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。

基于混合自适应扩展卡尔曼滤波的永磁同步直线电机等效机械参数辨识策略

针对机械参数辨识精度受推力系数波动影响而降低的问题,提出等效机械参数模型,将推力系数与待辨识参数相结合,并推导该模型在控制器调谐和前馈补偿上与传统模型的等效性。为了进一步实现等效机械参数在线辨识,构建基于混合自适应扩展卡尔曼滤波的辨识器。混合自适应扩展卡尔曼滤波在系统噪声矩阵和渐消因子中加入自适应机制,能够估计系统噪声,并在负载突变时快速收敛。通过对系统可观性和矩阵正定性的推导,证明算法的稳定性。最后,在一台永磁同步直线电机上进行实验,验证所提算法的有效性及其在PWM周期为32 kHz和10 kHz时在线运行的可行性。

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。

基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法

针对复杂环境下雷达目标跟踪系统易受外界干扰引入噪声污染分布问题,为了保证系统实时可靠,提出了一种基于新息自适应的扩展卡尔曼滤波雷达目标跟踪算法(innovation-based adaptive extended Kalman filter,IAEKF)。通过建立系统新息统计特性,构造系统与量测噪声函数,将新息协方差直接引入滤波器增益矩阵计算,在不增加计算代价的同时,改善算法的自适应性。仿真实验表明,在雷达测量系统受时变噪声污染分布影响下,IAEKF算法相比EKF算法跟踪精度高,算法可行且有效,具有一定的工程研究价值。

迭代扩展卡尔曼粒子滤波器

提出了一种基于迭代扩展卡尔曼的粒子滤波新方法.该方法利用迭代扩展卡尔曼滤波的最大后验概率估计产生粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布.仿真结果表明,提出的迭代扩展卡尔曼粒子滤波的估计性能要明显优于标准的粒子滤波、扩展卡尔曼粒子滤波和unscented粒子滤波.

IMM迭代扩展卡尔曼粒子滤波跟踪算法

该文提出了一种交互式多模型(IMM)迭代扩展卡尔曼粒子滤波机动目标跟踪算法。该算法在多模型中使用了改进的粒子滤波器,通过对迭代扩展卡尔曼滤波(IEKF)的测量更新按照高斯牛顿方法进行修正,减小了非线性滤波带来的线性化误差,然后利用修正的IEKF来产生粒子滤波的重要性密度函数,使其融入最新观测信息。最后将所提算法与交互式多模型粒子滤波(IMMPF)进行了比较,仿真结果表明该算法具有更好的跟踪性能。

基于改进自适应扩展卡尔曼滤波的高精度姿态解算

针对传统自适应扩展卡尔曼滤波的姿态角度解算精度低的问题,分析了Sage-Husa自适应滤波原理,设计了一种改进加权的测量噪声协方差矩阵,提出一种优化自适应滤波过程的扩展卡尔曼滤波方法(WAEKF)。该方法以自适应扩展卡尔曼算法为基础,通过设置不同的权重值更新测量噪声协方差,对测量噪声进行自适应滤波,实现姿态角度的有效解算。实验结果表明,该方法相较于传统的自适应扩展滤波算法大幅提高了姿态角的解算精度,其航向角的均方根误差和平均绝对误差分别降低了84.23%,78.28%。

迭代扩展卡尔曼滤波在相对姿态估计中的应用

在航天器相对姿态测量过程中,由于基于单帧图像的相对姿态测量方法受噪声影响比较大,相对距离较远时,测量的稳定性较差,因此提出采用迭代扩展卡尔曼滤波进行相对姿态估计的方法。首先对卡尔曼滤波进行概述,然后建立基于迭代扩展卡尔曼滤波的航天器间的3D位置和姿态估计系统模型及观测模型,确定系统及测量噪声模型,给出运用卡尔曼滤波方法解决姿态估计问题的具体方法及详细过程,最后通过仿真数据和实测数据对该方法的正确性、可行性进行了验证。

基于放疗科大孔径CT的自适应迭代重建技术在肺结节穿刺中的应用研究

目的:研究大孔径CT自适应统计迭代重建(ASIR)对肺结节经皮穿刺中图像质量的影响。方法:选取2023年1月—7月于深圳市宝安区人民医院接受大孔径CT引导穿刺的肺结节患者20例。分别应用滤波反投影技术(FBP)和ASIR技术重建图像并评价两组图像质量。主观评价采用Likert评分,客观评价对结节区噪声标准差(SD)、对比噪声比(CNR)和穿刺针针尖位置CT值等资料。结果:图像的主观评价均满足穿刺要求且一致性较好(Kappa值=0.740)。ASIR图像质量随着权重先增加后降低,权重为60%时最佳。和FBP相比,ASIR 60%的Likert评分更高,结节SD和CNR值比较,差异有统计学意义(P=0.004、0.043)。其他统计参数比较,差异均没有统计学意义(P>0.05)。结论:放疗用大孔径CT常规扫描不影响穿刺图像质量,ASIR 60%图像质量更优,可以用于引导肺结节经皮穿刺。

