一种基于脑网络的分层模块化回声状态网络

针对回声状态网络(Echo state network, ESN)结构设计问题,提出一种基于脑网络的分层模块化回声状态网络(Hierarchical modular echo state network, HMESN)。脑网络的拓扑结构使功能网络具有丰富的动力学特性,因此,从生物仿生学角度出发,对HMESN的储备池进行分层设计,各层级上的神经元采用小世界网络构建算法生成模块化结构,并引入层级连接。基于脑网络分层模块化的拓扑特征弱化了神经元间的耦合程度,从而使神经元的动力学特性更为丰富,在功能与结构上更接近于真实生物神经网络,有效地提高了网络处理问题的能力。采用Mackey-Glass时间序列预测和非线性系统辨识对网络进行验证,证明该网络的有效性和可行性。     

基于先验簇复杂回声状态网络的话务量预测

提出一种基于先验簇复杂回声状态网络的移动通信话务量预测模型.目前,具有小世界、无尺度等特性的复杂网络已被应用于回声状态网络储备池的构建,并获得了较标准回声状态网络储备池更优的回声状态特性和非线性表达能力.在此基础上,针对具有多周期特性的话务量序列预测问题,以功率谱分析的结果作为先验知识,在复杂回声状态网络储备池中构建具有差异性的多个子簇,以期形成对不同频率成分具有表达能力的功能簇.采用中国移动真实数据测试表明,该方法由于考虑了不同周期因素对预测建模的影响,获得了较标准回声状态网络、均匀簇复杂回声状态网络等方法更高的预测精度;以对比方法中实际效果较好的复杂回声状态网络为参照,该方法在齐齐哈尔、大庆、双鸭山市某小区上预测误差分别下降25％、21％和11％;能够为移动通信网络拥塞、覆盖和干扰等问题提供决策支持.     

基于自适应扩展卡尔曼滤波的分布式驱动电动汽车状态估计

纵向车速和质心侧偏角是车辆主动安全控制系统的关键参考状态信号,通常采用卡尔曼滤波算法估计。当系统噪声和测量噪声的统计特性存在不确定性时,不仅估计精度会降低,甚至导致估计器发散。结合分布式驱动电动汽车4个车轮转矩和转速可直接测量的特点,提出一种车辆状态自适应扩展卡尔曼滤波估计方法。基于量纲一化新息平方实现车辆状态估计有效性检测,提出滑动窗口长度自适应调整规则;根据新息统计特性提出卡尔曼滤波增益和状态估计误差协方差矩阵的自适应调整策略,及基于车辆状态估计稳态误差和动态响应速度的自适应参数确定原则。数值仿真和试验证明,所提出的车辆状态估计方法,不仅估计精度较高,而且实时性和易用性较强。     

应用回声状态网络的EGR阀电路在线诊断

为了实现废气再循环(EGR)阀电路控制性能能够满足车载诊断系统(OBD)的排放要求,应用主元分析(PCA)和回声状态网络(ESN)的融合理论,提出了柴油机EGR阀控制电路故障在线诊断策略.利用PSpice软件对EGR阀电路故障仿真的采样值作为PCA输入值,电路各元器件故障代码作为ESN输出值,进行了柴油机EGR阀电路故障的在线训练与诊断.基于PCA-ESN融合诊断策略,进行了EGR阀电路故障在线诊断试验.结果表明:故障诊断的正确率为94.3％;误判率为0.58％;拒绝率为0.15％.该诊断策略能够快速实现故障诊断及定位,确保了柴油机EGR阀在各种工况下快速、准确和可靠开启.     

基于双重扩展自适应卡尔曼滤波的汽车状态和参数估计

准确实时地获取行驶过程中的状态信息是汽车动态控制系统研究的关键,为此提出了一种新的汽车状态估计器。建立了包含不准确模型参数和未知时变统计特性噪声的非线性汽车动力学模型,针对该非线性系统提出一种双重扩展自适应卡尔曼滤波算法（DEAKF）。该算法采用两个卡尔曼滤波器并行运算,状态估计和参数估计互相更新,同时将带遗忘因子的噪声统计估值器嵌入到状态校正过程和参数校正过程之间,以解决系统的噪声时变问题。基于ADAMS的虚拟试验和实车试验结果表明,该算法的状态估计精度高于EKF方法和DEKF方法的状态估计精度,同时具有良好的模型参数校正能力,对汽车动态控制系统中估计器的设计具有理论指导意义。
     

