人工免疫粒子滤波算法估计电动汽车电池SOC

准确预测电池的荷电状态（SOC）对纯电动汽车的安全可靠的运行具有重要意义.标准的粒子滤波算法对锂离子动力电池的非线性特征有一定的适应性,能够对电池的 SOC做出估计.但是在标准粒子滤波运算过程中普遍存在粒子退化现象,导致算法效率和预测精度降低.因此,本文提出一种新的人工免疫粒子滤波算法,将人工免疫算法的原理引入标准粒子滤波算法的粒子更新过程中,对锂离子动力电池SOC的估计进行优化,以提高SOC估计的准确性.利用北京市实际运营的纯电动汽车电池数据,对所提出的电池SOC算法进行实证研究.实验结果表明,相对于标准粒子滤波算法,人工免疫粒子滤波算法能够增加粒子的多样性,具有更好的SOC预测精度和有效性.     

水下组合导航UKF/PF自适应滤波算法

为了避免粒子滤波(PF)可能存在的粒子退化问题,提出了一种Unscented卡尔曼滤波(UKF)和PF的混合滤波算法.将PF的所有粒子分为随机性粒子和确定性粒子两部分,利用UKF状态估计为PF确定重要性函数,并从重要性函数中抽取随机粒子,而确定性粒子则由UKF的Sigma点构成.利用标准粒子滤波的退化程度指标构造自适应权函数,根据权函数权值大小的变化,UKF/PF混合滤波算法自适应地进化为PF滤波算法或退化为UKF滤波算法.仿真结果验证了UKF/PF混合滤波算法用于DR/INS组合滤波器设计的有效性.     

基于粒子滤波的约束目标被动跟踪研究

为提高约束条件下的二维机动目标被动跟踪性能,提出了一种约束下的粒子滤波方法(CPF).使用转弯率概念建立了被动跟踪模型,阐述了非线性粒子滤波的基本过程;通过设定地域和机动性能约束条件,抛弃约束外粒子,并对粒子分布和权重进行调整;利用CPF进行了目标跟踪仿真实验,与无约束的粒子滤波跟踪进行了对比,分析了轨迹跟踪性能,比较了跟踪误差.仿真结果表明,CPF能够稳定跟踪,并且具有更高的跟踪精度.     

基于联合粒子滤波的系统误差修正方法

在非线性滤波系统中,线性化误差和系统误差是影响滤波精度的两个主要因素.提出联合粒子滤波方法,在减少线性化误差的同时,能够实时估计系统误差的大小并自适应地消除其影响.说话人跟踪仿真实验结果验证了此方法的有效性.     

基于联合粒子滤波的系统误差修正方法

在非线性滤波系统中,线性化误差和系统误差是影响滤波精度的两个主要因素.提出联合粒子滤波方法,在减少线性化误差的同时,能够实时估计系统误差的大小并自适应地消除其影响.说话人跟踪仿真实验结果验证了此方法的有效性.     

基于FIR滤波器的ABS轮加速度信号计算方法研究

车轮加、减速度的准确计算是汽车防抱死制动系统（ABS）正常工作的前提．通过分析ABS轮速传感器的输出信号特性，以及欧拉法（一阶微分近似法）、微分滤波法和卡尔曼滤波法等算法在轮加速度计算上应用的可行性，在考虑噪声衰减、控制延迟、估计的准确性和可靠性及计算量等算法性能的基础上，提出了一种基于FIR滤波器的轮加速度计算方法．在使误差方差最小和估计的准确度最大的意义下，求解了滤波器的系数和滤波器的长度．实验证明了该方法稳定可靠，延迟小．     

基于扩展卡尔曼滤波器的PMSM无传感器矢量控制仿真设计

提出了一种基于扩展卡尔曼滤波器(EKF)的PMSM转子速度和位置的估算方法。利用α-β坐标系下的电机状态方程,进行EKF算法的实现,并在Matlab/Simulink平台设计仿真模型并进行仿真验证,经过仿真表明基于EKF的PMSM无位置传感器矢量控制系统具有较高的估计精度、良好的动态性能和稳态性能,且鲁棒性较好。     

基于 UKF 非线性人眼跟踪的驾驶员疲劳检测

为解决驾驶员疲劳检测算法中头部快速移动、人眼非线性跟踪以及实际疲劳表情的识别问题,提出了一种新的基于UKF眼跟踪算法的驾驶员疲劳检测方法.根据近似非线性函数的概率分布比近似其函数更容易的原则,利用UT无迹变换,选择一组确定的Sigma点集逼近驾驶员人眼运动状态的后验概率密度函数,进行人眼非线性跟踪.在驾驶员人眼非线性跟踪基础上,通过计算PERCLOS值,进行现实驾驶条件下驾驶员疲劳的跟踪检测.实验结果表明,该方法不仅可以增强对驾驶员头部旋转、快速移动以及光照变换的鲁棒性,而且可以比传统的Kalm an滤波算法提供更精确的计算估计.     

