基于混合卡尔曼粒子滤波的电动汽车锂电池荷电状态估计

针对动力电池荷电状态(SOC)估计中,传统扩展卡尔曼滤波(EKF)忽略高阶项、粒子滤波(PF)存在重采样过程中的粒子退化与多样性丧失的问题,提出了改进的混合卡尔曼粒子滤波(MKPF)算法。首先采用扩展卡尔曼滤波产生系统的状态估计,然后使用无迹卡尔曼滤波器重复这一过程,将扩展卡尔曼滤波和无迹卡尔曼滤波获得的状态估计共同作为粒子滤波建议分布,并通过权值排序进行粒子优胜劣汰。仿真和试验结果表明,所提出算法的SOC估算最大误差为1.2%,优于PF、EKF、UKF算法的SOC估算精度。

基于卡尔曼/粒子组合滤波器的组合导航方法研究

粒子滤波在组合导航系统非线性非高斯条件下的滤波估计中获得广泛关注,但捷联惯导误差模型维数较高,直接应用粒子滤波会带来维数灾难。设计了用于SINS/GPS组合导航的卡尔曼/粒子组合滤波算法,采用卡尔曼滤波和粒子滤波分别对系统的线性和非线性状态进行估计,降低粒子滤波器状态维数,避免维数灾难。采用系统残差采样法的规则化粒子滤波器,有效缓解粒子贫化问题,并减少计算负担。仿真结果表明卡尔曼/粒子组合滤波方法的估计性能与粒子滤波相当,但计算复杂度前者要低得多。

基于卡尔曼粒子滤波器的人眼跟踪

提出了一种基于卡尔曼粒子滤波器的人眼跟踪算法,该方法利用一种新的二维可变形模板来提取眼睛的精确特征,采用粒子滤波器跟踪人眼。为了进一步提高普通粒子滤波器跟踪的速度和精度,将卡尔曼滤波器引入粒子滤波器中,利用卡尔曼滤波器算法进行采样预测和校正,减少了人眼跟踪中所需的粒子数目,从而达到快速而准确的跟踪目的。最后,用上述方法进行了实验,验证了该方法的实用性和有效性。

基于混合卡尔曼滤波器组的航空发动机双通道传感器故障检测

基于机载非线性模型与分段线性卡尔曼滤波器混合组成的混合卡尔曼滤波器组,结合双通道传感器的特点,建立了民用航空发动机传感器故障诊断系统;给出故障诊断原理及算法的同时,将该系统应用于民用涡扇发动机传感器常见典型故障进行了仿真;仿真结果表明,诊断系统可以在发动机发生健康蜕化后,通过只简单更新机载模型的蜕化因子,而保持线性卡尔曼滤波器的参数不变,便能准确地检测和隔离各类传感器故障而不发生误报;该更新过程可以在线自动完成,省时省力,易于工程实现。

基于粒子群算法和卡尔曼滤波器的PID控制

针对PID控制系统中存在参数的整定和控制干扰信号和测量噪声信号问题,提出基于粒子群算法和卡尔曼滤波算法的PID控制方法。利用粒子算法优化PID参数,通过卡尔曼滤波器抑制控制干扰信号和测量噪声信号。仿真结果表明具有响应速度快、抗干扰能力强等特点,且达到了全局最优PID参数整定,有效地剔除系统的控制干扰和测量噪声信号,具有比传统PID控制方法更好的动态和静态控制性能,控制品质有较大的改善和提高。为PID控制系统的研究提供了一种新方法。

卡尔曼/粒子滤波器在船用组合导航中的应用

采用将全球定位系统GPS(Global Positioning System)与捷联惯性导航系统SINS(Strapdown Inertial Navigation System)进行组合导航的方式,组合后系统性能将优于GPS或SINS单独使用时的任一系统。介绍了基本粒子滤波器算法原理并对卡尔曼/粒子组合滤波器在船用GPS/SINS组合导航中的实现形式及算法特点进行了研究。仿真结果表明,对于船用SINS/GPS组合导航问题,卡尔曼/粒子组合滤波器能够获得较高的滤波精度,满足实际船用导航要求。

基于混合卡尔曼滤波器组故障传感器定位方法

为了在发动机性能蜕化与传感器故障并存的情况下实现故障传感器的定位与部件蜕化情况的估计,并实现故障诊断基准数据的修正,构建了1种包含了机载模型与线性卡尔曼滤波器的组合结构混合卡尔曼滤波器组。该卡尔曼滤波器组能够在之前所描述的故障/蜕化耦合情况下定位故障传感器,并得到较为准确的部件蜕化估计结果。为了验证了混合卡尔曼滤波器组的有效性,进行了相关仿真。仿真结果表明:混合卡尔曼滤波器组能够在发动机动态过程中遭遇传感器故障与部件蜕化并存的情况下完成故障定位与蜕化估计。

