自适应扩展卡尔曼滤波器在移动机器人定位中的应用

针对移动机器人定位过程中存在的误差积累问题,提出了采用自适应扩展卡尔曼滤波算法(AEKF).分析了扩展卡尔曼滤波(EKF)和AEKF两种算法, AEKF取采样时刻的各项泰勒级数,并利用Sage-Husa时变噪声估计器实时估计观测噪声,克服了线性化误差,增强了环境适应性;同时,对AEKF的收敛性及运算复杂度进行分析,并结合算法实验表明AEKF具有良好的速度精度综合性价比;最后对比分析两种算法实现机器人定位的效果并实验完成误差对比.结果表明AEKF具有更优的定位性能.     

基于粒子群优化算法的滤波器优化

给出一种基于粒子群优化算法（PSO）的模拟滤波器优化设计方法。传统的模拟滤波器的精度与效率均较差,引入PSO算法可对滤波器参数进行寻优。将滤波器的设计问题转化为滤波器参数的优化问题,然后利用粒子群优化算法对整个参数空间进行高效搜索以获得最优解;通过变异、重新随机化及采用自适应的惯性权重,提高了算法的搜索效率及收敛性。实例计算表明了算法在该类问题中的有效性和可行性。     

基于扩展卡尔曼滤波器的RBF神经网络学习算法

径向基函数（RBF）神经网络可广泛应用于解决信号处理与模式识别问题,目前存在一些学习算法用来确定RBF中心节点和训练网络,对于确定RBF中心节点向量值和网络权重值可以看作同一系统问题,因此该文提出把扩展卡尔曼滤波器（EKF）用于多输入多输出的径向基函数（RBF）神经网络作为其学习算法,当确定神经网络中网络节点的个数后,EKF可以同时确定中心节点向量值和网络权重矩阵,为提高收敛速度提出带有次优渐消因子的扩展卡尔曼滤波器（SFEKF）用于RBF神经网络学习算法,仿真结果说明了在学习过程中应用EKF比常规RBF神经网络有更好的效果,学习速度比梯度下降法明显加快,减少了计算负担。     

基于人工鱼群优化的扩展卡尔曼粒子滤波算法

针对扩展卡尔曼粒子滤波算法中由于粒子退化和贫化而导致的滤波精度降低问题,提出了一种人工鱼群优化的扩展卡尔曼粒子滤波算法.通过人工鱼群优化算法中的觅食和聚群行为,对采样过程进行优化,使得粒子不断地朝高似然域移动来寻找最优位置,从而改善样本分布,加速样本集的收敛,缓解了退化现象;然后对重采样过程进行优化,以提升样本的多样性,从而克服了粒子样本贫化问题.实验结果表明,改进后算法提高了对系统状态的预估精度,更适合在对精度要求高的系统中进行滤波计算.     

改进的粒子群优化算法设计FIR低通数字滤波器

粒子群优化算法(PSO)因具有参数少、易于实现等优点,在解决优化问题时表现出很好的性能。有限长单位脉冲响应(FIR)数字滤波器因具有稳定的结构、易于实现等优点,在实际中有着很广泛的应用。因此,将基于三角函数因子的改进PSO算法(TFPSO)用于对FIR低通数字滤波器性能的优化,并将其与基于折射原理反向学习(refrPSO)、基于反向学习(OPSO)的PSO算法所设计的FIR低通数字滤波器的性能进行比较。在实验中构造出一种性能较好的适应值函数,以验证这几种改进的PSO算法所设计的FIR低通数字滤波器的性能。实验结果表明,基于三角函数因子的PSO算法滤波性能较差,而基于折射原理反向学习的PSO算法性能最佳。     

基于抗差扩展卡尔曼滤波器的永磁同步电机转速估计策略

通过分析粗差对扩展卡尔曼滤波器(extended Kalman filte,EKF)状态估计的影响,对无速度传感器矢量控制的永磁同步电机的转速,提出了一种基于抗差扩展卡尔曼滤波器(robust extended Kalman filter,REKF)的估计方法.建立了永磁同步电机的REKF模型,探讨了永磁同步电机在粗差干扰下引入REKF能否获得优于EKF的估计性能这一问题,比较了REKF与EKF在遇到外部粗差干扰或内部估算粗差干扰时转速和磁链的变化.仿真和实验结果表明REKF较EKF而言具有更好的抗粗差性能,使系统遇到干扰时能更快收敛.     