基于推广卡尔曼滤波的无源定位系统仿真

在现代电子战、信息战环境中,由于利用目标辐射电磁信息的无源探测定位系统具有自身隐蔽和探测距离远等优点,因此它具有重要的应用价值,并已成为当今非线性跟踪与估计研究领域的热点问题.针对无源定位中状态空间模型非线性和程度较高所引起的滤波发散问题,分析总结了推广卡尔曼滤波(EKF)次优递推滤波过程,最后给出滤波方程及仿真结果.     

基于多模型和辅助粒子滤波的机动目标跟踪算法研究

机动目标跟踪的本质是随机动态混合系统中的状态估计问题,其难点在于每一时刻运动模式的高度不确定性.在实际问题中,系统状态往往还呈现非线性、非高斯、不完全观测的特点.文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的机动目标跟踪算法——MM APF.仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在计算量相当的情况下,具有更高的滤波精度和较好的稳定性.     

基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

电控汽油机进气量的最优估计算法

通过发动机台架试验,针对发动机进气系统的非线性特性,基于发动机进气通路动态模型,给出了进气压力与系统参数之间的关系,根据卡尔曼滤波的应用特性,提出了基于扩展的卡尔曼滤波的发动机进气量估计算法,得到了进气量估计的实时递推方程,计算了发动机瞬态工况下的进气压力,并与实际测量值进行了比较。对于较小的负荷变化率,压力计算值与测量值偏差小于3%,而较大的负荷变化率时,偏差有增大趋势,但其误差小于5%。结果表明进气量估计算法可以较精确地计算出发动机瞬态工况的进气量。     

基于卡尔曼滤波和神经网络的PMSM参数辨识

永磁同步电机（PMSM）是一种非线性、强耦合的控制对象,电机参数的变化加大了其控制难度.因此,参数辨识对于其闭环控制系统的稳定运行有着重大的意义.文中针对这一非线性、强耦合的模型,研究了一种基于扩展卡尔曼滤波（EKF）和El man神经网络（El man NN）的永磁同步电机参数Rs,ψd和ψq的辨识方法.仿真结果表明,该方法具有很快的收敛速度,能很精确地辨识PMSM的Rs,ψd和ψq,该网络具有良好的泛化能力,在变速变负载等复杂情况下也适用.     

基于LLE和LS_SVM的胃粘膜肿瘤细胞图像分类

胃粘膜肿瘤细胞图像的复杂性,组织器官形状的不规则性以及不同细胞的差异性,使得采用一般的线性分类方法对其进行分类很困难,结合局部线性嵌入（LLE）在处理非线性数据及最小二乘支持向量机（LS_SVM）在处理小样本、高维数及泛化问题方面的优势,文章提出一种基于LLE＋LS_SVM的胃粘膜肿瘤细胞图像分类方法,并采用LS_SVM的线性拟合误差来判断实验效果,最后比较本文方法与其他分类方法的优越性。实验结果表明,该方法在分类准确率和运行时间方面都有很大的优势。     

基于EKF的自动泊车系统位姿估计算法设计

利用车辆2个后轮轮速信号和方向盘转角信号,基于扩展卡尔曼滤波技术设计一种车辆位姿估计算法,并在veDYNA中仿真试验。仿真结果表明,算法的估计精度比较理想,可满足泊车系统对自身车辆定位的需求。以定位精度2 cm（1σ）的GPS信号为参考,实车试验结果表明,位置估计误差控制在3%以内,此精度的估计结果可以为泊车系统提供车辆定位信息,为增强泊车安全性奠定基础。     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型（Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM）.首先支持向量机（Support Vector Machine,SVM）参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化（Particle SwarmOptimization,PSO）算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于指数函数的开关磁阻电机磁链非线性模型

开关磁阻电机（SRM）的双凸板结构导致其运行时磁链具有非线性特点,因而精确建立电机的数学模型比较困难.在分析开关磁阻电机的非线性特性和磁链曲线后,提出了利用一种指数函数来构建磁链曲线的新型数学模型.结合Ansoft软件的电磁分析功能,利用Matlab软件搭建一台3 kW、12/8极SRM的控制仿真模型,在角度位置控制（APC）模式下进行了仿真分析,并与实验结果进行了比较,验证了该磁链非线性模型的准确性.     

基于车路协同的车辆定位算法研究

为解决道路交叉口车辆由于定位信号缺失或者延迟引起的车辆定位偏差较大的问题,提出了基于车路协同的协同地图匹配算法（cooperative map-matching,CMM）. 首先利用扩展Kalman滤波（extended Kalman filter,EKF）融合GPS与车载航位推算系统（vehicular dead reckoning,DR）信息作为协同地图匹配的预先定位;然后基于短程通讯技术实现车辆信息的交换与共享,在电子地图的基础上,利用道路约束实现车辆进一步定位. 为了验证算法的有效性,搭建了模拟真实场景的仿真环境进行实验. 研究结果表明:采用EKF融合GPS/DR数据的交叉口车辆定位平均偏差为9.09 m,相比GPS 的14.31 m,定位偏差减小30.87%;采用CMM算法的交叉口车辆,当参与CMM车辆数为7时,平均位置偏差为4.5 m,参与CMM车辆数为10辆时,平均位置偏差为2.75 m,相比EKF定位偏差减小69.74%.