基于无迹粒子滤波改进算法的电池容量衰退预测研究

为了提高电池容量预测的准确性和适用性,提出一种基于无迹粒子滤波的改进算法。为了减小滤波迭代过程的观测误差,引入支持向量回归算法对其予以改进。由于支持向量回归算法中的核函数与惩罚因子较难确定,提出使用遗传算法的寻优能力对其进行求解,形成一种经遗传算法和支持向量回归改进的模型。对这种融合模型进行性能评估,并与UPF-SVR和UPF-RVR进行对比,实验结果显示,融合模型预测结果的平均绝对误差E_(MA)和均方根误差S_(RMSE)分别低于2.0%和2.5%,相比其它模型预测精度更高,同时预测水平和收敛性均显著优于其它模型,更具有效性和可行性。

基于改进的无迹粒子滤波算法的列车组合定位方法研究

列车实时定位是保证列车安全运行的重要环节。随着北斗卫星导航系统的发展,北斗卫星已逐步具备应用于列车定位的能力。针对北斗导航定位系统的特点及存在的问题,将SINS系统作为其补充定位方式。由于传统滤波算法在进行状态估计时仍存在粒子退化现象,为了进一步提高估计性能,提出了基于人工免疫无迹粒子滤波算法(AI-UPF)的列车组合定位方法。将人工免疫算法引入UPF算法的重采样过程,对粒子进行克隆和变异,改善了样本集的多样性,减轻了退化现象的影响。用该方法和UPF算法分别对北斗/SINS列车组合定位系统进行仿真实验。结果表明,AI-UPF算法能进一步减小定位误差,滤波效果较好。

衰减记忆无迹卡尔曼粒子滤波算法研究

无迹卡尔曼粒子滤波算法作为典型的粒子滤波改进算法,有效提高了滤波精度.但旧的数据影响过大,导致滤波发散,借鉴衰减记忆无迹卡尔曼滤波算法的思想,通过引进衰减因子实现对当前测量数据利用的加强,减小历史数据对滤波结果的影响,提出了一种基于衰减记忆无迹卡尔曼滤波的粒子滤波算法.仿真实验表明,算法能够提供优于传统无迹卡尔曼滤波算法的跟踪精度.

改进粒子滤波算法的比较

重要性密度函数的选择对粒子滤波至关重要,围绕重要性密度函数的选择,已提出许多改进粒子滤波算法,典型的有扩展卡尔曼粒子滤波(EPF),不敏卡尔曼粒子滤波(UPF)、辅助粒子滤波(APF)及正则化粒子滤波(RPF)。详细讨论了4种改进粒子滤波算法的基本思想、性能特点及主要步骤。通过对一典型标量非线性系统的滤波实验,对4种改进算法的性能进行了仿真比较,实验结果表明,4种改进算法都从不同程度上改善了粒子滤波器的性能,其中,UPF的性能最优。最后,分析了各算法的改进原因。

基于量子遗传和无迹粒子滤波的人体运动跟踪

提出一种人体运动跟踪算法,用于解决多关节人体运动跟踪问题。由于无迹粒子滤波存在样本贫化现象,因而对目标运动估计产生影响,尤其估计模型为复杂的马尔可夫链的时域问题的影响尤为严重。通过分析产生该现象的原因,在无迹粒子滤波中引入量子遗传算法:一方面,增加样本集的多样性而缓解样本贫化现象的影响;另一方面,改善其估计、跟踪能力并有效缩短了计算时间。实验结果表明,所提出算法很好地减轻了样本贫化现象对无迹粒子滤波的影响,并提高了多关节人体运动跟踪的准确性,跟踪结果令人满意。

一种新的改进粒子滤波算法

标准粒子滤波算法存在的最大问题是粒子退化,针对这一问题,提出了一种改进的粒子滤波算法,该算法将无迹卡尔曼滤波算法(UKF)、混合遗传模拟退火算法和基本粒子滤波算法相结合,运用无迹卡尔曼滤波算法获得重要性函数,提高了粒子的使用效率;运用混合遗传模拟退火算法的进化思想,提高了粒子的多样性.仿真结果表明,新算法很好地解决了基本粒子滤波算法存在的粒子退化问题,提高了系统的滤波精度和稳定性(在信噪比为16 dB时,精度提高80%以上),较好地抑制了噪声的干扰.

一种新的进化裂变粒子滤波算法

针对经典自举粒子滤波中的重要性函数选取和重采样所导致的样本枯竭问题,提出了一种基于进化裂变的改进粒子滤波算法.该算法首先采用无迹卡尔曼滤波算法产生重要性函数,然后对重要性采样粒子进行裂变通过进化策略更新粒子集以增加粒子多样性,从而克服经典自举滤波重采样过程中的粒子退化问题.仿真实验表明,该算法能有效地提高跟踪精度,跟踪性能优于经典粒子滤波算法.

