Cubature粒子滤波

非线性非高斯下后验概率密度函数解析值无法获得,需设计合理的重要性密度函数进行逼近。传统粒子滤波(particle filter,PF)直接采用未含最新量测信息的状态转移先验分布函数作为重要性密度函数来逼近后验概率密度函数。针对PF缺乏量测信息的问题,提出一种基于Cubature卡尔曼滤波(Cubature Kalman filter,CKF)重采样的Cubature粒子滤波新算法(Cubature particle filter,CPF)。该算法在先验分布更新阶段融入了最新的观测数据,通过CKF设计重要性密度函数,使其更加接近系统状态后验概率密度。仿真表明CPF估计精度高于PF和扩展卡尔曼滤波(extended particle filter,EPF),与无轨迹粒子滤波(unscented particle filter,UPF)相比,其精度相当,但算法运行时间降低了约20%。

基于Cubature粒子滤波检测前跟踪方法

为了改善低信噪比条件下弱目标的检测实时性与跟踪精度,提出了基于Cubature粒子滤波检测前跟踪方法。该方法直接使用原始传感器数据,使用Cubature卡尔曼滤波构造粒子滤波的重要性建议函数来估计目标的运动状态,充分利用了系统的状态模型以及加入了新的观测信息。仿真实验表明,该算法对低信噪比条件下雷达弱目标具有良好的实时检测和跟踪性能。

基于改进Att-LSTNet与无迹粒子滤波融合的主动配电网预测辅助状态估计

针对传统的无迹粒子滤波(unscented particle filter,UPF)存在不准确的新息向量及未知的量测噪声协方差矩阵导致估计精度低的问题,提出一种改进Att-LSTNet与UPF融合的主动配电网预测辅助状态估计(forecasting-aided state estimation,FASE)方法。首先,采用引力搜索算法(gravitational search algorithm,GSA)对支持向量回归(support vector regression,SVR)的关键参数进行优化处理,利用历史数据建立GSA-SVR模型,并将其引入至Att-LSTNet模型的输出层,构建一种增强预测模型。然后,利用UPF中的新息向量来训练该模型,并结合孤立森林算法和箱线图法对原始新息向量进行监控和修正。最后,针对量测噪声协方差矩阵未知的情况,结合修正后的新息向量和UPF计算出未知量测噪声协方差矩阵,并进行状态估计。基于IEEE33与IEEE118节点标准配电系统的算例结果表明,所提出的方法在估计精度、泛化能力和鲁棒性等方面具有优越性。

基于粒子滤波的5G-R时间同步补偿方法

5G-R作为下一代高速铁路时间同步无线通信系统,保持时间同步对高速铁路行车安全至关重要。针对现有时间同步方法未考虑5G-R快速时变信道的影响,导致主从时钟偏移估计不准确的问题,提出一种基于粒子滤波的5G-R时间同步补偿方法。构建5G-R主从时钟的相位及频率偏移的状态转移方程;采用粒子滤波算法得到时钟偏移最优估计值;完成对5G-R时间同步误差的补偿;通过试验仿真,实现多普勒频移对5G-R时间同步的影响分析,得到对高速铁路不同典型场景下时间同步性能的定量分析。结果表明:提出的方法能够有效降低5G-R无线信道时钟偏差,较其他方法具有更好的稳定性和同步性能。

基于负荷预测和无迹粒子滤波的配电网动态状态估计

随着汽车充电成为新型重要负荷,为确保此时配电网运行与控制安全,对其进行实时准确的态势感知,提出一种基于卷积神经网络和门控循环单元的短期负荷预测与无迹粒子滤波算法自适应混合的配电网动态状态估计方法。结合使用卷积神经网络和门控循环单元进行短期负荷预测,将预测得到的有功与无功功率进行潮流计算,再与无迹粒子滤波量测估计值自适应加权得到电压幅值和相角状态估计结果。以IEEE33节点配电网为例,验证了所提状态估计方法的准确性与面对不良数据时的鲁棒性。

