观测模型误差不确定的锂电池SOC估计方法

建立的锂电池非线性系统中存在不确定的观测模型误差时,会影响滤波器估计的精度和稳定性,严重时还会导致估计结果发散。针对这一问题,基于变分贝叶斯自适应滤波方法,提出了一种鲁棒UKF算法。该算法构建虚拟观测噪声用来补偿观测模型误差,并采用逆Wishart分布对虚拟观测噪声协方差建模。在变分迭代过程中,实现对系统状态和虚拟观测噪声协方差的联合后验概率估计,使估计结果自适应地逼近到真实分布。利用无迹卡尔曼滤波对系统状态进行更新。结合锰酸钾锂电池非线性模型进行仿真实验表明,该算法估计锂电池荷电状态具有很好的精度、跟踪速度以及鲁棒性。     

基于FPGA的实时视频运动背景补偿校正技术

从视频运动背景中检测与跟踪运动目标通常需要对背景进行补偿校正.本文提出了一种利用高性能FPGA实时实现的技术方案.该方法基于仿射参数模型求取视频图像的全局运动参数,利用块匹配的方法得到特征点的运动位移估计,利用匹配加权函数的方法剔除目标点和噪声点对全局运动参数估计的影响.在系统实现上采用多分辨率和并行流水线的处理结构,使系统资源占用和运算效率得到了较好的统一.     

基于自适应无迹卡尔曼滤波器的锂电池SOC估计

采用传统无迹卡尔曼滤波器(UKF)来估计锂电池荷电状态(SOC)的结果较为精确,但其应用前提是要精确获得系统过程噪声和观测噪声的统计特性。结合UKF与自适应滤波,提出一种自适应UKF(AUKF)算法,以二阶RC等效电路模型为基础,并以磷酸铁锂电池为测试对象,通过实验数据结合最小二乘法完成模型参数辨识,提出并详细给出基于无损交换(UT)自适应卡尔曼滤波器的算法步骤,测试实验结果表明:采用AUKF的算法估计锂电池SOC精度在恒流和美国城市循环工况(UDDS)动态工况下均能达到1.2%以内,相比传统的UKF算法具有更强的估计精度和自适应跟踪能力。     

基于特征点的运动汽车跟踪算法研究

设计了一种基于特征点的运动汽车实时跟踪算法.结合自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)算法,提出了一种简单实用的特征点匹配跟踪算法,实验表明该算法既能准确的描述目标,又减少了匹配计算量,从而实现了快速准确地跟踪运动汽车的目的.     

基于STAP的机载雷达弱目标检测前跟踪

针对载机运动及地杂波场景下的弱目标检测跟踪问题,提出了一种基于空时自适应处理的检测前跟踪算法.在目标检测跟踪处理之前,首先利用空时自适应处理抑制杂波和噪声;接着采用脉冲压缩进行距离处理;最后在原始观测数据基础上,采用Viterbi算法进行目标检测与航迹恢复.仿真结果表明此算法可以提高弱目标的检测概率及跟踪概率.     

基于残差下采样的立体视频编码算法

基于立体视频数据压缩的目的,提出了一种基于残差宏块自适应下采样立体图像编码方案。该方案采用H.264标准,独立编码左通道参考图像。应用视差估计和运动估计联合补偿技术编码右通道目标图像,在目标图像的编码过程中,根据目标图像运动场景的不同,对图像残差块进行选择性的下采样编码。与原始的JMVM算法相比,在相同的峰值性噪比下,该算法具有更高的编码效率。     

基于自适应强跟踪滤波器的汽车行驶状态软测量

针对汽车底盘控制系统中一些关键汽车行驶状态难以准确直接测量以及测量成本较高的问题,在自适应卡尔曼滤波算法和强跟踪滤波算法的基础上,提出基于自适应强跟踪滤波器的汽车行驶状态估计方法.结合纵向、侧向和横摆3自由度非线性汽车模型,将其应用于汽车行驶状态的软测量之中,并与扩展卡尔曼滤波算法进行比较分析.通过Carsim和Matlab/SIMULINK联合仿真的双移线试验的结果表明,在非线性区域内,自适应强跟踪滤波器能快速、准确跟踪汽车状态.该算法在估计精确度、跟踪速度、抑制噪声等方面均优于扩展卡尔曼滤波算法,满足汽车状态估计器的软件性能要求.     