基于改进粒子滤波算法的医疗锂电池PHM系统设计

针对维持生命的医疗电子设备的锂离子电池维修问题,设计了一套故障预测与健康管理系统(Prognostics and Health Management-PHM),提出了PHM系统的实现框架;通过搭建一套电池控制应力水平实验平台并将故障注入锂离子电池中,来进行数据采集;建立基于阿列纽斯模型(Arrhenius Model)的医疗电子设备的锂离子电池模型,通过无迹粒子滤波(Unscented Particle Filter-UPF)算法和粒子滤波(Particle Filter-PF)算法计算出实时故障的概率并给出剩余寿命预测以及健康管理维护方法;通过Matlab对比UPF和PF的预测剩余寿命的仿真结果与实验所测数据的吻合度,选出UPF算法为最优算法并及时诊断故障,为后续维护提供建议。

基于平方根UPF的电力系统鲁棒预测状态估计

针对辅助预测状态估计器在迭代计算中会出现状态预测误差协方差矩阵不正定,导致估计精度差甚至发散的问题,提出了基于平方根UPF的电力系统鲁棒辅助预测状态估计。该方法采用两种数学方法:矩阵Cholesky分解因子更新和矩阵QR分解,引入平方根技术动态更新状态预测误差协方差矩阵以保持状态预测误差协方差矩阵的正定性。运用MATLAB进行仿真模拟测试,结果表明:IEEE 30节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.09%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.14%;IEEE 57节点系统非高斯噪声测试中,平方根UPF电压相角的均方根误差平均值为UPF相应测试值的0.67%,平方根UPF电压幅值的均方根误差平均值为UPF相应测试值的0.57%。所提出的平方根UPF对解决辅助预测状态估计中状态预测误差协方差矩阵不正定的问题具有很好的效果,具有更高估计精度和鲁棒性。

运动声阵列自适应交互多模型无迹粒子滤波

为了提高三维运动声阵列在有色噪声环境中对二维机动目标的跟踪精度,提出了一种基于测量残差的自适应交互多模型无迹粒子滤波算法。该算法建立了三维运动声阵列跟踪系统动态模型,通过无迹变换(unscented transformation,UT)构造初始粒子概率分布函数,利用测量残差及自适应因子实时修正测量协方差和状态协方差;通过不同算法仿真对比,验证了文中算法在跟踪精度、稳定性及实时性上的有效性。

基于改进粒子滤波算法的Bouc-Wen模型参数在线识别方法

在线模型参数更新是提高结构混合试验中数值子结构模型精度的有效手段。为了提高强非线性模型参数在线识别精度,在标准粒子滤波算法的基础上提出了一种改进的辅助无迹粒子滤波算法。在重要性采样中,基于最新观测信息采用无迹卡尔曼滤波方法计算每一个粒子估计,以提高粒子非线性变换估计精度;在重采样过程中,引入辅助因子修正粒子权值,以丰富粒子多样性、削弱粒子退化现象。采用改进粒子滤波算法针对Bouc-Wen模型进行了在线参数识别,并与标准粒子滤波算法、扩展卡尔曼粒子滤波算法以及无迹粒子滤波算法的参数识别精度和计算效率进行对比分析。结果表明,与其它3种算法相比,辅助无迹粒子滤波算法在单步计算耗时增加的基础上,在线参数识别精度明显提高,参数识别值波动幅度显著降低。最后,通过橡胶隔震支座拟静力试验,验证了采用改进粒子滤波算法在线识别Bouc-Wen模型参数方法的有效性。

一种用于高保真锂电池SOC估计的无迹粒子滤波新方法

动力锂电池作为新能源汽车核心“三电”系统之一,其准确的电池建模与状态预估能确保电池管理系统安全启动及稳定运转。以三元锂电池为研究对象,构建Thevenin等效电路模型,在传统粒子滤波(PF)基础上,选择合适的建议密度函数,提出了一种采用均值、方差更精密计算的无迹粒子滤波算法(UPF),解决粒子贫化问题,探获锂电池荷电状态(SOC)。该方法通过对理论分析的进一步完善,结合不同工况实验对锂电池工作特性研究,结果表明UPF估算锂电池SOC时,系统鲁棒性提高、跟随效果较好,且估算误差稳定控制在1.5%以内,为动力电池带来了很好的实用价值。

