一种减小线性化误差的滤波跟踪算法

针对雷达目标跟踪数据滤波过程中,不同坐标系下测量数据处理引入量测误差的问题,提出通过估算非线性量测下扩展卡尔曼滤波算法的量测误差,再进行量测误差的有效修正,最后给出了1种减小线性化误差的滤波方程.通过对该滤波算法的仿真验证,该滤波算法增加了与距离有关的修正项,可实时对观测误差协方差矩阵进行计算,抵消了线性化误差的影响,...     

WAMS中计及量测函数非线性项的电力系统自适应动态状态估计

提出两种在线辨识和修正模型误差协方差矩阵的自适应动态状态估计方法,并在这两种状态估计模型中引入量测函数的非线性项。这不仅在进行状态滤波的同时,利用观测数据提供的信息,在线辨识和估计系统中未知或不精确的噪声统计特性,而且由于计及了量测函数的非线性项,非线性系统在线性化过程中所产生的线性化误差完全得到补偿,极大地提高了算法在异常运行情况下的自适应性;并且在量测量中计入了相量测量单元(PMU)测量的电压幅值和相角,增加了系统的冗余量测,提高了滤波精度。仿真结果验证了所提方法在正常情况、负荷突变、存在坏数据、网络拓扑结构错误各种情况下具有较好的预测和滤波效果。     

考虑同步误差影响的直驱H型平台轮廓跟踪控制方法

为了解决系统同步误差对永磁直线同步电机（PMLSM）驱动H型平台轮廓跟踪精度的影响,该文将并联轴位置不同步引起的横梁偏转角定义为等效同步误差,以此构建适用于直驱H型平台的融合误差模型。同时,建立基于融合误差的非线性耦合模型,将系统控制目标由轮廓跟踪转变为融合误差收敛。采用反馈线性化对以融合误差为状态变量的非线性耦合动态方程进行解耦线性化。针对线性模型,设计自适应积分滑模控制器（AISMC）,削弱反馈线性化控制对系统数学模型的强依赖性,提高系统对负载扰动和参数摄动的鲁棒性。实验结果表明,所提出的控制方法不仅能有效提高系统的轮廓精度和同步精度,而且增强了系统的鲁棒性。     

Boost变换器精确反馈线性化滑模变结构控制

利用非线性系统的微分几何理论,在Boost变换器仿射非线性模型基础上,推导出对应的非线性坐标变换矩阵和状态反馈表达式,得到Boost变换器状态反馈精确线性化模型。在此线性化模型基础上,选取线性切换函数和指数趋近律,设计滑模变结构控制器。研究对比表明,所提出的精确反馈线性化滑模变结构控制策略具有良好的动态响应调节和稳态误差调节特性,同时克服了现有精确反馈线性化控制策略固有的对精确数学模型依赖性的缺点,表现出更强的鲁棒性,从而具有一般性理论和实际意义。     

基于鲁棒扰动观测器的交流电力弹簧反馈线性化解耦控制

交流电力弹簧(ACES)可有效抑制由高渗透率可再生能源发电引起的交流微电网有功功率波动,但ACES是典型的强耦合、非线性对象,而依赖于模型局部线性化的传统矢量控制难以实现存在不确性扰动情形下的宽范围功率精确控制.为此,文中提出一种基于鲁棒扰动观测器的ACES反馈线性化解耦控制方法.针对ACES的强耦合特性,构建了ACES两输入/两输出李导数仿射模型,设计了解耦矩阵,解耦矩阵与ACES耦合模型联合观测,可等效为全解耦的dq两相电流积分器,简化控制器设计.针对ACES的非线性特性,采用精确反馈线性化控制方法,设计状态变换矩阵,反馈线性化控制律与ACES非线性模型联合观测,可等效为完全线性化对象,采用简单线性控制,即可实现期望功率轨迹准确跟踪与系统全局渐进稳定运行.针对参数摄动影响精确反馈线性化控制性能的问题,设计了形式简单的鲁棒扰动观测器,消除不确性扰动对精确反馈线性化控制跟踪性能的影响.基于MATLAB/Simulink的仿真结果和基于dSPACE的实验结果表明所提方法具有结构简单、动态性能好、稳定域宽、鲁棒性强的特点.     

