基于有限差分扩展卡尔曼滤波的锂离子电池SOC估计

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术。针对锂离子电池这一动态非线性系统,以二阶RC等效电路模型为基础,采用递推最小二乘法估算模型参数,运用有限差分扩展卡尔曼滤波算法对电池荷电状态进行估算。仿真结果表明,该模型能较好地体现电池的动态特性,有限差分扩展卡尔曼滤波算法在估算过程中能保持很好的精度,并可以有效地减小由模型误差引入的荷电状态估计误差。

用于弹道目标跟踪的有限差分扩展卡尔曼滤波算法

针对目前常用的滤波算法不能同时做到精确和高效跟踪目标的缺点,提出一种有限差分扩展卡尔曼滤波(FDEKF)算法用于再入阶段的弹道目标跟踪.该算法应用有限差分运算得到滤波的验前、验后误差协方差矩阵,避免了非线性函数求导运算,以及Jacobian阵和Hessian阵的计算,降低了计算难度,扩大了应用范围,增强了滤波过程的收敛性.Monte Carlo数值仿真表明,FDEKF算法与扩展卡尔曼滤波(EKF)算法和无味卡尔曼滤波(UKF)算法相比较,在跟踪精度上比EKF算法提高了约20%,与UKF算法相当,在计算复杂度上比EKF算法稍有增加,但比UKF算法低约39%.这说明FDEKF算法在计算量增加不多的情况下,滤波精度有显著提高.

基于中心差分扩展卡尔曼滤波的电源频率估计

针对扩展卡尔曼滤波算法(EKF)和无迹卡尔曼滤波算法(UKF)在处理飞机供电系统的交流电压频率估计方面所表现出的估计精度和实时性问题,提出了一种采用中心差分计算EKF中非线性函数一阶导数的基于中心差分扩展卡尔曼滤波(CDEKF)算法。理论分析和仿真表明:CDEKF虽然计算时间比EKF稍有增加,但比UKF的计算时间少,而计算精度比EKF有显著提高,与UKF的计算精度相当。

基于中心差分扩展卡尔曼滤波算法的三相感应电机转速和转矩的估计

针对三相感应电机在转速和转矩测试过程中,存在采集数据易受外界干扰而导致转速和转矩等估计值出现较大偏差的问题,提出采用中心差心扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的估计.首先,以三相感应电机的定子和转子电流作为状态变量,推导出了三相感应电机在α-β坐标系下的状态方程和输出方程.然后,采用中心差分扩展卡尔曼滤波算法实现对三相感应电机转速和转矩的解算.仿真结果表明,与扩展卡尔曼滤波算法相比,中心差分扩展卡尔曼滤波算法对电机运行状态的变化具有更好的跟随性能及更快的收敛速度,能够准确的估计三相感应电机的转速和转矩.

基于扩展卡尔曼滤波的移动机器人变结构线性化复合跟踪控制

研究了移动机器人轨迹跟踪控制问题,通过坐标变换将轨迹跟踪问题转化为误差系统的镇定问题.基于反馈线性化和变结构控制思想提出一种复合有限时间变结构线性化跟踪控制算法,其首先使误差系统驶向角初始误差快速收敛到滑模边界层,然后采用连续状态反馈控制律来实现驶向角误差的无抖振快速镇定,同时将原误差系统转化为低阶系统;其次针对低阶系统设计了位置误差的状态反馈控制律,实现了位置误差的有限时间镇定.针对有系统噪声和量测噪声的误差系统,利用扩展卡尔曼滤波(EKF)进行误差状态估计,并以估计值构成反馈控制律.通过数值仿真验证了控制策略的有效性.

基于扩展卡尔曼滤波算法的RBF神经网络主动视觉跟踪

本文模拟人眼生理结构,创建了一种新型视觉仿生跟踪系统,提出一种基于扩展Kalman滤波RBF神经网络主动跟踪方法。首先,利用背景差分方法从背景中将目标分离,采用HSV颜色空间模型得到消除阴影的目标图像,并获取目标的位置形状特征。其次,将扩展卡尔曼滤波器与多输出的径向基(RBF)函数相结合作为学习算法,应用于基于人眼视觉仿生的运动目标的实时跟踪,当神经网络的结构确定后,EKF可以同时确定中心节点向量和网络的权值矩阵,使跟踪变得简单和稳定。最后,实验结果表明,所采用的方法,通过运动目标跟踪的特征选择与识别实现基于人眼视觉仿生的主动视觉跟踪,该算法估算精度高、计算量小、易于实现,有一定实用性。