基于迭代扩展卡尔曼滤波的车辆运动状态估计

采用低成本传感器并借助卡尔曼滤波方法实现车辆运动状态的高精度估计。首先考虑车辆侧向运动、横摆运动以及侧倾运动,建立非线性三自由度的动力学车辆模型,通过对其线性化,实现扩展卡尔曼滤波设计,进一步针对线性化带来的截断误差问题,利用贝叶斯估计建立极大后验状态估计最小二乘表达式,通过进一步求解最终设计完成了迭代扩展卡尔曼滤波算法。通过不同行驶条件下仿真,验证迭代扩展卡尔曼滤波过滤噪声和追踪实际值的能力。仿真结果表明:在复杂的行驶条件下,迭代扩展卡尔曼滤波能大幅过滤噪声,并有效追踪车辆质心侧偏角和横摆角速度的实际状态。

神经网络训练中的迭代扩展卡尔曼粒子滤波算法

基本粒子滤波算法已被成功用于训练神经网络,但该算法在建议分布的选择上并没有考虑当前时刻观测值的影响,针对该问题提出在神经网络训练中,使用迭代扩展卡尔曼滤波器来生成建议分布.由于迭代扩展卡尔曼滤波器在传递近似建议分布的均值和协方差的过程中,充分利用了观测值信息,从而可以更好地描述神经网络权值的后验概率分布.实验结果表明,在训练神经网络时,迭代扩展卡尔曼滤波器作为建议分布的粒子滤波算法训练性能明显优于基本粒子滤波算法及扩展卡尔曼粒子滤波算法(EKPF).

压电微动台数据驱动迭代前馈补偿与自适应抑振

为消除压电驱动柔性微定位平台高精控制对平台不确定动力学模型的依赖性,提出了一种数据驱动无模型迭代前馈补偿和自适应陷波滤波结合的控制方法来提高平台的跟踪性能。首先,建立了数据驱动无模型迭代前馈控制器,提高系统对噪声和其他干扰的鲁棒性,同时,证明了在无模型迭代前馈作用下,连续参考输入跟踪误差的有界性和闭环系统的稳定性;其次,构建了自适应陷波滤波器来消除平台谐振的影响,对误差信号进行快速傅里叶变换,并设计谐振频率在线提取算法,实现对陷波滤波器参数的在线实时整定,来进一步提升轨迹跟踪精度;最后,利用所设计的无模型迭代前馈控制器和自适应陷波滤波器对压电微动台进行轨迹跟踪实验。实验结果表明:在跟踪三角波信号时,与单独比例-积分(Proportional Integral,PI)控制和结合自适应陷波滤波器的PI控制相比较,最大跟踪误差分别减小78.25%和70.83%,能够有效提升平台的稳定性和跟踪精度。

基于扩展卡尔曼滤波的联合迭代检测译码信道估计方法

针对高速移动场景下信道快衰落、非平稳等特性导致下行链路信道估计性能受限的问题,提出了一种适用于高速移动环境下行链路的信道估计方法.采用自回归过程对信道建模,构造自反馈的扩展卡尔曼滤波器(Extended Kalman Filter,EKF)追踪信道响应及其时域相关系数.为了解决EKF自反馈结构引起的误差传播问题,采用了迭代检测译码的接收机结构,以利用信道编码的冗余提升EKF的信道估计精度.仿真分析表明,在高速移动环境下所提方法相较于最小二乘估计和线性最小均方误差估计等传统方法提升了信道估计的均方误差和系统的误码率性能,可应用于高速列车无线通信设备的接收机基带信号处理系统.

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。

基于状态增广的修正迭代扩展卡尔曼滤波

针对修正迭代扩展卡尔曼滤波一次迭代后系统状态和估计状态不与测量噪声之间保持相互独立的问题,将测量噪声增广到状态变量中,提出了基于状态增广的修正迭代扩展卡尔曼滤波。然后将该滤波方法应用到基于雷达测量的再入飞行器目标跟踪问题中,仿真结果表明:与修正迭代扩展卡尔曼滤波和传统的扩展卡尔曼滤波相比,该滤波方法具有更快的收敛速度和更优的估计精度。

基于自适应直接快速迭代滤波的滚动轴承故障诊断方法

直接快速迭代滤波(direct fast iterative filtering,DFIF)是最近提出的一种非线性和非平稳信号分析方法。针对DFIF方法需人为设定滤波区间调整参数,且该参数在迭代计算过程中缺乏自适应性等问题,提出了自适应直接快速迭代滤波(adaptive direct fast iterative filtering,ADFIF)方法,该方法基于瞬时频率波动能量差准则,自适应确定DFIF算法外循环每层迭代筛分过程中最优滤波区间调整参数。ADFIF方法能够自适应地将任意非线性和非平稳信号分解为若干个瞬时频率具有物理意义的近似窄带信号和一个趋势项之和。通过仿真信号和滚动轴承故障信号分析,将所提ADFIF方法与原DFIF、自适应局部迭代滤波、变分模态分解、经验模态分解等方法进行对比,结果表明,所提ADFF方法在抑制模态混叠和抗噪性方面具有一定的优势,且能提取出滚动轴承更多故障特征信息。

新的自适应渐消扩展卡尔曼滤波在GPS定位中的应用

当实际数据出现突变时,基于最小二乘、扩展卡尔曼滤波的GPS定位解算存在定位结果精度低和稳定性差的问题。提出一种自适应渐消扩展卡尔曼滤波算法,通过自适应渐消迭代系统噪声协方差,来实现抑制数据突变影响。试验结果表明:该算法相比最小二乘、扩展卡尔曼滤波,其定位精度有所提高;相比传统渐消扩展卡尔曼滤波,其收敛速度、稳定性有所提高。

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。