CCM Buck变换器的状态反馈精确线性化的非线性解耦控制研究

基于非线性系统的微分几何理论，应用脉冲模型积分法建立CCM(电流连续型)Buck变换器的非线性仿射模型，推导出对应的非线性坐标变换矩阵和非线性状态反馈表达式，得到了Buck变换器状态反馈精确线性化模型，由此提出了电感电流和输出电容电压解耦控制策略。研究结果表明，Buck变换器通过状态反馈实现精确线性化得到的非线性控制策略，比现有的PI控制有更好的动态响应调节和稳态误差调节特性。同时说明状态反馈精确线性化能对Buck变换器这类分段线性系统实现完全解耦控制，从而具有一般性理论和实际意义。     

永磁直线同步电动机无位置传感器控制系统的研究

永磁直线同步电动机直接驱动系统的无位置传感器控制中，需要实现电机的位置及速度估计。针对直线电机直接驱动系统具有强非线性，将一种新的滤波方法--Unscented卡尔曼滤波(UKF)应用于直线电机无位置传感器驱动系统的非线性状态估计中。UKF采用确定性采样策略,通过UT变换实现状态均值和方差的非线性传播，避免了扩展卡尔曼滤波(EKF)产生的线性化误差，并且无需计算雅可比矩阵。同时，采用Cholesky因式分解等方法保证滤波递推过程中协方差矩阵的半正定性，有效地避免滤波的发散，提高算法的计算精度。数值仿真及实验结果表明，所给出的算法是可行而有效的。     

基于卡尔曼滤波的高精度弹道滤波算法研究

在弹道轨迹估计中,卡尔曼滤波算法是一种普遍使用的算法,常规卡尔曼滤波算法适用于线性离散系统.对于非线性离散系统模型,为了提高滤波的精度,减小系统模型误差以及未知的量测噪声和过程噪声统计特性对滤波精度的影响,提出了一种带有噪声统计估计器的拟线性最优平滑滤波算法.将该算法应用到弹道系统模型中,对弹道轨迹进行滤波估计.通过计算机建模仿真改进的算法和传统的拟线性最优平滑滤波算法,得到的实验结果表明,改进后的算法可以减小由于系统模型不精确带来的误差,很大程度上提高了弹道轨迹滤波估计的精度.     

SRTM基线测量中的非线性滤波方法

基线测量精度对于SRTM高程测量精度影响很大,SRTM基线测量的关键是CCD相机对副天线上的LED灯进行质心定位,其结果含有的误差在后期干涉处理时需进一步滤除。鉴于LED运动呈非线性,本文对无迹RTS平滑,粒子滤波,无迹粒子滤波3种非线性滤波进行了研究,使用依赖于幅度的刚性模型叠加不同标准差的加性噪声模拟测量值,改进状态空间模型与滤波器参数设置,分别在有/无加速度计辅助测量的条件下进行仿真,结果表明无迹粒子滤波的效果优于其他方法,使用加速度计对于滤波精度普遍有所提高。     

基于无迹卡尔曼滤波的锂电池SOC估算方法研究

锂电池荷电状态(SOC)的准确估算是制约电动汽车发展的关键技术。基于Thevinin模型建立状态空间方程组,将无迹卡尔曼滤波(UKF)应用到锂电池SOC估算中,通过无迹变换(UT)的方式避免对非线性状态方程的线性化,在不增加系统求解复杂度的前提下提高滤波精度,实现非线性条件下锂电池SOC的准确估算。仿真实验结果表明,UKF估算锂电池SOC的整个过程误差控制在1%以内,其精度明显高于拓展卡尔曼滤波(EKF)的4%,实现了锂电池SOC估算精度的提高,更适用于电动汽车锂电池SOC的估算。     

