法的收敛速度 ,本文对该算法进行了详细的推导并将其应用于目标被动定位估计器设计中。仿真结果表明 ,该算法在收敛速度 。

改进推广卡尔曼滤波算法在目标跟踪中的运用

对推广卡尔曼滤波算法进行了改进,提出了运用自适应门限滤除不可信观测向量的方法。在复杂多变的电磁环境中,有效的剔除不可信观测向量和防止有用信息的丢失一直是一对矛盾。改进的算法通过新息序列方差的统计信息确定自适应门限,并且对观测向量的每一个元素分别进行判决。仿真结果证明,该算法能够在防止有用信息丢失的同时有效剔除不可信观测向量,进而减小导引头的滤波误差。

基于平方根推广卡尔曼滤波的星载GPS定轨

本文探讨了利用星载GPS数据实现平方根推广卡尔曼滤波(SR-EKF)定轨的方法,采用SR-EKF对两颗GRACE卫星进行了定轨试验计算,并将计算结果与Bernese5.0的计算结果进行了比较,比较分析表明:采用SR-EKF方法进行GRACE卫星定轨可以得到优于10cm的定轨精度;经验力参数可以平衡几何观测信息和动力模型信息,但增大了观测异常对定轨结果的影响;对位置和速度进行噪声补偿可以减弱观测异常对定轨结果的影响,但有可能使轨道出现系统性偏差。

混合坐标下的卡尔曼滤波应用于水下被动目标跟踪

针对水下被动目标跟踪数据率低、跟踪误差大的特点和难点 ,研究了混合坐标下的自适应推广卡尔曼滤波算法 ,并将其应用于水下被动目标跟踪估计器设计。该算法充分应用了直角坐标系下动态方程的线性特性和极坐标系下测量方程的线性特性 ,针对两坐标体系间协方差矩阵变换的近似 ,引入了虚拟噪声进行补偿。通过系统的 Monte Carlo仿真结果表明

U-卡尔曼滤波在状态估计中的应用

本文介绍了新的滤波估计方法— U卡尔曼滤波。 UKF能给出最佳估计的至少二阶近似。本文通过一个时间序列的仿真实例说明 UKF比 EKF的估计精度要高。

分布逼近的卡尔曼滤波及其在星载GPS卫星定轨中的应用

探讨了利用推广卡尔曼滤波估计非线性系统状态时存在的问题,进而简要介绍了 目前自动控制领域广泛使用的分布逼近的卡尔曼滤波UKF(Unscented Kalman Filter). 考虑到卫星定轨中系统的动态方程和量测方程存在严重非线性的情形,提出了将UKF用 于星载GPS卫星定轨.实例计算结果表明,UKF的性能要优于推广卡尔曼滤波.

内模自适应卡尔曼滤波在视觉诱发脑电信号提取中的应用──提取视觉诱发脑电信号的新方法之五

基于确定性有用信号和扰动各自的内模建立了视觉诱发脑电（ＶＥＰ）和自发脑电（ＥＥＧ）混合信号的扩展状态空间模型．然后，将利用非线性推广卡尔曼滤波迭代型算法所形成的内模自适应卡尔曼滤波算法用于提取ＶＥＰ信号．数字仿真和临床试用结果表明了该方法的有效性．

基于测向交叉和卡尔曼滤波的多舰无源被动定位算法

在分布式多舰无源被动定位算法中 ,用修正增益推广卡尔曼滤波器对海上运动舰艇辐射源进行纯方位跟踪时 ,会出现滤波发散的情况。本文讨论了进行多舰纯方位定位跟踪融合的方法 ,提出一种通过测向交叉定位的结果来改进修正增益推广卡尔曼滤波器的方法 ,提高其稳定性 ,减少其滤波发散的可能 ,提高定位精度 。

雷达目标跟踪的转换坐标卡尔曼滤波算法

该文采用转换坐标卡尔曼滤波算法(CMKF)进行雷达目标跟踪,先将极坐标系下的测量值经坐标变换转换到直角坐标系下,再用统计的方法求出转换测量误差的均值和方差,去偏后利用标准卡尔曼滤波算法对目标进行跟踪。将仿真结果和推广卡尔曼滤波算法(EKF)的进行比较,结果表明,CMKF的滤波精度更高。

一种复合模板迭代的推广卡尔曼图像滤波

图像去噪面临的问题主要有三点:一是噪声抑制和细节保留之间的矛盾;二是实时性与算法复杂度之间的矛盾;三是理想化噪声统计模型与噪声多样性之间的矛盾。由于不同类型滤波模板对不同噪声模型适应性不同,不同尺寸的滤波模板对细节保留程度不同,为此,建立不同类型、不同尺寸的滤波模板的状态方程和观测方程,利用推广的卡尔曼滤波理论将非线性模型近似线性化,利用各模板的观测值,进行卡尔曼滤波。

被动测距的可观测性分析和滤波方法

首先建立运动单站被动测距的数学模型,然后分析被动测距的可观测性,并针对实际应用提出了相应的滤波估计方法。可观测性问题分析了具有不同运动特征的目标在仅有方位角和俯仰角测量时能计算位置坐标的充分条件,将被动测距归结为典型的间接测量问题。由于直接测量的方位角和俯仰角与位置坐标的关系构成非线性测量方程,利用离散状态空间模型的分析方法,将被动测距描述为非线性状态估计问题。推广卡尔曼滤波、粒子滤波是求解被动测距非线性状态估计的常用方法。模拟了实际的被动测距模型,并用推广卡尔曼滤波和粒子滤波方法估计目标的位置坐标序列。模拟实验表明:这两种方法在运动单站被动测距中是有效的。

卫星自主轨道确定的自校准滤波

研究在导航敏感器测量带有系统偏差情况下的卫星自主轨道确定问题,已有的大量研究表明这类系统偏差是影响自主轨道确定系统性能的关键因素。针对这一问题,本文基于线性时变系统的可观性理论证明了系统偏差为未知常值时,自主导航系统的状态和常值偏差都是可观的。在此基础上设计了将系统偏差作为状态向量新增分量的自校准滤波器以估计轨道参数,同时校准系统偏差。数学仿真结果表明,采用自校准滤波可以将自主导航的位置精度从10km(3σ)量级提高到200-500m(3σ)。

高精度星载GPS实时定轨卡尔曼滤波模型

在动力学模型补偿算法的基础上,推导了星载GPS实时定轨的卡尔曼滤波模型。以此为理论基础,自主研制了星载GPS实时定轨软件SATODS。使用CHAMP卫星上的星载GPS实测伪距数据以及GPS卫星广播星历来模拟实时定轨数据处理,并将实时定轨结果与JPL精密轨道进行比较分析。结果表明,在滤波收敛后,实时定轨的轨道精度和速度精度的3dRMS分别可达到1.0m和1.2mm/s,受观测数据的GPS卫星数、PDOP值、粗差数据和数据中断等因素的影响较小。

基于初距划分的纯方位目标跟踪的EKF滤波器群

利用EKF对纯方位目标跟踪的工程算法进行了探讨。目标初距范围被划分成若干个小单元,每个小单元形成预估初距;在观测器匀速直航下,EKF滤波器群分别估计目标-观测器相对速度与初始距离比值;然后每个滤波器利用新量测方位估计目标参数,同时依据Bayes-ian公式更新滤波器概率密度;观测器匀速下预估状态初始值,降低了误差影响,提高了推广卡尔曼滤波方法(EKF)收敛率;多滤波器算法便于并行计算和实时处理,符合工程要求。