基于AKF-PID的航天气化炉氧煤比先进控制

在航天气化炉生产系统中,氧煤比的自动控制对于提高航天气化炉生产效率具有重要意义。氧煤比的调控通常通过控制煤线流量完成,煤线流量具有大噪声、强干扰特性,人工手动控制无法实现氧煤比的精确控制,使用常规PID控制器无法实现对氧煤比的自动控制。为此,提出一种基于AKF-PID的氧煤比先进控制方法,针对煤线流量大噪声的特性,采用自适应卡尔曼滤波器(AKF),在保证滤波效果的同时避免了均值滤波带来的时间滞后;针对强干扰特性,将给料罐与烧嘴压差作为前馈量,克服煤线压力波动干扰造成的产品质量下降问题。该算法已成功投运,极大地改善了氧煤比的控制品质。

基于AKF的无人水翼航行器纵向姿态控制研究

无人水翼航行器在运行过程中会受到海浪干扰,使得无人水翼航行器姿态控制效果变差,而传统卡尔曼滤波(KF)过程噪声矩阵为固定值,在复杂海况下滤波效果并不理想。针对上述问题,基于一种无人水翼航行器,首先建立了其纵向运动数学模型,并设计了纵向姿态LQR控制器。然后设计了一种基于新息卡方检验值的自适应卡尔曼滤波(AKF),以自适应调节过程噪声矩阵,并将AKF用于对系统反馈状态进行最优估计。通过仿真验证了基于AKF的纵向姿态控制器,能够有效抑制海浪干扰,可以使无人水翼航行器在海浪中平稳运行。

基于DL-AKF的UWB煤矿井下定位算法

针对UWB在煤矿井下定位精度及稳定性等问题,本文提出一种双层自适应卡尔曼滤波(DL-AKF)定位算法,分别在测距和定位阶段使用不同的自适应卡尔曼滤波算法。第一层Sage-Husa自适应卡尔曼滤波与多项式拟合误差补偿联合处理应用于测距阶段,将测距误差减小至10 cm内,第二层自适应扩展卡尔曼滤波应用于定位解算,进一步提高煤矿井下定位精度及稳定性。实验表明,该算法能够有效减小测距误差并提高定位精度,静态定位结果均方根误差可达到14 cm左右。

煤矿井下基于新息理论的AKF超宽带定位算法

针对传统煤矿井下定位精度低的问题,提出了一种基于新息理论的AKF超宽带定位算法.首先建立基于到达时间(TOA)的超宽带定位模型,其次利用极大似然估计准则,将新息方差引入到卡尔曼滤波中参与计算,对系统噪声进行实时的估计和调整,最终实现了系统的定位.实验结果表明,在选定的坐标系中,X轴方向最大误差为14.26 cm,Y轴方向最大误差为14.01 cm,均方根误差为12.68 cm.本文所提出的算法比传统UWB定位算法得到的定位误差更小,有效的提高了定位精度,能够更好的满足煤矿井下定位精度的需求.

基于自适应衰减系数的VB-AKF滤波算法

VB-AKF算法利用变分贝叶斯迭代近似方法获得了量测噪声方差较好的估计,但是存在无法完全适应量测噪声方差动态变化的问题。本文提出了一种基于衰减系数自适应的VB-AKF滤波算法。该算法利用量测数据精度等级对衰减系数进行自适应调整,解决了VB-AKF算法事先设定的衰减系数不能完全适应量测噪声方差动态变化的问题。仿真结果表明,该算法能够快速有效的估计出动态变化的量测噪声方差,并且能够有效的实现数据滤波。

AKF算法在城市快速路行程时间计算中的应用

卡尔曼滤波算法具有动态性、实时性的优点,但在用FCD数据对城市快速路进行行车时间计算中,要求对参数计算值进行实时跟踪与识别,需要使用具有一定跟踪能力的自适应递推算法,如自适应卡尔曼滤波(AKF)算法。文中通过采用AKF算法计算上海市南北高架道路的行程时间,定量证明了AKF算法的高精度。

AKF-PD在转化生长因子-β1诱导新生大鼠心肌成纤维化中抵抗作用的实验研究

目的:探讨氟非尼酮(AKF-PD)对转化生长因子-β1诱导的新生大鼠心肌成纤维细胞增殖中抗心肌纤维化的作用。方法:无菌条件下剪取20只新生大鼠的心脏碎块,在D-hank's液50mL离心管中漂洗,采用差速贴壁分离法分离心肌成纤维细胞;使用SABC免疫细胞化学染色方法鉴定细胞,如果抗结蛋白阴性而抗波蛋白阳性,则鉴定该细胞为心肌成纤维细胞;采用MTT法检测转化生长因子-β1对心肌成纤维细胞的增殖以及AKF-PD的抗纤维化作用。结果:与对照组相比,转化生长因子-β1对新生大鼠心肌成纤维细胞具有增殖作用,且随5、10、15ng/mL转化生长因子-β1浓度增加,OD值逐渐减小;与对照组相比,转化生长因子-β1组与AKF-PD+转化生长因子-β1组心肌成纤维细胞均具有增殖作用,但与转化生长因子-β1组比较,AKF-PD+转化生长因子-β1组OD值减小。结论:转化生长因子-β1对新生大鼠心肌成纤维细胞具有增殖作用,随着浓度的增高,增殖作用减弱;在转化生长因子-β1诱导的新生大鼠心肌成纤维细胞增殖中,AKF-PD具有抑制心肌纤维化的作用从而对新生大鼠心肌成纤维细胞抗纤维化作用提供了实验依据。

