奇异值分解五阶容积卡尔曼滤波汽车状态估计

针对三阶滤波对高维汽车非线性模型估计精度有限的问题,以电动汽车为研究对象,提出了一种基于奇异值分解的五阶容积卡尔曼滤波(SVD-FCKF)车辆状态估计器。首先基于Dugoff轮胎模型,构建高维非线性7自由度车辆动力学模型。然后根据三阶球面-径向容积规则将CKF拓展到五阶,使其具有五阶泰勒级数展开精度,同时利用奇异值分解代替传统Cholesky分解,提高估计器的鲁棒性。最后利用Carsim和Matlab/Simulink联合仿真平台对SVD-FCKF进行验证,结果表明:改进的SVD-FCKF估计器能够有效提高电动汽车纵向速度、侧向速度、质心侧偏角和四轮转速的估计精度和稳定性,多工况适应能力强,整体估计效果优于CKF估计器。研究结果为电动汽车主动安全研究提供了理论支撑,具有实际应用价值。

含未知输入非线性系统的扩展平方根容积卡尔曼滤波算法

针对工程实际应用中存在的未知输入会导致经典的非线性滤波器状态估计精度下降甚至滤波发散的问题,提出了一种基于最小方差无偏估计(minimum variance unbiased estimation,MVUE)准则的扩展平方根容积卡尔曼滤波(extended square-root cubature Kalman filter,ESRCKF)算法。首先,结合上一时刻未知输入估计值对状态一步预测值进行修正,得到含未知输入条件下的状态预测值。其次,设计新息并采用加权最小二乘(weighted least squares,WLS)法获取当前时刻未知输入的无偏估计。最后,通过最小化协方差矩阵的迹,同时采用拉格朗日乘子法和舒尔补引理得到系统状态的最小方差无偏估计。仿真结果表明,相比于现有的非线性滤波算法,ESRCKF算法提高了在处理含未知输入非线性系统时的状态估计精度,并能同时实现系统状态和未知输入的最优估计,验证了该算法的有效性。

基于容积卡尔曼滤波的RSSI/IMU组合室内定位系统研究

在物联网时代,跟踪定位室内环境中物体至关重要。针对接收信号强度指示(RSSI)定位方差大和惯性测量单元(IMU)定位存在累积误差的问题,研究并实现了一种使用容积卡尔曼滤波算法对RSSI定位和IMU定位进行数据融合的方法。以ZigBee开发板为RSSI的硬件载体,采用质心定位法将RSSI转换为坐标信息;待测目标搭载MPU9250提供IMU数据,并进行室内跟踪定位实验;使用容积卡尔曼滤波算法对实验数据进行改进,并与原坐标信息数据进行对比。结果显示,使用了容积卡尔曼滤波算法后的改进数据相比原数据在精确度上提高了20.8%。该定位系统具有一定的实用价值。

移动条件下基于容积卡尔曼滤波的短波OFDM信道估计

针对移动短波通信场景下短波信道出现的时变性使得正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)系统不能精确估计信道状态信息导致通信质量下降的问题,提出了一种基于容积卡尔曼滤波(Cubature Kalman Filter,CKF)的信道估计方法。该方法基于球面径向积分准则,可更好地追踪信道的变化,提升信道估计的精度。建立了基于信道频域响应的非线性状态空间方程,并用容积卡尔曼滤波对每帧符号的信道频域响应进行估计。系统仿真结果表明,在静态短波通信场景到720 km/h的移动短波通信场景中,所提算法对信道有着更精确的估计精度,也可以有效抵抗多径时延所带来的影响。因此,所提算法更适用于移动短波通信场景。

基于平方根容积卡尔曼滤波的永磁同步电机状态估计

针对使用容积卡尔曼滤波算法(Cubature Kalman Filter,CKF)在复杂非线性状态估计时存在的误差较大、运算速度慢等问题,引入一款改进后的平方根容积卡尔曼滤波算法(Square-Root Cubature Kalman Filter,SRCKF)。建立非线性系统线性化模型和电机数学模型,引入SRCKF实现对转速和转子位置的状态估计,在Matlab/Simulink环境下对SRCKF和CKF两种算法进行仿真。结果表明:平方根容积卡尔曼滤波大大降低了电机在状态估计时的运行速度和估计误差,提高了估计精度,系统更加稳定。

