一种自适应扩展卡尔曼滤波的永磁同步电机无位置传感器矢量控制

在粗差干扰或噪声统计偏差情况下,扩展卡尔曼滤波(EKF)对永磁同步电机(PMSM)的速度和转子位置估计存在精度下降问题,为此提出一种基于新息序列的自适应扩展卡尔曼滤波算法(AEKF)。首先,将粗差干扰加入系统观测方程中,分析粗差干扰对系统观测精度的影响。其次,为增强算法的抗扰性能,在新息协方差计算中设置加权系数,通过调整临近时刻的新息协方差阵权重,计算出新息协方差值,并更新到卡尔曼增益的计算。最后,建立AEKF数学模型,并对比粗差干扰与噪声统计出现偏差情况下,AEKF与EKF两种策略的观测性能。仿真和实验结果表明,在粗差干扰或噪声统计信息出现偏差情况下,AEKF算法对永磁同步电机转速的观测具备更强的鲁棒性及更高的预测精度。

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。

基于自适应扩展卡尔曼滤波与神经网络的HPA预失真算法

针对强记忆功放的非线性问题,提出一种基于自适应扩展卡尔曼滤波与神经网络的高功放(High power amplifier,HPA)预失真算法.采用实数固定延时神经网络(Real-valued focused time-delay neural network,RVFTDNN)对间接学习结构预失真系统中的预失真器和逆估计器进行建模,扩展卡尔曼滤波(Extended Kalman filter,EKF)算法训练神经网络,从理论上指出Levenberg-Marquardt(LM)算法是EKF算法的特殊情况,并用李亚普诺夫稳定性理论分析EKF算法的稳定收敛条件,推导出测量误差矩阵的自适应迭代公式.结果表明:自适应EKF算法的训练误差和泛化误差均比LM算法更低,预失真后的邻道功率比(Adjacent channel power ratio,ACPR)比LM算法改善了2 d B.

自适应扩展卡尔曼滤波在卫星姿态确定系统中的应用

扩展卡尔曼滤波(以下简称EKF)算法应用于卫星姿态确定系统时需要已知精确的系统模型及过程噪声和观测噪声统计特性,并有计算量过大的问题。本文在EKF算法中加入噪声观测器,构成自适应扩展卡尔曼滤波算法(Adaptive Extended Kalman Filter,以下简称AEKF),使系统能够在传感器噪声统计特性未知的情况下,依然获得较高的系统状态估计精度,增强了系统的鲁棒性。并且AEKF算法简化了系统状态方程,相对于EKF算法减少计算量。经数学仿真验证,AEKF算法能较好地对传感器噪声的统计特性进行在线估计,使姿态确定系统正常工作,有较高的工程应用价值。

自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法,AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.

一种SINS/GPS紧组合导航系统的改进自适应扩展卡尔曼滤波算法

针对自适应扩展卡尔曼滤波算法中系统噪声协方差矩阵与量测噪声协方差矩阵不能同时被估计的问题,提出了一种改进的自适应扩展卡尔曼滤波算法.该算法基于残差,主要对滤波算法中的自适应估计器进行改进,改进后可以实时估计系统噪声.基于该算法,设计了新的滤波器并应用在SINS/GPS紧组合导航系统上,可随着系统中噪声的变化而自动地调节协方差矩阵.最后,分别用扩展卡尔曼滤波和改进的自适应扩展卡尔曼滤波对SINS/GPS紧组合模型进行仿真,结果表明改进的自适应的扩展卡尔曼滤波比扩展卡尔曼滤波的定位误差与测速误差更小,滤波的稳定性更好.

基于递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的车辆状态估计

针对汽车状态估计中模型参数的变化和观测噪声的时变特性,提出了递推最小二乘法与模糊自适应扩展卡尔曼滤波相结合的汽车状态估计算法。为实现模型参数与观测噪声的实时更新,建立了基于三自由度非线性车辆动力学模型的算法,首先利用递推最小二乘法对汽车的总质量进行估计,其次建立了模糊控制器对扩展卡尔曼滤波的观测噪声进行实时跟踪。在搭建的CarSim与MATLAB/Simulink联合仿真平台中验证了该算法的有效性,结果表明该算法估计精度高于传统扩展卡尔曼滤波算法,研究结果为汽车的主动安全控制提供了理论支持。

抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法

当BD2/GPS卫星信号受到多径效应干扰时,接收机的定位精度将会严重下降。针对这一问题提出了一种抑制多径的BD2/GPS双模自适应扩展卡尔曼滤波算法。通过观测误差协方差估计和粗差检测来调整卫星参与定位的受信任程度和个数,分析了多径效应对伪距残差和多普勒残差的影响,同时对比了原始EKF算法和AREKF算法在多径干扰下复杂动态路况的定位性能。实验结果表明,AREKF算法能够有效抑制多径信号对定位效果的干扰,明显提高了定位精度和可靠性。