基于改进扩展卡尔曼滤波算法的锂离子电池荷电状态估计

针对在复杂应力条件下扩展卡尔曼滤波估计锂离子电池SOC的估计精度不高问题,提出了一种改进扩展卡尔曼滤波算法的锂离子电池SOC估计方法。通过运用Sage-Husa自适应算法来对系统噪声与观测噪声进行修正。最后设计了DST工况实验进行验证,实验结果表明,相比Ah法与扩展卡尔曼滤波估计法,改进扩展卡尔曼滤波估计法具有更高的精度与收敛性,最大估计误差不超过0.7%,是一种行之有效的方法。     

基于回声状态网络的结合面特性参数建模

机械结构中存在大量结合面,在机床静态变形中,由各结合面引起的变形量高达85%,各种结合面的接触刚度约占机床总刚度的60~80%。本文针对机械结合面接触特性参数,提出基于ESN回声状态网络理论对机械结合面法向接触刚度进行仿生学建模。以4种组合条件下的结合面接触刚度为算例,采用算法学习训练域和预测域相分离的方法,在对影响法向接触刚度的主要因素的定量化处理的基础上,进行ESN算法建模和计算结果误差分析,结果表明,该算法的预测精度可达0.001 6%以上。同时,在同等条件下,通过该算法与BP神经网络、RBP神经网络、MPSO-BP网络算法预测能力比较分析,结果表明,回声状态网络计算精度最高,并将该建模计算结果进行工程应用。     

基于回声状态网络预测的无模型自适应控制方案

无模型自适应控制(MFAC)是一种典型的数据驱动控制方法,这种方法仅利用系统输入输出数据进行控制器的设计,摆脱了控制器设计对精确数学模型的依赖.然而,这种控制方法对于大迟延对象难以进行控制.为了解决这个问题,提出一种基于回声状态网络预测的多入多出无模型自适应控制器,用神经网络对系统输出进行预测,降低了线性化模型的复杂度...     

基于扩展卡尔曼滤波的锂离子电池荷电状态估计

针对电池荷电状态（SOC）难以准确估计的问题,采用扩展卡尔曼滤波方法来提高SOC的估计精度。首先以磷酸铁锂电池为研究对象,建立了电池的PNGV等效电路模型,并采用充放电实验和离线辨识的方法得到模型中的参数,得到了开路电压、欧姆内阻、极化内阻和极化电容与SOC的多项式函数关系;然后,对模型进行验证,并分析了模型的准确性;最后,在实际工况下,运用扩展卡尔曼滤波方法估计锂离子电池的SOC值,并与安时法计算的SOC值进行比较。结果表明,PNGV模型结合扩展卡尔曼滤波方法估计的锂离子电池SOC值的最大误差仅为2.78%,提高了电池SOC的估计精度。     

卡尔曼滤波及其在时间序列预测中的应用

根据时间序列预测的特点和要求,分析了传统时间序列预测方法的不足,提出了将卡尔曼滤波应用于时间序列预测。推导了基于卡尔曼滤波的ARMA模型参数实时更新算法,并采用功率谱密度分析方法确定预测模型的形式与阶数。最后,通过对光纤陀螺随机漂移建模进行了实证研究。     

一种基于卡尔曼滤波的非线性模型在线模糊辨识算法

文章提出一种用于非线性模型在线辨识的模糊算法。该算法将非线性输入输出系统用时变线性系统模型来拟和，并把此非线性系统模型表示成模糊模型的形式，用在线调节模糊模型的方法来辨识时变线性模型的相关参数。本文将递推模糊聚类方法与卡尔曼滤波法用于在线调整模糊模型参数。仿真算例表明了此算法的有效性。     

基于粒子滤波算法的动力电池SOC估计

针对电池荷电状态(SOC)容易受到电流、温度、循环寿命等非线性因素的影响,建立基于温度和电流变化的电池容量修正方程。结合安时法和复合电化学原理构建电池状态空间模型。由于粒子滤波算法对非高斯、非线性系统的适应性,因此选用粒子滤波算法来研究电池SOC估计。通过美国FTP-75工况和NEDC工况实验仿真显示,基于粒子滤波算法的电池SOC估计比扩展卡尔曼滤波算法估计精度高、适应性好。     

Dual extended Kalman filter for combined estimation of vehicle state and road friction