基于改进分块匹配和AKF的抗遮挡目标跟踪

在基于图像处理技术的机动目标跟踪研究中,为更好实现目标处于持续遮挡状态下的跟踪,提出了一种改进的分块匹配和抗野值卡尔曼滤波(AKF)相结合的新方法。在每一帧图像序列里,依据目标与模板的匹配置信度动态调节子块的大小和位置,提高目标运动矢量的测量精度;建立AKF模型对目标的位置参数滤波;在目标被严重遮挡时,依据莱特准则在线判定和修正卡尔曼(Kalman)新息野值序列,得到被跟踪目标位置的最优估计。多组实验结果表明:新方法在目标处于遮挡状态下跟踪结果较准确,具有更好的抗遮挡跟踪能力,且算法的速度达110 FPS,满足实时性要求。

基于AKF和RLS的车辆簧载质量辨识研究

实际应用中,车辆负载会随着乘客和货物的变化而发生显著改变。提出结合自适应卡尔曼滤波器(AKF)与递推最小二乘算法(RLS)进行车辆簧载质量的在线辨识。首先,采集四分之一车辆悬架的簧载振动加速度、动行程及车轮垂向加速度信号,对车辆悬架系统中的簧载质量和车轮的绝对速度进行估计,进而由遗忘因子递推最小二乘算法辨识车辆簧载质量。分析了在不同路面等级下,卡尔曼滤波器的过程噪声协方差和测量噪声协方差对悬架状态估计精度的影响。仿真结果显示,在选取与车辆行驶路面等级匹配的过程噪声协方差和测量噪声协方差时,车辆悬架状态参数的估计精度较高,并能够在线准确地辨识得到车辆的簧载质量值。

基于AKF的组合对准方法在AUV中的应用

针对水下航行器(AUV)初始对准过程中,由于惯性测量器件的测量精度不高,导致系统自对准的精度不高的问题,提出在初始对准阶段采用DVL辅助的组合对准方法,引入DVL提供的速度信息提高对准的精度。建立AUV中系统的状态方程和观测方程,同时为解决噪声不确定导致滤波器发散的问题,提出将自适应卡尔曼滤波(AKF)用于组合对准中。通过采集到的实验数据验证基于AKF的组合对准方法的精度比较高,将其用于AUV的初始对准中是可行的。

基于ARMA-AKF的HRG随机误差建模分析

针对半球谐振陀螺(HRG)随机误差影响惯性测量单元测量精度的问题,提出了一种改进的基于自回归滑动平均(ARMA)模型和自适应滤波(AKF)的随机误差处理方法。该文对预处理的数据进行了自相关和偏相关特性分析,判断随机误差的适用模型,以及利用贝叶斯信息准则(BIC)准则估计ARMA模型的阶数,通过长自回归模型计算残差法获取模型参数,引入加权自适应因子在线调整一步预测误差阵和量测噪声矩阵用于改进滤波方程,并比较了5项主要误差系数值。结果表明,改进的算法能够有效抑制随机误差,为HRG的随机误差建模补偿提供了新方法。

基于AKF的永磁同步电机关联关系模型研究

建立永磁同步电机的关联关系模型有两个关键点:电机模型的确立和模型中未知参数的估计。在永磁同步电机模型的确立方面,建立了能同时考虑铁耗和转子磁场谐波的d-q轴模型;在电机模型参数估计方面,提出了一种采用自适应卡尔曼滤波算法的系统辨识方法。仿真结果表明:能同时考虑铁耗和转子磁场谐波的永磁同步电机模型具有较高的建模准确度;采用自适应卡尔曼滤波的算法能够有效跟踪实际测量噪声特性的变化,精确估计参数,且快速收敛。实验测试结果进一步验证了该模型和算法的有效性和实用性。

基于AKF的AUV对接回收组合导航研究

针对自主水下机器人(Autonomous Underwater Vehicle,AUV)在回收过程中的组合导航精度问题,提出了一种改进的高斯距离迭代法及改进的自适应卡尔曼滤波算法(Adaptive Kalman Filter,AKF)。基于AUV回收对接系统,研究并建立了针对惯导SINS、超短基线USBL、多普勒计程仪DVL和深度计的基于斜距的组合导航模型。通过对SINS/USBL/DVL/深度计组合导航量测信息误差特性分析,设计了改进的基于斜距的SINS/USBL/DVL/深度计组合导航模型;针对该模型突出的滤波发散问题,设计了基于滤波收敛性判据和强跟踪滤波思想改进的AKF滤波算法进行有机融合。仿真结果表明,此研究使实际AUV系统具有更高的滤波精度和可靠性。