改进的扩展卡尔曼滤波算法研究

扩展卡尔曼滤波已被广泛地应用到工程实际等各领域,但是此算法因假设过程噪声固定而带来误差,精度不高。研究了一种改进的EKF算法,主要通过假设过程噪声由滤波结果和观测结果得到,再用差分进化算法对所得到的过程噪声方差进行最优化选择来提高滤波精度,通过Matlab对算法进行验证,并与EKF滤波效果、无迹卡尔曼滤波效果进行比较,结果表明,改进的扩展卡尔曼滤波算法减小了状态估计偏差,获得了比较理想的滤波效果,提高了滤波精度。

基于改进的扩展卡尔曼滤波在GPS测速中的应用

汽车电子控制系统对动态测速提出较高的要求,使用位差法和扩展卡尔曼滤波融合算法用于GPS测速比GPS位置差分测速方法具有更高的精度,但在汽车快速转弯时误差较大。为此通过有限差分运算获取滤波验前、验后误差协方差矩阵,增强滤波过程的收敛性,再以有限差分扩展卡尔曼滤波算法对汽车实时位置进行运算以获取实时车速。实验结果表明,相比扩展卡尔曼滤波GPS测速方法,该文算法具有更高的测速精度。

基于平方根中心差分卡尔曼滤波的大方位失准角初始对准

基于大方位失准角条件下捷联惯导系统误差模型的非线性特点,采用非线性滤波方法进行初始对准。扩展卡尔曼滤波存在精度低,且需要计算雅可比矩阵等不足,而中心差分卡尔曼滤波在递推过程中具有计算量大,数值不稳定等缺点。针对上述问题采用了一种改进的中心差分滤波算法——平方根中心差分卡尔曼滤波。仿真结果表明,与扩展卡尔曼滤波相比,平方根中心差分卡尔曼滤波对方位失准角的对准精度由24.5′提高到5.83′,并且避免了计算雅可比矩阵带来的不便;与中心差分滤波相比,平方根中心差分卡尔曼滤波在保证滤波精度的同时,降低了滤波的计算量,提高了滤波的数值稳定性。

弹载GNSS虚拟参考站差分定位技术研究

针对高动态目标定位的长基线实时解算需要,本研究采网络多基站融合技术,结合基准站与线性内插模型算法,生成虚拟参考站伪距观测值,并将虚拟参考站作为基准站与目标进行伪距差分解算,从而解算高动态目标的位置轨迹。通过静态目标与高动态目标的实测数据验证,在有3个基准站的情况下,静态数据的定位精度达到0.399 m;而高动态目标在目标与基准站共视卫星个数不少于6颗的情况下,定位中误差不超过2.750 m;而与光学雷达、多测速雷达等其他外测设备的实测综合轨迹相比,两者之间位置差异的均方根值为6.390 m,基本满足高动态目标的定位需要。

利用sigma点卡尔曼滤波的多UUV协同定位

融合无人水下航行器(UUV)内部航位递推估计和外部量测信息的协同定位方法是一种提高只配备低精度自定位装置的UUV定位精度的有效手段。当协同系统结构固定时,滤波器的选择就决定了精度提高的幅度。针对扩展卡尔曼滤波(EKF)在处理非线性系统时具有较大的截断误差和繁琐的计算,提出了使用sigma点卡尔曼滤波(SPKF)的协同定位方法。与EKF相比,无味卡尔曼滤波(UKF)和中心差分卡尔曼滤波(CDKF)具有更好的鲁棒性,在没有增加计算复杂度的基础上进一步提高了UUV的定位精度。仿真比较了采用不同滤波算法的协同定位方法提高定位精度的效果,验证了利用sigma点卡尔曼滤波的多UUV协同定位方法的有效性和一致性。

光电跟踪系统几种次优非线性卡尔曼滤波性能比较

为在光电目标跟踪中选择性能最优的非线性卡尔曼滤波提供参考依据,对光电跟踪系统中应用广泛的扩展卡尔曼滤波、无迹滤波和中心差分滤波3种滤波方法,分别在二阶常速、三阶常加速模型和"当前"统计模型下实现的性能进行仿真实验对比和分析。比较和分析结果显示无迹滤波的性能要明显优于另外两种方法;"当前"统计模型下的滤波精度要高于另外两种模型。

差分线性化EKF滤波方法研究

针对扩展卡尔曼滤波(EKF)框架下非线性模型线性化时雅克比矩阵计算复杂且精度难以保证的情况,提出一种基于差分线性化的EKF算法。该方法用目标位置的量测值和状态一步估值作差分的方法代替雅克比阵的计算。通过蒙特卡洛仿真表明,差分EKF在保证跟踪精度的前提下,大大简化了复杂的求导运算,适合于实际的跟踪系统应用。

