交叉口瞬时交通流量预测的自适应卡尔曼滤波模型

提出了一个交叉口瞬时交通量预测的带时间窗自适应卡尔曼滤波模型（Adaptive Kalman Filter Model,AKFM）;详细阐述了模型的理论基础、建立过程、推导步骤及状态转移矩阵;并通过C＋＋实现了AKFM和传统卡尔曼滤波模型（Traditional Kalman Filter Model,TKFM）;最后,通过实际交叉口的检测数据对该模型与传统卡尔曼滤波模型进行了比较分析及评价.实验结果表明,AKFM模型是稳定有效的,预测精度优于TKFM.     

多模型估计理论

研究利用多模型来副近系统的动态性能,基于多模型设计组合导航系统的多模型自适应卡尔曼滤波器.通过仿真研究表明,在多模型自适应估计和交互式多模型滤波均克服了单一滤波由于外部扰动所造成的滤波误差过大甚至发散的问题.多模卡尔曼滤波器对组合导航系统能达到理想的控制精度、跟踪速度以及稳定性.研究表明,运用多模卡尔曼滤波能改善系统的瞬态响应,覆盖大范围的参数不确定性.     

一种基于卡尔曼最优平滑方程的开关电容网络 ———第三代(光纤传感) 轴温探测器的信号处理

列车轴温光纤传感探测器的输入信号十分微弱并混有噪声,为此研制一种特殊的滤波 器就显得尤为必要。文中分析了该探测器的噪声源,并根据光电变换信号的微分表达 式建立了卡尔曼最优平滑方程,采用开关电容滤波器精确实现了该方程,解决了列车 轴温光纤传感探测器中的信号平滑滤波问题,大大提高了系统的探测率。      

基于EEMD和EIIKF的船舶轴系状态趋势预测研究

监测、分析、预测轴系的状态数据对保障船舶动力系统正常工作具有重要意义。基于船舶轴系振动状态监测,提出集合经验模态分解(EEMD)和增强型间歇性未知输入卡尔曼滤波器(EIIKF)相结合的故障趋势预测方法。在进行模态分解前,通过加入白噪声信号优化信号的可分解性,避免出现模态混叠。进而对滤波重构后的信号进行序贯分析得到振动信号的特征曲线,采用EIIKF方法对特征曲线分析预测,并通过引入间歇性参数,对部分未知输入项带来的不确定性进行补偿。在此基础上通过故障判别模型进行故障诊断,实现基于轴系振动信号的故障预测。利用实测故障样本数据对所提出的方法进行验证,其预测结果的及时性和准确性均优于一般模态分解和卡尔曼滤波器预测的方法,验证了改进后方法的有效性和优越性。     

基于预测控制的水下自航器抗海浪变深控制分析

水下自主航行器在近水面航行中存在着深度跟踪和姿态控制较为困难的问题。为此，首先建立了自主航行器的近水面三自由度运动数学模型，然后设计了无迹卡尔曼滤波器实现对系统状态的估计；接着，利用斯特林内插法在变动的工作点处对自主航行器模型进行近似线性化，并根据线性化后的模型设计预测控制器，实现自主航行器的变深运动控制。经过仿真实验，验证了滤波器对自主航行器近水面运动状态估计的准确性以及预测控制器在抗海浪扰动上的控制效果。仿真结果表明，带有无迹卡尔曼滤波器的预测控制器可以快速、准确的实现自主航行器的深度跟踪控制与姿态控制，且具有响应速度快，对外部扰动鲁棒性强的特点。     

基于SOC估算的船用锂电池组健康管理研究

船用锂电池是新能源船舶的重要设备,如何精确的估计锂电池的荷电状态以及根据船舶运行工况进行对锂电池组的健康管理是保障船舶安全经济运营的关键。通过Vmin无迹卡尔曼滤波法对船用锂电池组的荷电状态(SOC)估计,仿真验证了Vmin无迹卡尔曼滤波法在估算电池组SOC时有较高精度；同时,结合船舶运行工况研发锂电池组健康管理策略,对船用锂电池组的SOC,单体电压,电流,光伏发电功率多参数综合分析,把电池状态分为健康,亚健康,不健康三种状态。实船运行表明,该电池组健康管理能保障锂电池组工作在安全范围内,有效促进船舶的安全运行。     

车辆转向工况下的路面附着系数估计算法

提出了一种在转向工况下根据车轮侧偏特性估计路面附着系数的算法.首先在Matlab/Simulink中建立了七自由度整车模型,分析了车轮的侧偏特性;然后设计了扩展卡尔曼滤波器,以根据车辆的纵、侧向加速度,估算车辆的纵、侧向速度,并据此计算出车轮的侧偏角;最后,采用反向传播神经网络算法,根据前轮侧偏角和横摆角速度及其增益,估计路面附着系数.仿真结果验证了该算法的有效性.     

弹道再入目标轨迹跟踪中非线性滤波算法研究

弹道再入目标轨迹跟踪是一个重要的非线性滤波应用问题。论文将常见的非线性滤波器分类为基于点的滤波器和基于密度的滤波器,对比分析了各类算法的基础理论原理,仿真实验得出在高斯噪声条件下,EKF要优于UKF和PF,在闪烁噪声条件下PF要优于EKF和UKF的结论。     

概率匹配和状态预测的不连续空间车辆识别跟踪算法

为了解决交通路段不连续监控区域车辆目标的自动识别跟踪问题,提出了一种不连续空间车辆识别跟踪算法.该算法分为识别阶段和跟踪阶段,识别阶段利用高斯概率密度估计的方法建立前一场景中某个车辆目标的概率函数,再通过概率函数计算出出现在下一场景中的所有车辆的匹配概率,用概率阈值确定是否有车辆与前一场景的车辆目标匹配,匹配的车辆在下一场景中将被标记识别.而在跟踪阶段中车辆的跟踪基于无迹卡尔曼滤波(UKF),通过状态预测同时跟踪不同的车辆目标.该算法可以解决在不同路段的监控视频中自动识别并跟踪肇事潜逃车辆等实际问题.通过试验测试表明,该算法在车辆目标的识别上具有一定的精准性,且能够实现对车辆目标的实时跟踪.     

卡尔曼滤波对舰船导航系统精确性研究

本文将联合卡尔曼滤波器应用于舰船导航系统中。联合卡尔曼滤波器中的全局滤波器将获得的舰船导航系统的信息,按照信息分配系数,分给系统中的2个局部滤波器,以此来降低系统计算量,这种方式容错性强,提高了舰船导航系统的精度性和稳定性。