无迹粒子滤波跟踪的发动机性能退化预测

针对航空发动机性能退化预测问题,这里提出了一个结合多阶段有效传感器融合的无迹粒子滤波发动机剩余寿命预测模型。模型针对数据融合,基于累积方差贡献率动态更新各个退化阶段的有效传感器,得到更符合实际情况的退化状态健康指标,然后应用无迹粒子滤波算法更新模型时变参数以实现发动机健康指标和剩余寿命的提前预测。这里采用发动机性能退化仿真实验数据集进行数据分析和验证。结果表明,所提出的基于方差贡献率的分阶段非线性融合方法,可以减少退化量中的冗余数据影响。所引用的无迹粒子滤波算法,有效解决了传统滤波算法中的粒子退化、结果发散问题。相较于一般的滤波方法在最终预测结果上,绝对误差减少7个周期,精度提高了3.6%,加强了粒子的跟踪能力,提高了目标跟踪的精度。为航空发动机的健康管理和可靠性评估提供参考依据。

改进的北方苍鹰算法优化粒子滤波算法

针对标准粒子滤波过程的权值退化和样本贫化问题,提出一种改进的北方苍鹰算法优化粒子滤波算法INGOPF(Improved Northern Goshawk Optimization for Particle Filter)。首先,利用透镜成像学习策略增加种群多样性,在优化初始解的同时增加种群搜索范围,使算法尽可能搜索到潜在的最优解,增加算法的搜索能力。其次,将改进的北方苍鹰位置更新公式用于优化迭代更新,然后将最优最差学习策略与透镜成像学习策略结合,克服算法陷入局部最优和易早熟的情况,提高算法的收敛精度。最后,将INGOPF应用于锂电池的寿命预测。仿真结果表明:与标准粒子滤波以及粒子群算法优化的粒子滤波方法相比,INGOPF有效提升了粒子多样性、系统状态估计精度、滤波稳定性和实际运用能力。

基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计

提高参数辨识的精度和SOC算法的精度是提高SOC估计的关键,该文提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态(SOC)估计方法。在参数辨识阶段,结合遗忘因子递推最小二乘法在线辨识的优势,弥补粒子群辨识精度高但前期缺乏数据无法实时辨识的劣势,联合进行参数辨识;在SOC估计阶段,利用扩展卡尔曼滤波生成重要性密度函数,去克服粒子退化,同时采用粒子群优化算法优化重采样策略改进采样过程缓解粒子贫化。最后在联邦城市运行(FUDS)和US06高速公路运行(US06)工况下将所提算法与F-PF、F-PSO-PF、FPSO-PSO-PF进行了对比,结果表明,在FUDS工况下,方均根误差分别提高了65.4%、56.3%和43.5%;在US06工况下,方均根误差分别提高了45.8%、35.9%和35.1%,验证了所提算法具有较好的适应性和鲁棒性。

基于代价参考粒子滤波器组的多目标检测前跟踪算法

针对图像序列中多目标检测和跟踪算法结构复杂、计算量大、性能降低等问题,提出一种基于代价参考粒子滤波器组的多目标检测前跟踪(Cost-reference particle filter bank based multi-target track-before-detect, CRPFB-MTBD)算法,将多目标跟踪问题转换为序贯地检测和跟踪多个单目标的问题.首先,采用代价参考粒子滤波器组序贯地估计所有可能单目标状态序列;其次,基于所有可能单目标状态序列的欧氏距离和累积代价确定目标数量;最后,根据累积代价判断每个目标出现和消失的具体时刻.仿真实验验证了CRPFB-MTBD的优良性能,与基于传统粒子滤波的多目标检测前跟踪算法(Particle filter based multi-target track-before-detect, PF-MTBD)、基于概率假设密度的检测前跟踪算法(Probability hypothesis density based track-before-detect, PHD-TBD)和基于伯努利滤波的检测前跟踪算法(Bernoulli based track-before-detect, Bernoulli-TBD)相比, CRPFB-MTBD的目标状态序列和数量估计结果最佳,且平均单次运行时间极短.