粒子滤波算法中的有限收敛界

在已有的关于粒子滤波(PF)收敛性研究的成果上,指出了其在工程实践中存在的问题;根据粒子滤波在实际应用中普遍存在的收敛现象,提出了粒子滤波算法的有限收敛界(LCB)的概念,并针对一个经典的非线性滤波估计例子,给出了关于自举PF、裂变自举PF、高斯PF、无味高斯PF和辅助变量PF这5种典型粒子滤波算法有限收敛界的计算结果。LCB既可作为粒子滤波算法性能的度量指标之一,也可作为工程应用中某种粒子滤波算法粒子数选取的一个参考值。

基于简化差分插值滤波的编队卫星相对导航

将一种基于Stirling内插公式的非线性差分插值滤波(Divided Difference Filter-DDF)算法的简化形式(Simplified Divided Difference Filter-SDDF)应用到编队卫星相对导航中.该算法通过对非线性系统方程进行多项式展开并取有限差分插值项进行近似.数值仿真结果表明:该算法相对于EKF(Extended Kalman Filter)算法有明显的优势,有较高的滤波精度、更快的收敛速度和较好的稳定性,其中相对位置估计相比EKF提高79%、相对速度提高52%,对编队卫星相对导航具有一定应用价值.

基于二阶差分滤波器的水下目标纯方位角跟踪

针对被动单声呐平台对水下目标的纯方位角跟踪问题,提出基于二阶差分滤波器的水下目标纯方位角跟踪方法。采用二阶Stirling插值公式对系统模型中的非线性项进行线性化,使系统误差协方差矩阵正定,保证了滤波算法的稳定性,避免了传统扩展卡尔曼滤波算法由于需要计算Jacobian矩阵而导致计算复杂、难以应用的问题。建立了被动声呐平台测量模型和水下目标的运动学模型,并应用Monte Carlo方法完成仿真实验。仿真结果表明,基于二阶差分滤波器的水下目标纯方位角跟踪算法具有较快速准确的跟踪响应,通过RMSE概率统计方法进一步验证了这种方法具有较高的估计精度。

迭代中心差分粒子滤波的SLAM算法

为了提高SLAM算法中的位姿估计精度,通过在广泛使用的RBPF粒子滤波器中,利用迭代中心差分卡尔曼滤波器(ICDKF)来代替其中的扩展卡尔曼滤波器(EKF),并融合新的观测数据使提议分布更加接近后验概率分布,并且能够精确估计智能车辆的位姿,进而采用ICDKF算法更新特征地图的位置.该算法在保证定位精度的同时减少了计算的复杂度,提高系统的估计性能,增加了迭代算法的稳定性.仿真实验结果验证了迭代中心差分粒子滤波SLAM算法的有效性.

一种新的多机动目标跟踪的GMPHD滤波算法

针对多机动目标跟踪的传统数据关联算法约束条件苛刻、估计精度低、计算量大等问题,提出了一种基于随机集理论的非数据关联的多机动目标跟踪算法.该算法将高斯混合概率假设密度(GMPHD)滤波与"当前"统计模型的优点相结合,绕过了棘手的数据关联问题,能高效处理目标数较大的机动跟踪问题.在漏检、虚警、多机动目标交叉杂波复杂环境下进行了仿真实验,结果表明,该算法具有较高的跟踪精度和稳健的跟踪性能.

免微分非线性Bayesian滤波方法评述

以非线性递推Bayesian滤波问题的求解及其历史渊源为起点,分两类对各种免微分非线性Bayesian滤波方法或免微分方法的原理和算法进行了评述:一类是以线性最小均方误差最优估计子为特点的免微分高斯滤波,包括无味卡尔曼滤波、均差滤波器、中心差分滤波器和Gauss-Hermite滤波器或积分卡尔曼滤波器;另一类是后验密度数值逼近免微分方法,包括栅格法(GBMs)与近似栅格法、矩近似法和以粒子滤波为代表的Monte Carlo方法。其中还包括了作者的一些最新研究成果,如迭代UKF算法、裂变自举PF算法和关于粒子滤波算法有限收敛界的概念等。之后从加权统计线性回归的角度对两类免微分方法进行了统一认识,统一为以数值方法为特点的广义PF。为了建立一个关于各种免微分算法性能的整体印象,论文还通过一个复杂的递推非线性滤波估计例子,用MonteCarlo仿真实验的方法对7种典型的免微分方法和和传统的EKF算法进行了比较研究。最后对两类免微分方法进行了简单的比较,并指出了进一步研究的方向。

一种高精度自适应粒子滤波算法

针对非线性非高斯系统的状态估计问题,提出一种新的高精度自适应粒子滤波算法.该算法采用有限差分扩展卡尔曼滤波器产生优选的建议分布函数,融入最新量测信息,有效克服了粒子退化问题;考虑到预测误差对粒子采样效率的影响,引入系统估计和预测提供的新息差值,通过新息差值在线自适应调整采样粒子数,较好地保证了粒子采样的高效性.理论分析和实验结果表明改进的滤波算法具有较高的滤波精度,是一种高精度自适应粒子滤波算法.