基于自适应无迹卡尔曼滤波算法的非线性系统估计

采用无迹卡尔曼滤波算法在线识别非线性系统参数和进行状态估计时，要求全部外部激励已知，而大多情况下结构外部激励特别是强震甚至未知激励难以直接量测。为解决上述问题，提出并推导了只需结构输出响应，即可实时估计结构状态、未知参数和未知外部激励力的自适应无迹卡尔曼滤波算法。该自适应无迹卡尔曼滤波算法能够自动递推估计观测噪声的协方差，可以有效避免系统估计受限于不当选取的测量噪声初始值。同时，引入最小二乘法估计未知外部激励力。为验证所提出的自适应无迹卡尔曼滤波算法的可行性，以及其对于多种强非线性系统的适用性，选取两种典型的非线性系统包括一个3自由度Bouc-Wen滞回非线性结构和一个Duffing型剪切梁结构进行数值模拟分析。并对一单自由度非线性能量阱进行振动台试验研究，估计未知激励力。由识别结果和实际观测值的良好一致性，以及参数的识别精度表明：在有限的响应测量条件下，提出的自适应无迹卡尔曼滤波算法能够有效地实时追踪非线性系统的状态、估计未知参数以及非线性系统的未知外部激励力。     

锂离子电池模型参数和荷电状态联合估算算法

针对电动汽车锂离子电池状态估算问题,提出了一种复合的电池荷电状态(state of charge,SOC)估算算法。在固定参数卡尔曼滤波算法的基础上,引入基于遗忘因子的递推最小二乘法(forgotten factor recursive least square,FFRLS)进行电池模型参数在线辨识;基于在线模型参数,利用无迹卡尔曼滤波算法(unscented Kalman filter,UKF)估算电池SOC,实现电池模型参数和SOC的实时联合估算。采集电池充放电实验数据进行离线仿真,结果表明该算法能较好地跟踪电池工作状态,SOC估算误差基本稳定在3%以内。     

不完全量测下长基线系统的水下目标跟踪算法

针对不完全量测情况下长基线系统对水下目标跟踪精度会下降的问题,提出了最小二乘-容积卡尔曼滤波(Least Squares-Cubature Kalman Filter,LS-CKF)算法。选取容积卡尔曼滤波(Cubature Kalman Filter,CKF)为基本跟踪算法并将其改进为两步滤波模式.增加的第1步滤波使用最小二乘估计优化时间更新阶段的容积点,提高了第2步滤波中量测更新的精度。进一步推导了量测信息为距离时新算法的简化形式,降低了运算复杂度,使其能更好地应用于水下跟踪系统.仿真实验和湖试数据的处理结果表明,在丢失量测数据较多且初始状态误差很大的恶劣情况下,LS-CKF收敛速度比标准CKF算法提升了1倍,且跟踪误差降低10%以上。     

EKF与UKF的目标跟踪算法应用与对比

目标跟踪是计算机视觉领域的重要研究方向之一,在精确制导、人机交互、机器人导航等诸多领域广泛应用。在高斯噪声环境下,扩展卡尔曼滤波器(EKF)是将非线性函数展开成Taylor级数,一阶EKF算法简单,计算量小,适用于弱非线性系统;二阶EKF精度高于一阶EKF,需要计算二阶雅克比矩阵,计算量大。文章研究了EKF与UKF的目标跟踪算法应用与对比。无迹卡尔曼滤波(UKF)用一系列确定的样本来逼近状态的后验概率密度,没有忽略高阶项,适用于所有非线性系统。文章对目标跟踪模型进行了仿真,结果表明,UKF滤波精度明显高于EKF滤波,二阶EKF滤波精度较一阶EK F有所提高。     

改进的PNGV模型估算全钒液流电池荷电状态

针对全钒液流电池(VRB)充放电时,循环泵产生的支路电流对荷电状态(SOC)估算有影响的问题,提出了一种基于无迹卡尔曼滤波的全钒液流电池SOC估算方法。通过改进的新一代车辆伙伴关系(PNGV)等效电路模型,在考虑了电池堆极化、支路电流分流和温度对电池内阻影响的情况下,建立了VRB仿真模型。采用无迹卡尔曼滤波(UKF)算法和扩展卡尔曼滤波(EKF)算法对电池SOC分别进行估算,并与试验测量值进行对比分析。仿真结果表明:UKF算法比EKF算法更接近试验测量值,其估算误差不超过±0.02。     

基于IMM-UKF的冷水机组故障检测与诊断

由于现场冷水机组往往伴随着大量噪声,为消除噪声对冷水机组故障检测与诊断(Fault Detection and Diagnosis,FDD)结果的误判,本文提出基于交互多模型(Interactive Multiple Model,IMM)和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的冷水机组FDD框架.根据模型概率提出基于Tanh函数的故障检测指标,设置滑动窗口来选择联合故障检测指标最值,并设置决策阈值.结果表明,故障检测指标采用Tanh函数时的IMM-UKF FDD框架可显著提高滤波模型的鲁棒性和跟踪性能,当故障模型概率与正常模型概率差别不大时弱化其对FDD结果的影响权重,有效降低检测虚警率、提高诊断正确率.     

基于抗差卡尔曼滤波的变形监测数据处理

介绍了卡尔曼滤波的推导过程以及其不足之处,并在此基础上提出了抗差卡尔曼滤波。抗差卡尔曼滤波是在抗差估计的基础上,选择合适的ρ函数或者ψ函数,获得相应的权函数,从而对观测值进行滤波。用抗差卡尔曼滤波来计算某地铁一监测点的变形数据,可以得到较好的滤波值,与普通卡尔曼滤波值相比,精度有了明显的提高。     

Kalman滤波在ECT图像重建中的应用

ECT技术中的重要部分就是电容层析成像(Electrical CapacitanceTomography,ECT)中的图像重建算法。ECT重建的图像质量差且伪影多的问题,本文提出了一种通过添加噪声之后使用Kalman滤波算法进行图像重建以提高重建图像质量。原数据收集后适当向其中添加不同程度的噪声,接着使用Landweber迭代算法和Kalman滤波算法对图像进行技术处理实现图像的重新组建。通过仿真实验结果表明,通过加入噪声并滤波处理进行图像重建均能提高图像质量,Kalman滤波算法重建的图像失真度最小。     

动态变形监测应用中的Kalman滤波方法研究

标准Kalman滤波最优算法是建立在给定准确的函数模型和随机模型基础之上的,因而其使用受到一定限制,于是出现了不少改进算法,这些方法各有其特点和相应的应用场合,且有些经验参数难以确定。本文利用GPS模拟实验数据,分别采用标准Kalman滤波、抗差Kalman滤波、Sage自适应滤波、抗差自适应Kalman滤波以及其改进算法五种方案进行滤波处理,比较分析了各种Kalman滤波方法在变形监测应用中的优点和不足,并提出了改进方案,以指导实践应用。     

顾及有色噪声的Kalman滤波在GPS高频动态变形监测中的应用

在GPS高频动态变形监测过程中,观测噪声存在很强的时间相关性,使用标准卡尔曼滤波并不能得到最优滤波解。本文给出了一种基于一阶高斯马尔科夫过程的相关观测噪声函数模型估计方法,以及基于此噪声函数模型的两种改进卡尔曼滤波算法,对一组GPS模拟振动实验数据进行滤波处理,结果验证了该噪声函数模型估计方法的有效性,并对基于此模型的这两种滤波算法进行了对比分析。