多传感器组合导航系统的联邦 UKF 算法研究

多传感器组合导航系统是一种典型的非线性系统,为了提高其滤波精度,本文提出了多传感器组合导航系统联邦 UKF 算法。 首先,在建立多传感器组合导航系统的非线性状态方程及线性量测方程的基础上,对标准 UKF 进行了简化;然后,以简 化 UKF 为基础提出了多传感器组合导航系统的联邦 UKF 算法,并设计了姿态融合算法及其故障检测函数以验证该算法的容 错性能;最后,以 GNSS / CNS / SINS 多传感器组合导航系统为例进行了仿真验证。 仿真结果表明,相对于联邦线性卡尔曼滤波 器,联邦 UKF 算法可提高位置及姿态精度约 25. 8%、22. 2%,同时继承了联邦线性卡尔曼滤波器的容错性能。     

一种抗差自适应 UKF 算法及其在 GNSS / SINS 组合导航系统的应用

GNSS / SINS 组合导航系统标准 UKF 算法缺乏对量测噪声方差及系统状态异常的自适应调节能力,进而影响了组合导 航系统的滤波精度。 为了解决上述问题,提出了一种抗差自适应 UKF 算法。 首先,该算法引入变分贝叶斯估计原理以实时估 计量测噪声方差;然后,基于滤波器预测残差,构建了自适应因子以降低系统状态异常时对导航解的影响;最后,将该算法应用 于 GNSS / SINS 组合导航系统中,仿真结果表明,当量测噪声统计特性发生变化时,相对于标准 UKF 算法及抗差 UKF 算法,在整 个仿真时段内,本文算法可提高位置精度分别为 51. 2%及 9. 3%,同时可以降低系统模型异常扰动和滤波器初值偏差对导航解 的影响。 实验结果表明本文算法具有较强的自适应性及抗差性,可提升复杂环境下组合导航系统的精度。     

基于AUKF的SINS/GPS紧组合导航系统研究

以无人驾驶中的导航定位技术为背景,研究了基于自适应无迹卡尔曼滤波器(AUKF)的SINS/GPS紧组合导航系统。设计了基于伪距和伪距率的SINS/GPS紧组合导航系统。针对常规UKF算法计算量大和容错性能差的问题,提出了一种基于比例调节因子的AUKF滤波融合算法。实验结果表明:对于SINS/GPS紧组合导航系统,基于比例调节因子的AUKF相比基于定常因子的UKF误差输出曲线更平滑,避免了非局部效应的影响,实现滤波精度的提高,具有良好的控制性能、跟踪能力和容错性能。     

基于紧耦合GNSS/INS的高速列车精准定位方法研究

为了改善高速列车在行驶过程中定位不精准的现状,本研究采用全球卫星导航系统和惯性导航系统,构建了GNSS/INS紧耦合精准定位系统。提出等价权原理将UKF算法中的噪声协方差进行等价替换,使其能够在信息融合过程中对滤波增益进行调节,降低观测粗差带来的影响,提高UKF算法的鲁棒性。本研究在改进UKF算法的基础上,用地图匹配算法对滤波器处理后的定位数据进行再处理,进行仿真对比。结果表明：改进UKF算法和标准UKF算法仿真得到的位置速度误差曲线,其AVE和RMSE值均降低20%以上;又经过地图匹配算法处理后的定位精度更高,表明本研究能够提高高速列车的定位精准性、稳定性。     

Simultaneous registration and fusion of multiple dissimilar sensors for cooperative driving

