连续变速颤振试验的自适应粒子滤波算法

连续变速颤振试验的采集信号通常为非平稳信号,其频率和幅值随时间变化,尤其在亚临界状态下,变化程度十分剧烈。常用的非平稳信号时变参数建模分析方法,在信号非平稳程度较高的情况下难以对信号的模态进行准确地分析和跟踪。为了解决这一问题,结合信号非平稳度量计算方法,提出一种改进的自适应粒子滤波算法,并通过仿真实验数据对所提算法在高非平稳度情况下的跟踪性能进行验证。结果表明:与一般粒子滤波算法相比,本文方法在高非平稳度情况下具有更高的跟踪精度。

基于自适应蝙蝠粒子滤波算法的WSN目标跟踪

为了解决粒子滤波(PF)的无线传感器目标跟踪中样本贫化导致的精度较低的问题,提出了自适应蝙蝠粒子滤波的WSN目标跟踪方法;通过自适应的蝙蝠算法的滤波算法优化粒子重采样过程,结合最新的观测值定义粒子的适应度函数,引导粒子整体上向较高的随机区域移动;同时利用动态自适应惯性权重探索新的粒子位置更新为设计机制,引入动态适应惯性权重值,有效调整全局探索和局部探索适应能力、改善粒子贫化和局部极值问题,增加粒子群多样化从而提高跟踪性能;实验结果表明,自适应蝙蝠粒子滤波算法重采样方法可以防止粒子的退化,增加粒子的多样性,减少跟踪误差,可以减少算法的运行时间,实时追踪性能大幅提高;与BA-PF算法和PF算法相比较,IBA-PF算法的计算时间是最短的,IBA-PF算法的位置和速度的平均平方根误差最小(位置0.031 1、0.020 2、速度0.026 2、0.010 1),PF算法的跟踪精度是最低的,而IBA-PF跟踪精度较高,IBA-PF算法被证明具有良好的跟踪性能。

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.