基于模糊自适应扩展卡尔曼滤波器的锂电池SOC估算方法

精确的锂电池荷电状态(SOC)在线估算可以有效地延长电池使用寿命,提高电池的安全性,对于电动汽车电池管理系统(BMS)而言至关重要。针对自适应扩展卡尔曼滤波(AEKF)算法运行初期收敛速度缓慢问题,该文提出模糊AEKF(FAEKF)算法可以改善收敛速度。以NCR18650B型三元锂电池的实际端电压与预测端电压差值的绝对值及其变化率作为模糊输入,以卡尔曼滤波器的系统测量噪声R作为模糊输出,通过对R进行模糊控制来调节算法在迭代过程中的增益K,进而实现收敛速度的模糊调节。实验结果表明,在0.5C倍率恒流放电工况和动态应力测试工况(DST)条件下,改进的算法相比于扩展卡尔曼(EKF)和AEKF算法,在不降低估算精度的情况下能够明显地提高收敛速度,在SOC在线估算中更具有实用性。

基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究

荷电状态估计是储能电池管理的一项重要指标。目前工程上广泛使用的安时积分法虽然简单,但是存在诸多局限性。为了提高电量估算的精度和速度,同时考虑实际应用需求,针对储能电池开展了基于自适应扩展卡尔曼滤波(AEKF)法的荷电状态估计研究,以二阶Thevenin等效电路模型为基础,列写状态空间表达式,建立滤波器模型并根据实际情况对算法进行适当改进。仿真实验通过对比扩展卡尔曼滤波(EKF)法和AEKF方法,证实了AEKF方法的优越性。

自适应扩展卡尔曼滤波机械臂末端定位

为满足工业机械臂末端精确定位的需求,提出了一种适用于“眼在手上”机械臂-相机系统的自适应扩展卡尔曼滤波方法。该方法基于协方差匹配理论通过设置并利用已知的测量噪声协方差更新运动状态噪声协方差增量,实现对运动噪声协方差矩阵的精确估计进而实现对机械臂末端运动的精确估计。仿真结果表明,提出的自适应扩展卡尔曼滤波方法实现了比传统的扩展卡尔曼滤波和Sage-Husa自适应扩展卡尔曼滤波更好的机械臂末端运动估计,同时在不同的运动噪声协方差输入的情况下,该自适应扩展卡尔曼滤波方法具有较高的鲁棒性。

基于TDOA的自适应扩展卡尔曼滤波跟踪算法研究

论文对UWB中基于扩展卡尔曼滤波的TDOA跟踪定位算法研究。针对EKF算法会随着测量误差增大定位精度降低这一缺点,提出了一种自适应迭代扩展卡尔曼滤波算法(AIEKF),通过仿真对比表明该算法在测距误差增大时。

基于自适应扩展卡尔曼滤波的导弹制导信息估计

在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取“当前”统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。

基于自适应插值强跟踪扩展卡尔曼滤波的电力系统动态状态估计研究

针对扩展卡尔曼滤波(extended Kalman filter,EKF)算法在电力系统状态估计时存在鲁棒性差,精度被非线性系统的非线性程度制约大等缺点,提出一种自适应插值强跟踪扩展卡尔曼滤波(adaptive interpolation strong tracking extended Kalman filter,AISTEKF)算法,用于电力系统的动态状态估计。新算法利用自适应插值在两个连续采样点之间增加伪量测值,减小了EKF的线性化误差,有效提高了算法估计的精度;此外,该方法在EKF算法基础上引入强跟踪理论,增强了算法估计的鲁棒性。为验证所提出方法的有效性,分别运用EKF算法、自适应插值扩展卡尔曼滤波(adaptive interpolation extended Kalman filter,AIEKF)算法和AISTEKF算法对IEEE-5节点系统和IEEE-30节点系统进行动态状态估计。实验结果表明,与EKF和AIEKF算法相比,无论在高斯噪声环境下还是3种有偏噪声环境下,AISTEKF算法的电压幅值估计精度和电压相角估计精度都有显著性提高。所提出的新算法是一种鲁棒性好且估计精度高的电力系统状态估计方法。

基于自适应渐消扩展卡尔曼滤波的锂离子电池SOC估计

电池荷电状态(SOC)的准确估计对于电动汽车动力电池的管理至关重要,而电动汽车在实际运行时经常会遇到SOC数据突变的问题,同时所建立的电池模型和噪声模型也存在一定误差,这导致传统扩展卡尔曼滤波算法在SOC估算过程中自适应性和鲁棒性较差。针对这些问题,本文提出使用自适应渐消扩展卡尔曼滤波算法(AFEKF),应用于锂离子电池的SOC估计。引入渐消因子对系统噪声协方差进行自适应迭代,从而实时更新最优卡尔曼增益,减少数据突变和电池模型误差等因素带来的影响,通过在复杂工况下的实验对比可知,AFEKF相比于标准EKF(extended Kalman filter),新欧洲驾驶循环工况下SOC估算精度提高0.78个百分点,变电流工况下估算精度提高0.5个百分点,同时在电池SOC初始值不准确的情况下能更快更平稳地收敛到真实值,表明AFEKF算法相比EKF估算SOC具有更高的估算精度和更好的鲁棒性。

