基于极大后验估计的自适应容积卡尔曼滤波器

针对标准的容积卡尔曼滤波器(CKF)设计需要精确已知噪声先验统计知识的问题,提出一种自适应CKF算法.该算法在滤波过程中,利用Sage-Husa极大后验估值器对噪声的统计特性进行在线估计和修正,有效地提高了CKF的估计精度和数值稳定性.在某些情况下,噪声协方差估计会出现异常现象使得滤波发散,进而提出了相应的改进方法.仿真结果表明了自适应CKF算法的可行性和有效性,且明显改善了标准CKF算法的滤波效果.

采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

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GA-LSTM自适应卡尔曼滤波的路面不平度识别

准确、快速地识别出车辆当前行驶的路面激励信息,是实现智能底盘控制进而保证车辆平顺性的关键。针对传统路面不平度识别算法准确率低、自适应性差等问题,提出了基于遗传算法(genetic algorithm,GA)优化长短期记忆神经网络(long short-term memory networks,LSTM)自适应卡尔曼滤波的路面不平度识别算法。基于2自由度车辆悬架模型,通过灰色关联法选择LSTM神经网络的特征输入变量,并采用GA优化LSTM神经网络的模型参数以准确识别路面等级,并据此实时更新卡尔曼滤波器算法中的噪声矩阵,实现了在复杂路况下对路面不平度的自适应识别。仿真和试验研究表明,所提出的基于GA-LSTM自适应卡尔曼滤波算法能够快速准确的识别路面不平度与路面等级,与传统卡尔曼滤波算法相比,相关系数、均方根误差和最大绝对误差分别提高3.11%、37.5%和51.2%,表明所提算法对复杂工况具有很好的自适应能力。

渐消卡尔曼滤波器的最佳自适应算法及其应用

本文依据卡尔曼滤波器在使用最佳增益时,其余差序列互不相关的性质,开发了一种新的渐消滤波算法。该算法根据对象输出,在线自适应地调整遗忘因子,从而使滤波器在对象模型存在误差或对象受到外扰时,仍收敛并保持最佳性。该算法已应用于造纸机控制,取得较好效果。

自适应强跟踪容积卡尔曼滤波算法

提出了一种自适应强跟踪容积卡尔曼滤波算法(ASTSCKF),该算法在平方根容积卡尔曼滤波算法(SCKF)步骤中引入强跟踪滤波器(STF),通过渐消因子在线修正一步预测误差协方差矩阵,强迫输出残差序列正交,使得算法具有应对系统状态突变等不确定因素的能力,增强了算法的鲁棒性;结合改进渐消记忆时变噪声统计估计器,对噪声方差阵进行实时在线估计,有效解决了SCKF算法由于噪声统计不准确、未知或时变性带来的滤波发散问题,使其具有应对噪声变化的自适应能力。仿真实验结果表明:ASTSCKF算法在系统状态发生突变并且噪声变化的情况下,能够表现出良好的滤波性能,较SCKF算法有更强的鲁棒性以及噪声变化的自适应性。

基于卡尔曼滤波器的交流伺服系统自适应滑模控制

为了减小负载转矩扰动和系统参数摄动对永磁同步电机控制系统的影响,提出了一种基于卡尔曼滤波器的自适应滑模速度控制器。该控制器由自适应律估计参数摄动项,用卡尔曼滤波器估计外部扰动项。设计了含积分作用的滑模面,以保证电机转速的无静差跟踪;采用了指数趋近律,以提高趋近速度并削弱抖振。卡尔曼滤波器估计得到的系统外部扰动前馈补偿至控制器的输出,用于有效降低滑模控制器的不连续切换项造成的系统抖振。实验结果显示:跟踪设定的600r/min转速时,控制器稳态转速精度达到±1r/min。电机在以600r/min稳速运行时,设计的控制器在1.6N·m的外部转矩扰动下的最大转速波动比传统PI控制器的转速波动减小了2%。仿真分析和实验数据表明基于卡尔曼滤波器的自适应滑模控制器对交流伺服控制系统具有较强的抗扰动性、鲁棒性以及良好的稳态性能。

强跟踪自适应平方根容积卡尔曼滤波算法

针对强跟踪滤波器(STF)的理论局限性及不良测量导致的滤波性能下降问题,提出了一种强跟踪自适应平方根容积卡尔曼滤波(SRCKF)算法.利用新息协方差匹配原理,建立对不良测量具有鲁棒性的自适应SRCKF.基于STF的理论框架,采用自适应SRCKF代替扩展卡尔曼滤波构建强跟踪自适应SRCKF.该算法兼具STF与自适应SRCKF的优点,在系统同时存在模型不确定性及不良测量时具有良好的滤波性能.仿真验证了所建算法的有效性.