利用新息构造AKF估计和预报大坝变形

利用线形流形的射影方法推导出新息序列统计特性,构造新息AKF,基于新息序列不断地修正状态噪声和量测噪声,实时地反映模型当前真实的统计特性。通过隔河岩大坝实测数据处理,表明该方法能很好地提高随机模型不准确和变形突变影响下的变形估计与预报精度。

基于自适应卡尔曼滤波的RFID/SINS组合导航研究

在室内导航定位中,射频识别(Radio Frequency Identification,RFID)技术具有信号穿透性强、成本低廉等诸多优点,能够有效代替GPS完成室内组合导航。针对室内惯性导航误差发散和滤波中噪声参数不确定的问题,提出了基于自适应卡尔曼滤波(Adaptive Kalman Filtering,AKF)的RFID/SINS组合导航系统,通过RFID定位系统抑制惯性导航误差发散,并应用AKF将噪声参数与量测输出参数关联实现实时更新。对AKF和标准卡尔曼滤波(Kalman Filtering,KF)下的RFID/SINS组合导航系统进行了仿真和实验。结果表明,在AKF下组合导航系统平均定位误差降低了10%,位置稳定性提升了7.4%,定位误差保持在0.07 m左右。基于AKF的RFID/SINS组合导航系统能够满足室内高精度定位导航的需求。

新型AKF系列电控箱的开发

本文介绍了新型AKF系列电控箱的设计思想，产品特点及性能。

基于卡尔曼滤波状态估计的输电线路故障测距

为提高在外部复杂条件下线路故障测距精度,提出一种基于自适应卡尔曼滤波(adaptive kalman filtering,AKF)状态估计的输电线路测距方法。首先分析短路时电压信号特性,建立状态变量为基波与各次谐波的状态空间模型;然后用AKF实现状态估计,通过对谐波分量进行行波检测分析,确定行波抵达终端的时刻,并结合双端测距法确定故障距离;最后通过在三节点环网进行仿真分析,验证所提方法在不同故障条件下故障测距的有效性。在不同故障距离与强度噪声情况下,均能精确测量出故障点在线路上的位置。

复杂环境下基于自适应卡尔曼滤波的时间比对跟踪算法

在雷达、车载等动态协同组网系统中,高精度时间同步是该系统正常工作的基本条件。但是在动态组网系统或者低截获场景下,时间比对信号强度弱,并处于动态场景,此时时间同步系统鲁棒性差、同步精度低。因此,需要提高时间同步系统在复杂的动态组网系统下的时间同步精度。调制解调器是双向时间比对系统的核心设备,而跟踪环路是其中关键部分。复杂场景下跟踪环路很容易失锁,为了提高跟踪环路鲁棒性,该文提出一种基于自适应卡尔曼滤波(AKF)的跟踪算法。该算法引入自适应因子来调节系统噪声协方差矩阵,从而应对外部变化的输入信号。试验结果显示,与传统锁相环跟踪环路(PLL)和标准卡尔曼滤波跟踪环相比,在弱信号和动态信号同时存在时该算法跟踪鲁棒性和自适应性更好,并且算法复杂度不高。该算法对于提高动态协同组网系统的时间同步精度具有重要意义。

基于自适应Kalman滤波的移动机器人人体目标跟随

本文研究了复杂背景环境下基于视觉的移动机器人人体目标跟随问题。首先,考虑目标状态的随机性给系统建模带来的影响,采用RGB-D相机获取包含目标的彩色图像和深度图像,从而确定目标与机器人之间的相对位置关系并建立移动机器人跟随模型。其次,考虑系统量测误差的不确定性对滤波器稳定性的影响,采用假设检验的方式引入自适应因子,设计自适应卡尔曼滤波器(AKF),实现对移动机器人跟随状态的预测和更新。最后,通过实验验证了所提方法的有效性。本文设计的基于AKF方法的移动机器人目标跟踪方法不依赖于历史量测数据,适用于噪声统计特性时变的状态估计问题。

鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪

提出了一种鲁棒的基于均值漂移的自适应卡尔曼滤波目标跟踪算法。首先建立卡尔曼滤波的系统模型,用卡尔曼滤波预测目标在当前帧的位置,并将该预测值作为初始值,用均值漂移算法搜索目标位置。然后将搜索结果作为观测值来修正预测值,并根据目标模型与由均值漂移算法搜索得到的候选目标模型及相应背景模型的Bhattacharyya系数自适应调整卡尔曼滤波的参数,从而提出了一种鲁棒的自适应卡尔曼滤波目标跟踪算法。仿真实验表明,该算法具有较好的跟踪精度,对遮挡具有较强的鲁棒性。