基于粒子滤波的智能网联混合交通流状态估计

面向智能网联车辆和普通人工驾驶车辆共存的混合交通流环境,采用粒子滤波算法对城市快速路路段进行宏观交通流参数的估计,从而实现对城市快速路智能网联混合交通流状态的估计。以二阶宏观交通流模型为基础,结合混合交通流模型,构建粒子滤波交通流状态估计的状态-空间模型,并通过Matlab和SUMO仿真软件测定粒子滤波对混合交通流的状态估计效果,通过计算分析,发现粒子滤波状态估计模型对交通流状态波动有较好的追踪能力,性能上优于扩展卡尔曼滤波方法。

基于双自适应扩展粒子滤波器的锂离子电池状态联合估计

为了更好地优化电池的能量管理,提高电池的利用效率,加强电池的安全性能,有必要对锂离子电池的荷电状态(SOC)和健康状态(SOH)进行精确估计。为解决噪声协方差取值和粒子采样分布问题,该文首先提出自适应扩展粒子滤波(AEPF)算法,根据状态向量预测的准确度自适应调整噪声协方差,并利用扩展卡尔曼滤波实现粒子分布函数的局部线性化。随后利用双自适应扩展粒子滤波(DAEPF)算法进一步实现电池SOC和SOH的联合估计,避免电池使用过程中模型参数变化对SOC估计的影响,并结合多时间尺度的方法节约所需的计算资源。最后在动态工况条件下对不同电池模型与算法进行对照实验,结果表明,改进后的算法收敛速度明显提升,且能够显著地提高电池的SOC与SOH的估计精度。

多特征下室内声源定位的复合模型粒子滤波

为提高混响噪声下声源定位的精度和稳健性,提出多特征复合模型粒子滤波算法。该算法以麦克风接收信号的多特征构建似然函数,采用卷积神经网络提取多假设时延估计图像的深度特征,建立基于支持向量回归的时延估计模型;引入波束输出能量融合机制,弥补单特征不能同时抑制噪声和混响的缺陷。针对说话人运动随机性的问题建立声源跟踪的复合模型,改善说话人跟踪系统的鲁棒性。仿真和实测结果表明:在复合模型跟踪下,多特征算法比可控响应功率时延估计算法位置平均均方根误差减少83%以上;在多特征观测下,复合模型比郎之万模型和随机行走模型位置平均均方根误差减少46%以上;新算法实现了对复杂环境下随机运动声源的有效跟踪。

基于改进平方根无迹粒子滤波的RAM类目标跟踪

RAM类目标运动复杂,对跟踪系统提出了更高的要求。针对粒子滤波在解决RAM类目标跟踪过程中存在的粒子退化等问题,通过无迹变换计算得出后验概率密度函数充当粒子滤波的先验概率密度函数,提高后验概率密度函数拟合程度,最终提高粒子的有效性。同时,在无迹变换过程中采用qr分解取代部分Cholesky分解,使输出信号方差矩阵保持非负性。最后,针对一段RAM类目标轨迹建立动力学模型,通过Matlab进行仿真,验证了该算法的有效性。

一种基于粒子滤波的智能手机测试电梯运行参数的方法

利用智能手机中的传感器可便捷检测电梯的运行参数,但采集的手机传感器数据含有大量噪声,如何进行数据分析和处理对测量结果有重要影响。研究通过调用手机内置传感器检测电梯运行参数如:加速度、运行距离、速度等,再利用粒子滤波去除噪声进行数据处理。经与专业检测设备进行测试数据对比试验,结果显示采用粒子滤波方法测量准确性提高了6%,证明该方法可有效地提高电梯运行参数手机测量的准确度。

多源传感器箱粒子LMB滤波算法

随着复杂跟踪场景的大量涌现,常规多源传感器多目标跟踪算法存在计算量大、跟踪精度低、无法估计目标航迹等不足,已无法满足现代战争的需求。笔者以主动传感器和被动传感器组成的多源传感器系统为背景,重点研究多源传感器多目标跟踪问题的实现算法。针对“多主动+多被动”多源传感器系统量测无法充分融合且整体算法计算复杂度较高的问题,提出一种多源传感器箱粒子标签多伯努利(MS-BPF-LMB)滤波算法。首先,对传感器依据不同主动传感器进行分组,即将所有传感器划分为若干“单主动+多被动”传感器组;然后,通过并行运算,对各传感器组运用基于角度关联的多传感器信息融合算法,得到跟踪所需的有效量测;最后,在跟踪滤波阶段,通过引入箱粒子滤波数值计算方法,将获取的量测点划分为若干箱粒子,并对箱粒子滤波下的多传感器量测更新系数进行重新定义,以较低的计算复杂度实现LMB(Labeled multi-Bernoulli,LMB)滤波。仿真结果表明,所提算法在保证跟踪精度的前提下,误差明显降低且算法复杂度下降约40%,能够有效处理异构数据多源信息融合问题。

