适应性卡尔曼滤波算法在汽车检测中的应用

在汽车行驶系间隙与制动性能一体化检测中,为保证检测数据的高精度,单纯从硬件角度出发考虑构成高信噪比的检测系统是不够的,还必须加强对动态数据的处理。我们可采用动态数据在线处理的适应性卡尔曼滤波算法,从而在测量值的基础上获得信息信号的最优线性估值,进一步提高信噪比。     

扩张状态观测器在惯导系统初始对准中的应用研究

根据平台式惯导系统初始对准的误差模型,首先介绍了初始对准的卡尔曼滤波方法,而后研究了把扩张状态观测器与卡尔曼滤波器相结合用于惯导系统的初始对准方法,最后对系统在受干扰和未受干扰2种情况下,分别进行了仿真研究.仿真结果表明,该方法与卡尔曼滤波方法相比,在保证对准精度的条件下,系统姿态角对准时间大大缩短;在系统受到干扰时,该方法仍具有很强的适应性和稳定性.     

机动情况下组合导航系统的预测精度研究

现代的船舶导航系统能够在复杂的海洋环境中实现精确的定位和导航,但当船舶处于高速机动状态时,船舶的运动状态和姿态控制系统的精确度却没有明显改善。因此,本文结合GPS导航系统,对快速运动时的船舶定位技术进行深入研究,并结合灰色小波算法和卡尔曼滤波技术,改善船舶在高速航行时的预测精度,通过建立精准的仿真验证平台,对基于该算法的预测精度进行比较研究。实验结果表明,小波算法对原始序列算法能够有效提高系统的预测精度。     

卡尔曼算法在船舶运动模型参数辨别中的应用

人工智能技术飞速发展,人们已经实现了依靠智能算法识别船舶运动轨迹,这对船舶的航行安全起着重要的推进作用。在对船舶运动状态进行跟踪识别过程中,首先要从视频图像中提取出目标物体的特征值,然后在数据库中进行比对,进一步获得目标物的具体参数。本文采用卡尔曼算法对船舶运动目标的特征参数进行分析,首先建立船舶运动时的动力模型,然后结合目标的灰度统计特性,对船舶的运动状态和运动参数的转移算法进行设计。从仿真结果可知,本文所提出的运动模型识别算法满足基本的鲁棒性和准确度,能够对船舶目标进行速度识别和航迹跟踪。     

船用捷联惯性导航系统在线误差校正算法设计及仿真*

针对捷联惯性导航系统的长期精度不能满足舰载应用的问题,设计了利用罗经的航向信息及多谱勒计程仪的速度信息,通过卡尔曼滤波,在线校正捷联惯性导航系统误差的软件算法,并进行了计算机仿真。     

陆地车辆导航系统滤波技术的研究

给出一种基于航位推算的陆地车辆导航系统的硬件结构，设计了一种实用卡尔曼滤波器。通过实际车载试验，说明滤波器有效地减小了导航系统的随机干扰，提高了系统的导航定位精度。     

多模型估计理论

研究利用多模型来逼近系统的动态性能，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。     

基于四元素的扩展卡尔曼滤波航姿参考系统算法设计

为了优化飞行姿态信息,设计一种适用于捷联式航姿参考系统的九态扩展卡尔曼滤波算法,得到最优估计。为了验证此EKF算法的可行性和滤波效果,采用AHRS300惯性测量单元的数据进行MATLAB滤波算法仿真,把感器采集数据平滑计算后,建立精确的MATLAB算法模型作为参考。把两种结果作差比较,计算姿态角误差。从仿真结果可以看出,所设计的算法能够获得较好的姿态角精度,证明此扩展卡尔曼滤波性能良好。     

基于随机加权自适应容积卡尔曼的电池SOC估计

准确估计锂离子电池荷电状态（SOC）对于突破电动汽车发展瓶颈，推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题，提出基于遗忘因子的递推最小二乘法（FRLS）的模型参数在线识别方法。实时测量动力电池电流和电压数据，在线辨识模型参数并实时更新，实时反映电池内部参数的变化过程，对电池动态特性进行实时模拟。针对容积卡尔曼（CKF）滤波过程中对噪声敏感的问题，提出一种基于随机加权思想的自适应容积卡尔曼滤波（ARWCKF）方法。相比于常规CKF容积点权值始终不变，通过引入随机加权因子，自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测，抑制系统噪声对状态估计的干扰，避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题，提出基于奇异值分解的容积点计算方法，克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题，并进行多种工况、温度下不同SOC初值的对比验证。结果表明：所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力，最大电压估计误差不超过40 mV，SOC估计误差不超过1%。