一种基于算法融合的运动目标跟踪算法

视频目标跟踪的重点和难点在于如何快速、准确的匹配目标.针对复杂背景下,单一模式的跟踪算法不能准确跟踪目标的问题,提出了一种基于算法融合的运动目标跟踪方法.该算法综合运用去均值相关跟踪算法（normalized cross correlation,NCC）和均值漂移算法（MeanShift）2种基本模式对输入输入视频进行处理,结果送入Kalman滤波器进行滤波与预测,最后根据最小总均方误差准则进行自适应融合.试验证明,该算法能够较好地实现复杂场景条件下的目标跟踪,提高了跟踪的鲁棒性.     

基于meanshift的目标跟踪系统设计与实现

目标跟踪是指在一段视频序列中寻找和指定目标最相似的部分,是计算机视觉的重要研究内容之一。本文针对视频中运动目标的跟踪问题,提出了一种基于meanshift的目标跟踪方法。在跟踪过程中,先确定出目标窗口并建立目标模型,再在视频序列的第N帧对应位置处计算候选目标模型,根据Bhattacharyya相似度,利用meanshift算法在后续帧中迭代地搜索目标模型的最佳候选区域。最后,在MATLAB平台上搭建了基于meanshift的目标跟踪系统,通过一系列实验表明,该方法具有很好的跟踪性能,且具有较低的时间复杂度,可满足实时处理的需要。     

一种基于运动估计的MPEG-4对象分割算法

针对传统的视频分割算法因偏重于分割效果而导致计算量过大、实时性能差的缺点,文章提出一种在MPEG-4编码过程中通过双重筛选和利用运动估计结果提取运动对象的算法。此算法首先在运动估计过程中加入背景优先准则进行第一重筛选;然后根据运动估计后宏块的最小平均绝对差值分利用区域自适应门限进行第二重筛选,从而获得运动区域掩模;最后对掩模进行形态滤波和填充消除噪声点,最终得到运动区域。算法分别在硬件和软件平台上进行测试,结果表明,该算法不仅取得了理想的分割效果,还大幅度缩减了计算量,明显提高了实时性。     

基于卡尔曼滤波的北斗接收机高灵敏度跟踪算法研究

为了提升载波跟踪环路滤除噪声干扰的能力,引入一种作为可靠最优估计方法的卡尔曼滤波估计算法,用于解决高动态或弱信号环境载波跟踪环路难以稳定工作的问题.首先分析噪声对跟踪环路产生的影响,讨论采用卡尔曼滤波估计算法的理论设计依据,并且从环路结构、模型建立和优化设计三方面着手设计了自适应卡尔曼滤波跟踪环路.试验结果表明,无论在静态还是动态场景,其定位性能和精度与传统跟踪环路相比,均有较大幅度提升.     

基于SR-CKF的移动机器人动态目标跟踪算法

针对移动机器人在未知复杂环境中动态目标跟踪存在的数值不稳定、计算量大和精度较差等问题,提出基于平方根容积卡尔曼滤波的移动机器人动态目标跟踪算法(SR-CKF-SLAM-OT)。该算法的系统状态由地图环境特征、机器人和目标作为一个整体构成。建立目标和机器人的动态模型进行预测、数据关联和更新,在更新过程中直接传递目标状态均值和协方差矩阵的平方根因子,降低了计算的复杂度。此外,通过数据关联环节能够有效的降低伪观测值对系统状态估计的影响。仿真结果表明:相比基于EKF的动态目标跟踪算法,所提出的动态目标跟踪算法目标和机器人均方根误差分别降低了36.3%和38.2%,SR-CKF-SLAM-OT算法有效地满足了移动机器人动态目标跟踪的需求。     