粒子群优化算法在FIR数字滤波器设计中的应用

介绍了基于粒子群优化算法的FIR数字滤波器的设计方法,并用该方法设计了一个高通滤波器。与用Parks-McClellan算法设计的高通滤波器进行了对比,发现基于粒子群优化算法的FIR滤波器的通带波动更小,阻带衰减更大。将用这两种算法设计的滤波器作用于混频信号,得出的结果也证明了基于粒子群优化算法的FIR滤波器的有效性。     

基于改进粒子群优化算法的IIR数字滤波器设计

针对粒子群优化(PSO)算法存在早熟收敛问题,提出了一种改进算法——带有柯西扰动的重分布粒子群优化(RPSO)算法,并应用于IIR数字滤波器的优化设计。RPSO在检测到粒子群早熟收敛时,自动触发粒子重分布机制,帮助粒子逃离局部收敛区域,同时在迭代过程中对种群的全局最优位置施加柯西扰动以保持种群的多样性。仿真实验结果表明,在对IIR数字滤波器设计时,RPSO算法的性能优于粒子群、量子粒子群以及基于混沌变异的粒子群优化等算法。     

一种新的改进粒子群优化算法

在现有文献研究的基础上,首先阐述标准粒子群优化算法的基本原理,并对它加以分析,指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部最优等缺点,然后对其缺点进行改进,将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究,从实验结果中可知,改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法.     

基于混沌粒子群优化算法的FIR数字滤波器设计

有限脉冲响应(FIR)数字滤波器的设计,实质上是一个多参数优化问题.将粒子群优化算法与混沌相结合来设计FIR数字滤波器,并用该方法设计了一个高通滤波器.与用Parks-McClellan算法设计得到的高通滤波器进行对比发现,基于混沌粒子群优化算法(CPSO)的FIR滤波器通带波动小,阻带衰减大,从而证明了该算法的有效性和优越性.     

粒子群优化粒子滤波方法

针对粒子滤波方法存在粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波中．该方法将最新观测值融合到采样过程中,并对采样过程利用粒子群优化算法进行优化．通过优化,可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,并极大地降低了精确预估所需的粒子数．实验结果表明,该算法具有较高的预估精度和较好的鲁棒性．     

Speed and rotor flux estimation of induction machines using a two-stage extended Kalman filter

This paper presents an effective implementation of an extended Kalman filter used for the estimation of both rotor flux and rotor velocity of an induction motor. An algorithm proposed by Hsieh and Chen in [Hsieh, C.S., & Chen, F.C. (1999). Optimal solution of the two-stage Kalman estimator. IEEE Transactions on automatic control, 44(1), 194-199] for linear parameter estimation is extended to non-linear estimation, where parameters such as the velocity of an induction machine are present in the transition matrix and in the augmented state space. Compared to a straightforward implementation of an extended Kalman filter, our modified optimal two-stage Kalman estimator reduces the number of arithmetic operations by 25%, allowing higher sampling rate or the use of a cheaper microcontroller.     

基于改进扩展卡尔曼粒子滤波的目标跟踪算法*

针对扩展卡尔曼粒子滤波算法滤波精度较低和粒子退化的问题,将马尔可夫链蒙特卡罗（MCMC）方法和扩展卡尔曼粒子滤波相结合,应用于目标跟踪。该算法利用扩展卡尔曼滤波来构造粒子滤波的建议分布函数,使建议分布函数能够融入最新的观测信息,以便得到更符合真实状态的后验概率分布,同时引入MCMC方法对所选的建议分布进行优化处理,使抽样粒子更加多样性。仿真结果表明,该算法能有效地解决粒子贫化问题并提高滤波精度。     