一种自适应联合卡尔曼滤波器及其在车载GPS/DR组合导航系统中的应用研究

—本文设计了实现车载ＧＰＳ／ＤＲ组合导航系统最优综合的联合卡尔曼滤波器，并给出了滤波算法。提出了一种自适应联合卡尔曼滤波器结构及其算法，并应用于ＧＰＳ／ＤＲ组合导航系统的最优综合校正中。理论分析及计算机仿真结果均表明，应用该自适应联合卡尔曼滤波器可大大提高车载ＧＰＳ／ＤＲ组合导航系统的定位精度及容错能力。

基于模糊逻辑控制的舰船组合导航自适应卡尔曼滤波器(英文)

双天线GPS提供的载体姿态信息与惯性导航系统信息进行融合可提高组合导航系统的性能。由于在实际应用中,GPS接收机可能会受到某种干扰无法提供舰船航向信息,从而降低传统卡尔曼滤波器的性能。因而提出了一种新的基于模糊逻辑控制的自适应卡尔曼滤波器。改进后的卡尔曼滤波器使用两个模糊逻辑控制器来调整两个系统的组合模式,并且根据卡尔曼滤波器的内部状态、GPS工作状态和舰船运动状态来计算卡尔曼增益。通过使用INS和GPS的实测数据验证,这种基于模糊逻辑控制的自适应卡尔曼滤波器能有效的提高INS/GPS组合导航系统的性能。

多传感器自适应容积卡尔曼滤波融合算法

当容积卡尔曼滤波的系统模型不准确或测量出现异常时容易出现滤波发散。为了解决这一问题,提出了一种自适应容积卡尔曼滤波算法,构造了一组噪声统计估计器对噪声的统计特征进行在线实时估计,并在测量异常时采用修正函数对滤波过程进行修正,有效提高了滤波估计的精度和对滤波发散的抑制能力;在集中式滤波结构和联邦式滤波结构的基础上,设计了一种基于自适应容积卡尔曼滤波算法的多传感器系统混合式组合滤波结构,并给出了融合各传感器的局部滤波信息以得到全局滤波估计的计算方法。以对车辆的定位导航为应用背景进行了仿真实验,仿真结果证明了所提方法的有效性。

基于多重渐消因子的自适应卡尔曼滤波器

现有计算渐消因子的自适应卡尔曼滤波器得到的通常是标量渐消因子,从而导致各滤波通道具有相同的调节能力,不利于提高滤波精度。针对该问题,提出了一种利用估计均方误差和新息协方差估计值来计算多重渐消因子的方法,通过一组并行工作的基于限定记忆指数加权的新息协方差估值器来计算渐消因子,并根据估计均方误差把渐消因子分配给各滤波通道,从而提高自适应卡尔曼滤波器整体性能,仿真结果证明了所提方法的有效性。

基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计

基于电池的戴维宁(Thevenin)模型,设计了多模型自适应卡尔曼滤波器,并将多模型自适应卡尔曼滤波器应用于电动汽车电池荷电状态(state-of-charge,SOC)估计。由于老化电池是未知系统,利用传统的单一模型卡尔曼滤波器估计老化电池SOC时,因模型不准确而使估计误差增大。与单一模型滤波估计相比,多模型滤波估计融合了电池的各种老化信息,适合于未知系统的状态估计,从而提高了SOC的估计精度,并通过实验证明了上述结论的正确性。利用多模型自适应卡尔曼滤波器估计电池SOC,老化电池的模型与权值最大的单一模型较接近,根据单一模型权值可以近似估计出老化电池的健康状态(state of health,SOH),并通过电池容量测量,证明了SOH估计的正确性。

模糊自适应强跟踪卡尔曼滤波器研究

针对卡尔曼滤波器对系统模型依赖性强、鲁棒性差和跟踪机动目标能力有限的问题,提出了一种具备模糊自适应特点的模糊强跟踪卡尔曼滤波器(fuzzystrongtrackingKalmanfilter,FSTKF)。这种方法主要利用模糊逻辑自适应控制器监测残差均值与标准差,并根据模糊规则动态调整弱化因子,从而对强跟踪滤波器中多重次优渐消因子进行自适应调整,进一步提高滤波器的估计性能。仿真结果表明,该改进滤波器跟踪机动目标的精度高于常规卡尔曼滤波器和强跟踪卡尔曼滤波器。