基于平方根容积卡尔曼滤波的核反应堆功率H_(∞)控制

核反应堆的负荷跟踪控制是核电站灵活调峰、具有应用价值的基础之一.根据反应堆中子动力学、热工水力、反应性方程等数学模型构建了反应堆的平方根容积卡尔曼滤波器(Square-root Cubature Kalman Filter,SCKF),对反应堆状态反馈问题中部分状态量无法量测或估计精度不足的问题加以解决,结合离散H_(∞)性能指标设计了基于SCKF的反应堆功率H_(∞)控制器,并与基于经典卡尔曼滤波器(Kalman Filter,KF)的反应堆功率H_(∞)控制器进行了同工况数值仿真对比.仿真结果表明,基于SCKF的功率控制器具有较好的负荷跟踪性能,能够根据期望跟踪目标调节反应堆功率水平;由于SCKF对非线性系统模型相比于KF具有更高的状态估计精度,基于SCKF的功率控制器相比基于KF的功率控制器具有更优的控制效果.

虚假数据注入攻击下基于容积卡尔曼滤波的电力系统状态估计

针对虚假数据注入攻击下系统状态估计的问题,以电力信息物理系统为研究对象,根据发电机三阶模型和自动电压调节器模型,建立电力系统的数学模型。采用指数平滑法预测测量值,通过对比预测值与真实测量值,检测系统是否发生虚假数据注入攻击。若检测结果判定系统遭受虚假数据注入攻击,用预测值替代不良数据输入状态估计算法,实现虚假数据注入攻击下不良数据的恢复。将指数平滑法与容积卡尔曼滤波算法结合,提出一种改进的容积卡尔曼滤波算法对系统进行状态估计。以典型的五机电力系统为例进行仿真,仿真结果表明提出的方法能有效抵御虚假数据对系统状态估计造成的不良影响。

混合攻击下基于容积卡尔曼滤波的多区域互联电力系统的检测与防御

以多区域互联电力系统为研究对象,对混合攻击下多区域互联电力系统的检测与防御进行研究。首先,建立多区域互联电力系统的数学模型,分析多区域互联电力系统遭受网络攻击的位置及其类型,建立虚假数据注入攻击和拒绝服务攻击模型,接着根据是否收到数据包诊断拒绝服务攻击,并用最新接收的数据对丢失的数据进行补偿,实现拒绝服务攻击的防御;然后,基于容积卡尔曼滤波算法检测虚假数据注入攻击,并采用指数平滑法对虚假数据注入攻击进行防御;最后,以两区域互联电力系统为例进行仿真实验。仿真结果表明:所设计的控制算法能有效克服混合攻击对系统造成的不良影响,实现电力系统功率平衡和频率稳定。

基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法

受负荷随机变化、需求响应参与、分布式电源波动、量测装置种类多等因素的影响,容易出现配电网量测数据值异常,导致配电网动态状态估计精度下降。为了提高配电网状态估计的精度,提出了一种基于自适应H_(∞)容积卡尔曼滤波的配电网动态状态估计方法。首先,在容积卡尔曼滤波基础上,将自适应因子和H_(∞)滤波器相结合,对模型误差问题进行处理与限制。其次,结合噪声估值器,对过程噪声中的参数进行在线估计,减少噪声对预测误差的影响。最后,对典型配电网69节点系统进行仿真,仿真结果表明:该方法在系统正常运行、需求响应参与削峰填谷以及负荷发生突变这3种场景下,其估计精度均提高10%以上,保持了相对高的估计精度。

基于正交变换的五阶容积卡尔曼滤波导航算法

针对高阶容积卡尔曼滤波在无人机导航等高维非线性系统中存在较大高阶采样误差的问题,提出了一种基于正交变换的五阶容积卡尔曼滤波(orthogonal transformed fifth-order cubature Kalman filter,OT5-CKF)。利用三角函数的正交性特点,对原有的容积点进行适当的容积变换,将变换后的容积点代入容积卡尔曼滤波(cubature Kalman filter,CKF)模型中。经分析,新的容积点可以极大地避免高维系统的高阶采样误差。最后,以无人机GPS/INS组合导航系统为应用背景,对三阶CKF、五阶CKF和OT5-CKF进行了仿真对比分析。结果表明,同等观测条件下OT5-CKF的滤波估计精度明显高于前两者。