The fusion of multiple sensory information plays a key role in cooperative driving for flexible platooning of automated vehicles over a couple of lanes within a short intervehicle distance. In this paper, the problem of online sensor fusion with spatially and temporally misaligned dissimilar sensors is considered. A spatial-temporal registration model for the popular intelligent vehicular sensors including radar, global positioning system, inertial navigation system, and camera is first developed for sensor alignment. An unscented Kalman filter (UKF) is proposed here to fuse and register these sensors that are installed on a platoon of vehicles simultaneously. When the road geometry information is available from a digital map database, a constrained UKF is further developed to improve the fusion accuracy. The effect of spatial-temporal sensor misalignment upon the vehicle-state estimation is also analyzed theoretically. Simulations show that the proposed UKF method not only can align the dissimilar vehicular sensors properly with both spatial and temporal biases, but can also obtain accurate fused tracks of vehicles in a platoon.     

基于自适应卡尔曼滤波算法的紧组合导航系统的研究

为了提高子滤波器滤波精度和优化信息融合算法,提出一种基于在线调节因子的自适应卡尔曼滤波算法。首先讨论采用卡尔曼滤波技术的理论依据,设计SINS/GPS紧组合导航系统。提出改进的自适应卡尔曼滤波算法,该方法通过构造自适应参数因子,并利用量测噪声协方差阵与自适应参数的比值实现在线修正量测噪声协方差阵。通过MATLAB仿真,与传统基于标准卡尔曼滤波算法的紧组合导航系统相比,其各向位置误差和速度误差均得到明显降低,从而达到提高组合导航定位精度和优化信息融合算法的目的。     

测量噪声方差未知的多传感器组合导航集中融合算法

目前,多传感器组合导航系统的信息融合方法是建立在测量噪声方差已知的基础上,然而测量噪声方差会随着内部及外部的干扰而发生变化。为此,本文首先将基于变分贝叶斯逼近的自适应卡尔曼滤波(variational Bayesian approximation based adaptive Kalman filter, VB-AKF)从单一组合导航系统扩展到多传感器组合导航系统;然后,提出了多传感器组合导航系统的两种集中融合算法,即基于VB-AKF的增广式集中融合算法及基于VB-AKF的序贯式集中融合算法,以解决测量噪声方差未知情况下的多传感器组合导航的信息融合问题;最后,通过SINS/GNSS/CNS/ADS多传感器组合导航系统对上述算法进行了仿真验证。实验结果表明,本文所提两种算法滤波精度相同、且接近于测量噪声方差已知情况下的理想集中融合算法(ICKF)。在整个仿真时段内,相对于传统集中式卡尔曼滤波器(TCKF)及具有容错功能的联邦卡尔曼滤波算法(FT-FKF),本文算法可提高位置精度分别为32%和90%、提高速度精度分别为38%和71%。     

基于强跟踪UKF的视频目标跟踪算法

针对无迹卡尔曼滤波（unscented Kalman filter ,UKF）在非线性系统状态估计中存在的跟踪缓慢和稳态偏差问题,提出一种基于强跟踪UKF的视频目标跟踪算法。该算法以无迹变换（unscented transform ,UT）为基础,结合强跟踪滤波器和UKF滤波器的优点,在状态预测协方差矩阵中引入时变渐消因子调节卡尔曼增益,强迫输出残差序列保持正交,并提取残差序列的有效信息,提高滤波器对状态变化的跟踪能力。仿真结果表明,利用强跟踪UKF算法对视频中的运动目标进行跟踪,具有更高的跟踪精度,状态滤波均方误差更小。     

基于联邦卡尔曼滤波器的容错组合导航系统设计

针对SINS/GPS/DVS全源组合导航系统在非理想状态下的容错性差,无法实现多源组合导航系统最优化的问题,建立基于卡尔曼滤波器的导航子系统局部滤波器和基于联邦滤波器的全源导航系统全局滤波器,设计了一种全源容错组合导航系统。通过仿真验证,该全源导航系统能够在子系统出现故障的情况下实现高精度导航,满足临界空间飞行器对导航系统精度和可靠性的要求。     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。