最大相关熵准则下改进扩展卡尔曼滤波的车辆状态估计

针对传统卡尔曼滤波在非高斯环境下对车辆状态估计鲁棒性和精度差的问题,提出最大相关熵准则(MCC)下改进自适应迭代扩展卡尔曼(AIEKF)滤波算法(MC-AIEKF),建立横-纵耦合的三自由度车辆模型,利用易测得的车载传感器信息设计了包含横摆角速度、质心侧偏角、纵向车速的状态观测器。在双移线和正弦扫频输入工况下通过Simulink/CarSim仿真试验平台对提出的算法进行了验证。结果表明,在非高斯环境下,相比于扩展卡尔曼滤波(EKF)和AIEKF,MC-AIEKF算法估计精度高,鲁棒性好,在实际的车辆状态估计中MC-AIEKF具有更强的适用性。

基于自适应扩展卡尔曼滤波的吲哚菁绿药代动力学实验研究

基于动态扩散荧光层析成像(DFT)的荧光剂药代动力学参数(渗透率等),可为判断不同生物组织体的生理过程和病理信息提供参考。自适应扩展卡尔曼滤波(AEKF)作为一种动态分析方法,具有精确的建模和多参数在线估计等优势。基于DFT系统对吲哚菁绿(ICG)在健康小鼠肝脏和荷瘤小鼠皮下移植瘤组织中的代谢过程进行了测量,然后采用DFT重建技术获得了ICG的时间序列荧光层析图像,在此基础上结合二室模型和AEKF方法得到了ICG的时间序列渗透率参数层析图像。对比两种实验结果可知,肿瘤中ICG的渗透率参数Kpe、Kep均较健康小鼠肝脏中的小。时间序列荧光层析图像显示,AEKF方法能有效获得复杂生物体实时、稳定的ICG药代动力学参数。

基于自适应FFRLS-AEKF的锂电池荷电状态估计

锂电池荷电状态(SOC)是电池管理系统最重要的参数之一,准确估计SOC具有重要意义。为了解决模型参数辨识过程中“数据饱和”问题以及系统噪声对SOC估计精度的影响问题,文章以二阶RC电路作为锂电池等效电路模型,采用带有遗忘因子的递推最小二乘(FFRLS)算法完成模型参数在线辨识,同时结合对系统噪声协方差实时更新的自适应扩展卡尔曼滤波(AEKF)算法实现锂电池SOC估计。试验结果表明,该方法在不同的环境温度下都具有较高的精度,且最大误差小于1.2%,均方根误差小于0.75%。相比于传统的扩展卡尔曼滤波(EKF)算法,文章提出的算法具有较高的精度和鲁棒性。

自适应卡尔曼滤波器在车用锂离子动力电池SOC估计上的应用

进行了用自适应扩展卡尔曼滤波（AEKF）算法估计电动车用锂离子动力电池的荷电状态（SOC）的研究。基于混合脉冲功率特性（HPPC）试验，利用遗传优化算法改进Thevenin电路模型参数辨识方法，且从充放电两个方向来获得模型参数，然后在动态应力测试（DST）工况下对改进的模型进行仿真验证分析，基于改进的模型和联邦城市行驶工况（FUDS），应用AEKF算法开展SOC估计研究。仿真和台架试验结果对比表明，改进的Thevenin电路模型和AEKF算法均具有较高的精度，最大估算误差分别为1．70％和2．53％；同时AEKF算法具有较好的鲁棒性，可以有效地解决初始估算不准和累计误差的问题。

自适应卡尔曼滤波在目标跟踪系统中的应用

目标跟踪是精确制导系统中的重要组成部分。文中针对运动目标跟踪问题,在建立运动模型的基础上,应用卡尔曼滤波算法进行了跟踪仿真研究。考虑到直角坐标系下的扩展卡尔曼滤波容易发散,可能导致滤波精度变差,所以文章提出一种针对非线性观测模型和线性动态模型的自适应推广卡尔曼滤波器。直角坐标系下的自适应卡尔曼滤波算法,对虚拟噪声进行了估计,动态补偿观测器模型的线性化误差,削减了系统的观测误差,并对其滤波理论及算法进行了仿真研究。结果表明:该算法提高了滤波的稳定性、快速性和精确性,优于一般的扩展卡尔曼滤波算法。