基于渐消卡尔曼滤波算法的航空发动机参数估计方法

针对航空发动自适应模型误差无法完全消除,可能导致参数估计结果严重偏离甚至滤波发散的问题,提出一种带渐消因子的卡尔曼参数估计方法,采用在线调整卡尔曼方程残差的权重、加强现实测量数据在状态估计中作用的策略,保证了发动机性能参数估计的准确性。仿真结果表明,该方法不仅克服了滤波发散现象,具有更优的收敛速度和估计精度,且计算量小,实现简单,便于实际应用     

改进的粒子群算法在动态OD矩阵反推中的应用

针对粒子群算法存在收敛速度慢和局部最优的问题,引入粒子间相对位置改进基于抗体浓度的概率选择公式,提出了一种带免疫机理的改进粒子群算法。粒子不仅根据个体极值和全局极值更新速度和位置,而且按一定概率以轮盘赌法选择某个粒子进行学习,以保持种群多样性,防止出现早熟停滞现象。并将其用于由路段流量反推OD矩阵的极大熵模型求解研究中,以重庆市某交叉路口为实例进行实验,结果表明：粒子群算法推算OD矩阵是有效、可行的,可以克服牛顿法严格依赖初始值的缺点;改进的粒子群算法比基本粒子群算法和基本遗传算法具有更好的全局寻优能力。     

Multi-objective parameter estimation of induction motor using particle swarm optimization

In order to simplify the offline parameter estimation of induction motor, a method based on optimization using a particle swarm optimization (PSO) technique is presented. Three different induction motor models such as approximate, exact and deep bar circuit models are considered. The parameter estimation methodology describes a method for estimating the steady-state equivalent circuit parameters from the motor performance characteristics, which is normally available from the manufacturer data or from tests. The optimization problem is formulated as multi-objective function to minimize the error between the estimated and the manufacturer data. The sensitivity analysis is also performed to identify parameters, which have the most impact on motor performance. The feasibility of the proposed method is demonstrated for two different motors and it is compared with the genetic algorithm and the classical parameter estimation method. Simulation results show that the proposed PSO method was indeed capable of estimating the parameters over a wide operating range of the motor.     

基于反幂法和扩展卡尔曼滤波的姿态估计算法

针对基于Davenport的四元数法和扩展卡尔曼(extended Kalman filtering,EKF)的姿态估计算法的精度受特征值精度影响的问题,设计一种基于反幂法与EKF算法的姿态估计算法。根据Davenport矩阵K的近似特征值,利用反幂法迭代计算出Davenport矩阵K的特征向量,将其作为EKF的测量值,降低EKF测量值对特征值的敏感度。为验证算法有效性,搭建四旋翼无人机实验平台,实测实验结果表明,该算法能为无人机提供高精度、实时的姿态信息,实现了无人机的稳定飞行。     

Mobile-robot pose estimation and environment mapping using an extended Kalman filter

In this paper an extended Kalman filter (EKF) is used in the simultaneous localisation and mapping (SLAM) of a four-wheeled mobile robot in an indoor environment. The robot’s pose and environment map are estimated from incremental encoders and from laser-range-finder (LRF) sensor readings. The map of the environment consists of line segments, which are estimated from the LRF’s scans. A good state convergence of the EKF is obtained using the proposed methods for the input- and output-noise covariance matrices’ estimation. The output-noise covariance matrix, consisting of the observed-line-features’ covariances, is estimated from the LRF’s measurements using the least-squares method. The experimental results from the localisation and SLAM experiments in the indoor environment show the applicability of the proposed approach. The main paper contribution is the improvement of the SLAM algorithm convergence due to the noise covariance matrices’ estimation.     

基于UKF和优化组合策略的改进粒子滤波算法

针对标准粒子滤波算法存在的粒子退化与贫化问题,提出了一种新的改进粒子滤波算法。该算法采用无迹卡尔曼滤波、优化组合策略和标准粒子滤波相结合的方法,运用UKF产生重要性密度函数,解决标准PF算法中以先验概率密度函数作为建议分布所引发的退化问题;运用优化组合重采样策略保证所有粒子的信息以一定概率得到继承,维持粒子集中粒子的多样性。理论分析与仿真结果均表明,改进算法能有效地解决标准粒子滤波存在的粒子退化问题并避免粒子贫化现象的出现,具有更高的状态估计精度。