基于LQEKF的机载光电平台的模型预测控制

为了提高机载光电平台对目标稳定跟踪控制性能，提出一种基于线性二次增强卡尔曼滤波器的机载光电平台模型预测控制算法。建立机载光电平台的动力学模型，在卡尔曼滤波状态估计的基础上，引入线性二次调节器增益减小估计状态的相位延迟，使状态估计值更为精确，利用估计的状态设计模型预测控制器，减小目标跟踪误差。跟踪目标仿真实验结果与卡尔曼滤波状态估计结果最大误差减小了58.14%，与扩展卡尔曼滤波状态估计最大误差减小了52.62%，表明本算法能够有效提高机载光电平台对目标的跟踪控制性能，实现了机载光电平台对目标的稳定跟踪控制。     

Self‐tuning fusion Kalman filter weighted by scalars and its convergence analysis for multi‐channel autoregressive moving average signals

For the multi‐sensor multi‐channel autoregressive (AR) moving average signals with white measurement noises and an AR‐colored measurement noise, a multi‐stage information fusion identification method is presented when model parameters and noise variances are partially unknown. The local estimators of model parameters and noise variances are obtained by the multidimensional recursive instrumental variable algorithm and correlation method, and the fused estimators are obtained by taking the average of the local estimators. They have the strong consistency. Substituting them into the optimal information fusion Kalman filter weighted by scalars, a self‐tuning fusion Kalman filter for multi‐channel AR moving average signals is presented. Applying the dynamic error system analysis method, it is proved that the proposed self‐tuning fusion Kalman filter converges to the optimal fusion Kalman filter in a realization, so that it has asymptotic optimality. A simulation example for a target tracking system with three sensors shows its effectiveness. Copyright © 2014 John Wiley & Sons, Ltd.     

基于Sigma点卡尔曼滤波器的电力频率跟踪新算法

通过变换,首先将三相电压信号转换成一复电压信号,再利用一种复数型Sigma点卡尔曼滤波(CSPKF)算法以改进对发生谐波畸变和随机噪声干扰的电力系统电压信号的频率进行动态估计和跟踪的过程。理论证明,CSPKF算法与现有的复数型扩展卡尔曼滤波(ECKF)算法相比具有更佳的跟踪精度和稳定性。此外,CSPKF算法还成功解决了所有卡尔曼滤波算法都必须面对的当算法收敛后,系统参数发生突变的情况下需要重置误差协方差矩阵来重新跟踪这些变化的问题,进一步提高了其跟踪速度。对几种暂态电力信号模型的算法仿真表明,CSPKF算法具有优异的动态跟踪性能,迅速跟踪频率和幅值变化的同时又保持了较低的跟踪误差。     

强噪声背景下的多精度传感器故障诊断

针对背景噪声变化很大、多精度冗余传感器故障难以诊断的问题,提出了基于二次卡尔曼滤波的故障诊断方法。该方法首先通过小波噪声估计预测观测值噪声强度,接着对传感器数据进行卡尔曼滤波预处理,降低观测值的不确定性,并将故障信息最大化,然后利用冗余特性,轮流使用一个传感器测量值作为输入,另一个作为输出建立循环卡尔曼滤波方程组,通过决策函数对所得到的新息进行故障诊断。实验分析了故障检测率与噪声强度的关系,结果表明,该方法能提高故障诊断的准确性,具有较好的鲁棒性。     

衰减记忆扩展卡尔曼滤波在目标跟踪中的应用

对衰减记忆扩展卡尔曼滤波在机动目标跟踪领域中的应用技术进行研究,给出了状态方程和衰减记忆扩展卡尔曼滤波算法,分析了衰减记忆扩展卡尔曼滤波与扩展卡尔曼滤波算法之间存在的主要差别,并通过仿真实验证明该衰减记忆滤波算法具有较好的跟踪目标动态变化效果,解决了卡尔曼滤波算法和扩展卡尔曼滤波算法在非线性系统的目标跟踪中存在的滤波发...     

一种新的检测方法在目标跟踪中的应用

综合考虑了目标跟踪可靠性和实时性的双重要求,以及场景中不可避免的光照变化、背景干扰等实际因素,基于离散线性卡尔曼滤波实现了运动目标快速跟踪。采用帧间差分与图像梯度信息相结合的办法提取目标轮廓,应用高斯滤波、空域平滑滤波技术减弱噪声干扰,并利用邻域端点搜索法连接、修复目标轮廓。实验表明,本文中的算法具有抗噪性能强,适合实时处理的优点。