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题,提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合,通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象,从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点,用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程,在不影响滤波器性能的前提下减少了运算量。仿真结果表明:在测量噪声统计特性未知的情况下,与CKF相比,该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。

自适应随机权重容积卡尔曼滤波交互多模型目标跟踪

针对处理复杂机动目标跟踪问题,提出了一种自适应随机权重容积卡尔曼滤波(ARWCKF)算法。该算法作为交互多模型(IMM)算法的预处理过程,对不同运动模型进行滤波。为了算法的稳定性,引入了随机权重因子。使用时变因子调整马尔可夫概率转移矩阵,提高了IMM算法概率转换精度。将所提IMM-ARWCKF算法与IMM-CKF算法对比发现,在处理复杂机动目标问题时,所提算法具有更高的跟踪精度,算法更加稳定。

基于自适应容积卡尔曼滤波的路面附着系数识别

路面附着系数是车辆行驶稳定性的关键参数之一,精确识别车辆行驶时的路面附着系数是决定车辆安全性能优劣的重要前提。相较通过测量路面物理量的Cause-Based识别方法,基于动力学响应的Effect-Based识别方法受客观环境的影响较小,且经济成本更为节约。本文结合车辆动力学响应与Dugoff轮胎模型公式,基于极大值后验估计(MAP)原理和观测信息对量测噪声的统计特性进行在线估计,并将其嵌入容积卡尔曼(CKF)中构建自适应容积卡尔曼(NACKF)路面附着系数估计器,提高算法的估计精度。CarSim-Simulink仿真试验结果表明,在高附着路面下NACKF算法的估计精度较之传统四维UKF和CKF分别提高了0.001 7和0.000 55,而在对接路面下估计精度较之传统UKF和CKF分别提高了0.172 3和0.039。

抗差自适应容积卡尔曼滤波在UWB室内定位中的应用

针对超宽带(UWB)测距异常值、传统滤波方法中动力学模型不精准、状态向量误差协方差阵非正定等问题,提出一种基于奇异值分解的抗差自适应容积卡尔曼滤波算法,并将其应用于UWB室内定位中:以标准容积卡尔曼滤波(CKF)算法为基础,利用残差向量构造抗差因子消除观测异常值对定位解的影响;利用自适应因子对整体模型误差进行实时调整和修正以提高滤波精度;同时用奇异值分解代替乔莱斯基(Cholesky)分解以进一步提高滤波的稳定性。实验结果表明,所提算法相比传统的扩展卡尔曼滤波(EKF)、无迹卡尔曼滤波(UKF)、CKF算法,能够进一步提高UWB系统的定位精度和抗干扰能力,定位最大误差由1.5 m降至0.3 m,均方根误差小于0.05 m。

基于自适应容积卡尔曼滤波的车辆状态参数估计与仿真分析

针对车辆状态参数估计时量测噪音对估计精度的影响,为了提高车辆状态参数估计的可靠性,设计了一种自适应容积卡尔曼滤波的车辆状态估计算法。建立非线性三自由度动力学车辆模型,以车辆方向盘转角与车辆纵向加速度为输入参数,以车辆侧向加速度为观测参数,实现对车辆横摆角速度、质心侧偏角、纵向速度的估计,最后采用CarSim/Simulink联合仿真平台搭建不同工况进行验证。仿真证明,自适应容积卡尔曼滤波算法(ACKF)对车辆状态估计比拓展卡尔曼滤波算法(EKF)有更好的收敛特性和估计精度。