统计容积卡尔曼滤波器的混合试验模型更新方法

为解决模型更新算法因初始参数选择不当对模型参数识别精度的影响,提出统计容积卡尔曼滤波器的混合试验模型更新方法。该方法采用容积卡尔曼滤波器算法多次识别模型参数,将统计后的参数识别值样本均值作为最终的识别结果,以弱化算法初始参数选择对参数识别结果的影响。应用统计容积卡尔曼滤波器对自复位摩擦耗能支撑模型进行在线参数识别,分析了在不同参数条件下统计容积卡尔曼滤波器的识别精度;针对两层带有自复位摩擦耗能支撑框架结构进行混合试验数值仿真。结果表明,基于统计容积卡尔曼滤波器的方法可以有效提高模型更新混合试验精度及鲁棒性。

一种辅以粒子群算法的卡尔曼并联电力有源滤波器

配电系统网络中非线性负载使用的增加,要求提高配电侧的电能质量。为此,提出了一种基于卡尔曼滤波器(KF)的比例积分(PI)电流控制策略,用于控制并联型有源电力滤波器(SAPF)。为了实现KF性能的准确性,采用粒子群优化(PSO)算法调整参数,KF快速且自适应地估算电源参考电流。为了验证控制器的性能,在电源不平衡且负载变化的条件下进行了测试。另外,本文在基于DSP28335的实验平台上做了实验,验证了该方法的优越性。

基于粒子群优化算法的混合有源滤波器中无源滤波器的多目标优化设计

混合有源滤波器是非常有应用前景的滤波装置,但其综合性能受无源滤波器参数优化程度的影响很大。该文基于课题项目中谐波源的特点,针对已有优化设计方法的各种缺点,提出了基于改进粒子群优化算法的混合滤波装置中无源滤波器的多目标优化设计方法。通过将无源滤波器的无功补偿容量、初期投资及补偿后滤波效果作为优化目标,利用简便、有效的粒子群优化算法对其参数进行了优化设计,大大减少了人工的计算量,而且明显提高了算法的寻优速度。最后仿真及现场模拟实验表明,此优化设计无源滤波器的成本比经验设计方法有所降低,滤波效果有明显的提高。

基于卡尔曼滤波的TDOA/AOA混合定位算法

提出了一种利用两次卡尔曼滤波实现非视距环境中TDOA/AOA混合定位方法。根据类正态分布密度曲线是最小二乘意义下对指数分布密度曲线的最优拟合的思想建立TDOA误差模型,先利用卡尔曼滤波对TOA测量值进行预处理以消除NLOS误差,再把经过预处理的TOA测量值输入到卡尔曼滤波器来实现TDOA/AOA混合定位。仿真结果表明,该方法的定位误差性能明显优于单纯的TDOA定位方法以及服从指数分布误差模型下的TDOA定位方法。

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。

桥梁极值应力的改进高斯混合粒子滤波器动态预测

为合理地动态预测在役桥梁的极值应力信息,应用桥梁健康监测(BHM)系统的长期日常监测极值应力数据,建立非线性动态模型,引入扩展卡尔曼滤波器(EKF)与高斯混合粒子滤波器(GMPF)相结合的改进高斯混合粒子滤波器(IGMPF)预测算法,对监测极值应力的一步向前预测分布参数及其状态变量的后验分布参数进行预测分析,并进行了实例验证.IGMPF不仅可以得到实测极值应力状态的合理重要性函数,还可以解决传统预测方法的短期性和精度不高的问题,为实际BHM系统的动力响应预测提供了理论基础.

EM-GMPF:一种基于EM的混合高斯粒子滤波器算法

粒子滤波器算法是一种基于贝叶斯推理和蒙特卡罗方法的非线性、非高斯动态系统的实时推理算法.因其具有灵活、易于实现、并行化等特点,成为统计学、信号处理、人工智能等领域新的研究热点,并被广泛地应用于目标跟踪等领域中.粒子滤波器算法中存在的主要问题是再取样步骤带来的粒子枯竭,从粒子滤波器的表示方法角度出发,提出了一种基于EM的混合高斯粒子滤波器算法,仿真数据和可视化跟踪实验表明,与传统的粒子滤波器算法和基于单高斯模型的粒子滤波器算法相比,该方法在降低对粒子数目需求的同时显著提高了粒子滤波器的估计性能.

基于地球系统模式的局地化粒子滤波器与集合卡尔曼滤波器同化实验

粒子滤波器(PF)是一种非常具有应用前景的非线性资料同化方法。但由于其算法本身存在的粒子退化问题,目前尚未被广泛地应用于大型地球物理模式。目前主流的集合同化系统仍然倾向于使用集合卡尔曼滤波器(EnKF)及其衍生方法。一种新近被提出的局地化粒子滤波器(LPF)在经典的粒子滤波器算法中引入局地化技术,可以使用较小的计算成本有效地避免退化问题,具有非常大的业务应用潜力。本文在全耦合的通用地球系统模式中开展了LPF和EnKF的同化实验,同化资料为模拟的卫星海表温度资料。着重考察了不同局地化参数对两种方法的不同影响,对比了局地化粒子滤波器与集合卡尔曼滤波器的同化效果差异。比较的结果表明,LPF的同化效果对于局地化参数的选择非常敏感,在使用最优局地化参数的条件下,LPF能达到与EnKF相当甚至优于后者的同化效果,并具有较大的改进空间。