基于改进哈里斯鹰优化粒子滤波的目标跟踪方法

针对传统粒子滤波中可能出现的重采样导致粒子贫化和多样性降低的问题,提出了一种基于交互式多模型的哈里斯鹰优化粒子滤波算法。首先,在粒子滤波中引入哈里斯鹰算法,通过将粒子表示为单个哈里斯鹰来模拟其捕猎过程。其次,利用狼群算法的狩猎机制改进哈里斯鹰的捕猎过程,特别是在全局搜索阶段策略中,使粒子主要聚集在目标高似然区域,同时合理选择性地保留一部分低似然区域的粒子。最后,设计了基于3种运动模型的交互式多模型算法,并将其与哈里斯鹰优化的粒子滤波融合。对不同噪声强度下的机动目标跟踪进行了仿真验证,结果表明,改进的算法能有效解决粒子贫化问题,并在机动目标跟踪中表现出更高的精度和稳定性,相较于其他算法表现更为出色。

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。

基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计

为了提高锂电池荷电状态(SOC)估计的精度,提出了一种基于动态遗忘因子递推最小二乘法和改进粒子滤波算法相结合的锂电池SOC估计方法。针对固定遗忘因子递推最小二乘法在电池参数辨识中难以同时保持快速收敛和稳定性的问题,引入动态遗传因子,以模型辨识值和实际值的残差为变量构建修正公式,实现遗忘因子动态调整。为了改善粒子滤波(PF)的粒子多样性丧失问题,采用白鹭群优化算法(ESOA)对粒子滤波算法进行优化。仿真结果表明,基于动态遗忘因子递推最小二乘法和改进粒子滤波算法的锂电池SOC估计误差始终保持在0.3%以内,平均绝对误差和标准差为0.15%和0.17%,与其他算法相比具有更好的精度和稳定性。

基于粗大误差补偿和粒子滤波的锂电池SOC估计方法

针对锂电池的荷电状态(state of charge,SOC)估计过程中测量值存在粗大误差的问题,以Thevenin等效电路模型为基础,提出了一种粗大误差补偿粒子滤波(particle filter,PF)算法。该算法可以实时地检测锂电池测量数据中可能存在的粗大误差,并对其进行分类与估计,通过补偿机制对异常测量值进行修正,提高算法的抗干扰能力。将该算法应用于锂电池SOC估计过程进行仿真验证,仿真结果表明,该算法具有较强的鲁棒性,在进行锂电池SOC估计时可以有效地抑制粗大误差的影响。

基于粒子滤波算法的质子交换膜燃料电池健康状态估计

质子交换膜燃料电池的老化过程影响其输出性能,为了更精确地控制输出功率,需要考虑燃料电池的老化和功率衰退趋势。以功率-电流曲线作为健康状态指标,在以往研究的基础上进行改进,考虑开路电压在老化过程中的变化,增加老化模型中老化因子的个数,建立了质子交换膜燃料电池功率和内部部件老化之间的映射关系,基于极化曲线推导了半机理功率衰减模型,并基于正则化粒子滤波算法设计了老化率模型,结合功率衰减实现对燃料电池健康状态的估计。在测试数据集上进行了仿真试验,并和试验测试数据进行对比,结果表明,该方法能对长期性能衰减模型进行预测,相比于已有的研究方法,该方法能通过老化率参考值和功率衰减模型更准确地估计质子交换膜燃料电池的健康状态和性能衰减趋势,随着训练时间的缩短,估计精度较之提升,尤其是在训练时间长度100h,估计时间长度250h,误差相对下降率达65.69%。