基于分数阶无迹粒子滤波的动力电池SOC估计

针对纯电动汽车动力电池组荷电状态(SOC)估计问题,提出一种基于可变温度的分数阶Thevenin模型的建模方法,并采用分数阶无迹粒子滤波(FUPF)算法估计电池SOC。建立Thevenin模型的分数阶电池模型,采用试验设计(DOE)方法和遗传算法进行参数辨识,利用FUPF算法对SOC进行估计,并与无迹粒子滤波算法进行比较。试验结果表明,基于FUPF算法与可变温度的分数阶电池模型的SOC估计方法能够在较宽温度范围内保持较高的估计精度且比整数阶模型估计精度更高。

无迹卡尔曼滤波和无迹粒子滤波在惯导初始对准中的应用对比

捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法无迹卡尔曼滤波UKF与无迹粒子滤波UPF,并将两者进行了仿真对比,结果表明(UPF)算法比(UKF)算法收敛速度更快,估计精度更高。

基于PSO-BP-UKF算法的锂电池SOC估计方法研究

锂电池的荷电状态(SOC)是锂电池质量管理的核心之一。基于有效的SOC估计是确保锂电池安全高效工作的必要条件,提出一种利用粒子群算法(PSO)优化反向传播(BP)神经网络,并将优化后的BP神经网络SOC输出值作为无迹卡尔曼滤波(UKF)观测值的锂电池SOC估计方法。使用来自马里兰大学的FUDS工况电池测试数据,将所提的PSO-BP-UKF算法与GA-BP-UKF算法、BP算法进行对比。结果表明,在25℃环境下,PSO-BP-UKF算法的最大偏差<3.17%,平均误差<6.44%,均方根偏差<0.0025,相比GA-BP-UKF算法和BP方法都有较大幅度的提高,说明所提算法具备有效性与实用性。

基于优化无迹Kalman滤波的电网动态谐波估计

提出一种基于粒子群优化的无迹卡尔曼滤波(particle swarm optimized unscented Kalman filter,PSOUKF)的电网动态谐波估计方法,利用包含种群分类与动态学习因子的改进粒子群优化算法,优化无迹卡尔曼滤波算法(unscented Kalman filter,UKF)的状态噪声协方差和观测噪声协方差,使系统噪声对电网动态谐波估计结果的影响得到充分考虑,克服了传统UKF算法将这两种方差视为常数导致的动态谐波估计精度低的缺陷.仿真结果表明,PSOKUF算法比卡尔曼滤波(Kalman filter,KF)算法和传统的UKF算法更有效,在没有增加计算复杂度的情况下,能够提高动态谐波估计精度.

IMM-UPF算法在机动目标跟踪中的研究

为解决机动目标跟踪的非线性和噪声不确定等问题,提出了一种新的滤波算法:融合了交互式多模型(IMM)、粒子滤波(PF)和无迹卡尔曼滤波(UKF)的IMM-UPF算法。该算法采用多模型结构以跟踪目标的任意机动,粒子滤波能处理非线性、非高斯问题,而采用UKF产生粒子,由于考虑了当前观测值,使得粒子的分布更接近后验概率密度分布,克服粒子的退化现象,从而提高估计精度。系统的模型集根据实际的目标系统设计了三个非线性模型。通过实例仿真,结果证明了IMM-UPF算法的有效性,且其性能优于PF、UPF算法。

两飞行体相对定位技术及其滤波算法研究

为了解决两飞行体相互之间的定位问题,在二维平面运动模型的基础上提出了相位差变化率定位方法,进行了可观测分析,给出了可观测分析结果。同时简单介绍了几种典型非线性滤波算法,并将EKF(ExtendedKalman Filter)、UKF(Unscented Kalman Filter)、PF(Particle Filter)等非线性滤波方法应用到定位模型中。仿真结果表明,UKF方法用时最短,PF滤波方法精度最高。

一种新的UPF算法在导航定位中的研究

为解决导航解算中粒子滤波的粒子退化现象和UPF(Unscented Particle Filter)算法存在计算量偏大的缺点,利用最小偏度单形采样结合比例修正算法,优化UPF算法中的重要性密度函数,并应用于PVA模型的导航定位解算。最终通过仿真实验结果表明,改进后的算法尤其能在平面方向得到较好的导航解,并且减少了计算量,提升了导航效率。

UPF算法在OFDM时变信道估计中的应用

为了提高正交频分复用(OFDM)系统中时变信道估计的精度和系统性能,提出一种利用无迹粒子滤波(UPF)算法的OFDM时变信道估计方法。该方法首先将OFDM系统时变信道建模为具有动态特性的状态方程,然后利用UPF算法,结合接收信号动态地估计信道状态。仿真结果表明:在高斯和非高斯环境下,所提的方法均可以获得比采用传统粒子滤波(PF)算法的信道估计方法更高的估计精度和更好的系统性能,因此适用于实际系统。