结构恢复力非参数化模型识别的改进容积卡尔曼滤波方法

对地震等强动力荷载作用过程中结构损伤的发生发展过程进行识别,必须考虑结构行为的非线性。本文运用相对位移和相对速度的幂级数多项式表征结构恢复力模型,提出一种基于改进的容积卡尔曼滤波算法(Updated Cubature Kalman Filter, UCKF)和结构部分自由度上加速度响应时程的结构参数、未知响应及恢复力非参数化模型识别方法。以一个含磁流变阻尼器的多自由度数值模型为例,考虑20%的加速度响应测量噪声影响,识别出模型的结构参数、未知响应及阻尼力。并将本文方法所得结果分别与基于扩展卡尔曼滤波算法、传统容积卡尔曼滤波算法及含记忆衰退的扩展卡尔曼滤波算法所得结果进行比较。对一个带磁流变阻尼器的四层剪切型框架模型进行激振试验,基于部分自由度上的加速度响应时程实测值,识别出结构参数、未知动力响应以及阻尼器阻尼力的非参数化模型,通过与实测结果的比较,验证了本文方法的可行性。

基于变分贝叶斯双尺度自适应时变噪声容积卡尔曼滤波的同步定位与建图算法

为解决移动机器人在同步定位与建图(SLAM)中因系统噪声和观测噪声时变导致状态估计精度降低的问题,该文提出一种基于变分贝叶斯的双尺度自适应时变噪声容积卡尔曼滤波SLAM算法(DSACKF SLAM)。该算法采用逆Wishart分布对一步预测误差协方差矩阵P_(k|k–1)和观测噪声协方差矩阵R_(k)建模,分别用来降低系统噪声和观测噪声的影响,并利用变分贝叶斯滤波实现对移动机器人状态向量X_(k),P_(k|k–1)和R_(k)的联合估计。分别在系统噪声和观测噪声时变和时不变的条件下进行仿真实验,结果表明与基于无迹卡尔曼滤波的SLAM算法(UKF SLAM)、自适应更新观测噪声的容积卡尔曼滤波的SLAM算法(VB-ACKF SLAM)相比,所提DSACKF SLAM算法在噪声时变时,平均位置误差分别减小1.54 m,3.47 m;噪声时不变时,平均位置误差分别减小0.62 m,1.41 m,证明DSACKF SLAM算法有更好的估计性能。

基于容积卡尔曼滤波-自适应PID的共轴无人机设计

针对PID控制的共轴无人机控制参数不易整定且控制效果较差的问题,设计一款基于容积卡尔曼滤波-自适应PID的共轴反桨无人机。飞行姿态控制方案采用双闭环自适应PID算法,以得到较为理想的姿态控制效果;采用与普通多旋翼不同的气动布局,以得到更长的续航时间与更理想的悬停稳定性。搭建自适应PID控制算法仿真模型,仿真结果显示,相较于PID算法,提出的自适应PID控制算法能够对姿态角进行更为理想的控制,达到稳定且高效的收敛效果,该自适应PID控制算法对共轴无人机的飞行姿态具有良好的控制能力。

基于平方根容积卡尔曼滤波的路面附着系数估计

针对车辆主动安全系统中路面附着系数这一关键参数的估计问题,建立了融合Dugoff轮胎模型的三自由度车辆动力学模型,基于平方根容积卡尔曼滤波(SCKF)思想设计了路面附着系数估计器,该方法将正交三角分解法引入容积卡尔曼滤波(CKF)算法,避免了CKF中对协方差矩阵的开方操作,提高了算法的稳定性。利用MATLAB与CarSim联合仿真平台在不同路面条件下进行了多工况仿真验证,并将所提出算法与CKF算法进行对比,结果表明,SCKF算法的鲁棒性较高,估计精度高于CKF算法的估计精度,可以满足车辆主动安全系统的要求。

基于容积卡尔曼滤波的输电线路弧垂预测

输电线路弧垂是线路安全运维的重要指标,为减少因弧垂过大或过小而产生运行时的安全问题,必须要考虑输电线路在不同气候条件下的应力及弧垂值,因此输电线路弧垂的预测具有重要意义。针对这一现象,国内外学者采用神经网络等预测算法对弧垂进行评估,但在实现动态实时估计的方法较少。文中采用输电线路模型优化融合容积卡尔曼模型,实现在不同工况下输电线路弧垂模拟预测。该方法利用系统状态方程,通过对输入输出数据的观测,对系统的状态进行最优估计,在含有不确定因素的动态系统中对数据进行实时追踪并修正,估计出真实发生的情况。通过对几种工作状态的导线应力预测,并与真实情况进行对比得出该算法具有良好的精度及动态性,为恶劣天气下高压输电线路无人巡检和预防故障的发生提供可能。