一种自适应变分贝叶斯容积卡尔曼滤波方法

针对应用于非线性系统模型的容积卡尔曼滤波工作性能会受观测噪声参数变化的影响而降低的问题,提出一种自适应的变分贝叶斯容积卡尔曼滤波算法。在每一次更新步骤中,将系统状态与变化的观测噪声统计信息一起作为随机变量,并用变分贝叶斯方法进行估计,在迭代逼近得到噪声方差后,再利用容积卡尔曼滤波对系统状态进行更新。仿真实验证明变分贝叶斯容积卡尔曼滤波算法在非线性系统的滤波问题中能够较好跟踪变化的观测噪声方差,相比容积卡尔曼滤波拥有较好的估计性能。

一种基于预测滤波器的自适应卡尔曼滤波算法

针对系统过程噪声统计特性不确切或未知的条件下,研究了一种基于预测滤波器的自适应卡尔曼滤波算法。由预测滤波器实时估计系统模型误差及其协方差矩阵,再用其修正系统状态预测值及预测误差协方差矩阵,从而自适应调节卡尔曼增益。将该算法应用于弹载SINS/GPS紧耦合组合导航系统并与普通卡尔曼滤波、基于新息的移动开窗自适应卡尔曼滤波进行了对比,仿真结果说明该自适应滤波算法具有更高的可靠性和精度。

H ∞ 模糊自适应容积卡尔曼滤波

针对滤波过程中噪声统计特性不准确及非零均值噪声统计特性的情况,本文依据H∞卡尔曼滤波和容积卡尔曼滤波理论,设计了一种H∞模糊自适应容积卡尔曼滤波方法,有效地提高滤波的精度以及对系统未建模动态的鲁棒性。考虑到容积卡尔曼滤波过程中需要已知噪声的先验统计特性的情况,提出了一种模糊自适应方法对系统噪声和测量噪声进行估计,从而提高滤波的稳定性和收敛的快速性。通过仿真实验表明:本文提出的H∞自适应容积卡尔曼滤波能够对噪声特性进行有效的估计,在系统存在参数摄动的情况下具有更高的鲁棒性。

基于信息矩阵的自适应卡尔曼目标跟踪滤波器

为了克服线性系统中卡尔曼滤波发散这一问题,提出了一种基于信息矩阵的AKF.首先,通过对AKF滤波方程的等价推导,针对性解决了协方差矩阵的初始值问题,在信息矩阵初值P-10未知(P0一般初始化为0)时,滤波的稳定性和准确性都不受影响.另外,在基于信息矩阵的AKF基础上,为了更好适应实时场景,一种简化AKF算法(SAKF)被提出.仿真结果表明,基于信息矩阵的AKF与传统AKF(基于Sage-Husa的AKF)相比较,在P0未知时,其目标跟踪滤波效果明显优于传统AKF,该滤波算法在运动目标跟踪、航迹描绘等领域都有广泛的应用前景.

应用自适应容积卡尔曼滤波改善组合导航性能

基于状态和测量模型扰动的有色噪声建模,研究应用自适应容积卡尔曼(Kalman)滤波来改善北斗导航系统/航位推算(BDNS/DR)组合导航系统的性能。利用有色噪声白化技术获得等价的白噪声组合导航系统;通过将一种自适应调节因子计算与平方根求容积卡尔曼滤波结合获得一类自适应容积卡尔曼滤波(ASCKF),应用该算法改善组合导航系统的精度和稳定性。通过两个仿真实例验证了新算法的有效性。

自适应广义卡尔曼滤波器在反辐射导弹中的应用

抗目标辐射源关机的能力是反辐射导弹的关键战术技术性能之一，采用增广状态的广义卡尔曼滤波（EKF）与Sage－Husa自适应滤波相结合的方法，解决了在被动雷达导引头测量存在常值偏差和随机噪声，且随机噪声方差未知情况下所测角度的滤波问题，从而在目标辐射源关机时刻较精确地建立起目标视线在惯导坐标系中的方位坐标（简称惯性基准），进而利用速度追踪法导引导弹攻击目标。给出了以某型导弹为背景的全空间弹道数学仿真结果。