采用混合t分布粒子滤波器的视觉跟踪(英文)

由于目标数量的变化,观测数据的岐义性和目标间的遮挡,多目标视觉跟踪问题面临多种困难。基于目标分布的有限t分布混合模型提出了一种混合t分布粒子滤波器以实现多目标跟踪。在算法中,每个被跟踪目标指派一个独立的粒子滤波器,显式处理当新目标出现在场景中时对应粒子滤波器的初始化,当被跟踪目标消失时,对应粒子滤波器的删除。混合t分布粒子滤波器算法不仅能够跟踪多种类型的多目标,还能够持续跟踪遮挡消除之后的多目标。为了展现混合t分布粒子滤波器的跟踪性能,完成了基于颜色分布的跟踪多种不同颜色和相同颜色的多目标实验,对比了混合t分布粒子滤波器,混合粒子滤波器以及Boosted粒子滤波器的跟踪性能。实验结果表明:文中算法不仅能够跟踪数量可变的多目标,进行实时计算,而且具有更好的鲁棒性。

基于混合卡尔曼滤波器的涡轴发动机模型自适应修正

针对因发动机个体性能差异和性能衰减引起的发动机模型与真实发动机之间的失配问题,提出一种基于混合卡尔曼滤波器的模型自适应修正方法。以MATLAB下封装的GasTurb模型为基础,将其输出作为卡尔曼滤波器的基准值,将发动机部件修正因子作为滤波器的增广状态变量进行估计,再将所得到的部件修正因子作为GasTurb模型输入对发动机个体性能进行计算。以涡轴发动机为应用对象,利用试验数据验证了该方法的有效性和工程实用性。

采用改进卡尔曼滤波器PID控制的液压可变气门运动轨迹

为了降低气门运动轨迹跟踪误差,提高气门落座的稳定性,采用液压可变阀驱动系统,并对气门运动轨迹跟踪效果进行仿真验证。创建了配气机构液压可变阀驱动系统,并介绍其工作原理。根据牛顿第二定律和热力学定律,推导出活塞运动位移方程式、排气阶段废气的温度和压力变化方程式。利用旋转阀控制液压缸的进油和出油,从而得出液压流量表达式。引用传统PID控制器,采用粒子群算法和卡尔曼滤波器对PID控制器进行改进,给出了气门升程在线控制系统的优化流程。采用Matlab软件对气门升程、气门速度和气门加速度跟踪误差进行仿真,并且与传统PID控制跟踪误差进行对比。结果显示:采用传统PID控制系统,气门升程、气门速度和气门加速度跟踪误差较大;而采用改进PID控制系统,气门升程、气门速度和气门加速度跟踪误差较小。采用液压可变阀驱动系统,气门升程运动轨迹跟踪精度较高,从而提高了气门落座的稳定性。

利用混合卡尔曼滤波的混沌信号盲估计

针对混沌动力学系统时变参数未知的混沌信号,在含有状态噪声的情况下,利用混合卡尔曼滤波提出一种盲估计算法.对未知参数和混沌状态构成的高维状态进行估计,先利用卡尔曼滤波给出线性高斯部分的最优精确估计,剩余部分利用粒子滤波方法给出次优估计,文中详细研究了高斯噪声以及非高斯噪声下的最优重要性函数选取并推导了重要性权重的计算公式,最终基于有效粒子的最小均方误差准则实现了信号的盲估计.仿真结果表明该算法能有效实现含有状态噪声混沌信号的盲估计,并取得了比基本粒子滤波算法更优的性能.

新息自适应混合卡尔曼滤波算法构建地表沉降预测模型

为解决矿区地表沉降变形预测的问题,提高预测模型的精度,提出了基于自回归综合移动平均模型(Autoregressive Integrated Moving Average model,ARIMA)的新息自适应卡尔曼滤波(Innovation Adaptive Kalman Filter,IAKF)与组合神经网络相结合的混合预测模型。首先,针对沉降变形监测序列的非平稳性与复杂性等特点,ARIMA模型能够将原始数列平稳化,以此构建地表下沉的预测模型,并作为新息自适应卡尔曼滤波的状态方程。然后,将集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、粒子群优化算法(Particle Swarm Optimization,PSO)和BP神经网络结合,构建EEMD-PSO-BP神经网络的组合网络模型,将组合神经网络的沉降预测结果作为观测值引入到卡尔曼滤波观测方程中,以建立混合预测模型。最后针对噪声方差Q与R选取的问题,利用新息自适应卡尔曼滤波估计出噪声方差的协方差阵。混合预测模型能有效减小单一预测机制造成的同一性质误差的累积,将基于ARIMA的新息自适应卡尔曼滤波、EEMD-PSO-BP神经网络模型与混合滤波模型的精度进行对比,新息自适应混合卡尔曼滤波预测模型的均方根误差降低至0.3194mm,相对百分误差降到1.42%。实验结果表明,混合滤波模型的各项预测结果要优于传统预测模型,精度相比较传统的预测模型有较大的改善。