Vehicle state and tire-road adhesion are of great use and importance to vehicle active safety control systems. However, it is always not easy to obtain the information with high accuracy and low expense. Recently, many estimation methods have been put forward to solve such problems, in which Kalman filter becomes one of the most popular techniques. Nevertheless, the use of complicated model always leads to poor real-time estimation while the role of road friction coefficient is often ignored. For the purpose of enhancing the real time performance of the algorithm and pursuing precise estimation of vehicle states, a model-based estimator is proposed to conduct combined estimation of vehicle states and road friction coefficients. The estimator is designed based on a three-DOF vehicle model coupled with the Highway Safety Research Institute(HSRI) tire model; the dual extended Kalman filter (DEKF) technique is employed, which can be regarded as two extended Kalman filters operating and communicating simultaneously. Effectiveness of the estimation is firstly examined by comparing the outputs of the estimator with the responses of the vehicle model in CarSim under three typical road adhesion conditions(high-friction, low-friction, and joint-friction). On this basis, driving simulator experiments are carried out to further investigate the practical application of the estimator. Numerical results from CarSim and driving simulator both demonstrate that the estimator designed is capable of estimating the vehicle states and road friction coefficient with reasonable accuracy. The DEKF-based estimator proposed provides the essential information for the vehicle active control system with low expense and decent precision, and offers the possibility of real car application in future.     

基于卷积神经网络与扩展卡尔曼滤波的 单目视觉惯性里程计

针对单目相机采集室外图像易受环境光照影响、尺度存在不确定性的缺点,以及利用神经网络进行位姿估计不准确的问题,提出一种基于卷积神经网络(CNN)与扩展卡尔曼滤波(EKF)的单目视觉惯性里程计。采用神经网络取代传统里程计中基于几何约束的视觉前端,将单目相机输出的估计值作为测量更新,并通过神经网络优化EKF的误差协方差。利用EKF融合CNN输出的单目相机位姿和惯性测量单元(IMU)数据,优化CNN的位姿估计,补偿相机尺度信息与IMU累计误差,实现无人系统运动位姿的更新和估计。相比于使用单目图像的深度学习算法Depth-VO-Feat,所提算法融合单目图像和IMU数据进行位姿估计,KITTI数据集中09序列的平动、转动误差分别减少45.4%、47.8%,10序列的平动、转动误差分别减少68.1%、43.4%。实验结果表明所提算法能进行更准确的位姿估计,验证了算法的准确性和可行性。     

改进扩展卡尔曼滤波算法在智能足球机器人比赛中的应用

为了减少系统延时对高实时性机器人足球比赛的影响,在深入研究卡尔曼滤波算法原理的基础上,提出了一种改进的扩展卡尔曼滤波(EKF)算法,建立了足球机器人竞赛中小球的运动模型,通过仿真实验给出了小球运动状态的预测轨迹。实验结果表明,改进后的EKF算法可以有效地解决以往算法在高度非线性化区域的不稳定性等问题,同时改进后的算法提高了系统实时性,算法易于实现且预测效果较好。     

基于EKF-RNN算法的抗震棒材性能预报模型研究

以抗震棒材的C、Si、Mn、P四种化学元素及冷却速度、终轧温度为输入;抗拉强度、断面收缩率作为输出建立了热轧抗震棒材力学性能预报模型。提出了一种基于扩展卡尔曼滤波的回归神经网络权值训练算法(EKF-RNN),对抗震棒材性能预报模型进行权值训练。并与随机梯度法训练回归神经网络权值的算法进行比较,仿真结果表明,随机梯度法存在局部极小值、收敛速度慢,而扩张卡尔曼滤波算法很好地解决了这些问题,并得到了比较满意的结果,更具优越性。     

An adaptive three-stage extended Kalman filter for nonlinear discrete-time system in presence of unknown inputs

Considering the performances of conventional Kalman filter may seriously degrade when it suffers stochastic faults and unknown input, which is very common in engineering problems, a new type of adaptive three-stage extended Kalman filter (AThSEKF) is proposed to solve state and fault estimation in nonlinear discrete-time system under these conditions. The three-stage UV transformation and adaptive forgetting factor are introduced for derivation, and by comparing with the adaptive augmented state extended Kalman filter, it is proven to be uniformly asymptotically stable. Furthermore, the adaptive three-stage extended Kalman filter is applied to a two-dimensional radar tracking scenario to illustrate the effect, and the performance is compared with that of conventional three stage extended Kalman filter (ThSEKF) and the adaptive two-stage extended Kalman filter (ATEKF). The results show that the adaptive three-stage extended Kalman filter is more effective than these two filters when facing the nonlinear discrete-time systems with information of unknown inputs not perfectly known.