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。     

随机状态模型参数辨识的多步算法

基于解耦辨识和多步计算思想,本文提出了一种状态空间模型参数辨识的多步算法.计算法包括二步加权最小二乘法、一步输出信息序列的修正和一步自适应 Kalman滤波过程,具有全局收敛且对待辨识参数初始估值设置不敏感等特点.仿真结果表明,在受控系统承受测量噪声和过程噪声的情况下,该算法对线性状态空间模型的参数辨识是十分有效的.     

考虑未知输入的主动悬架路面高程与等级识别研究

通过主动悬架的精确控制提高车辆乘坐舒适性与行驶安全性的基本前提是进行路面高程与等级识别.本文中设计了考虑未知输入的卡尔曼观测器,以获取路面高程信息;根据路面高程建立AR模型,得到路面功率谱密度,并求取兴趣频段内路面功率谱密度均方根值,实现了路面的等级分类.仿真分析了不同工况下路面高程估计方法和路面等级分类方法的准确性,...     

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%。     

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.     

基于组合滤波的气体管道泄漏信号增强技术研究

管道泄漏信号的信噪比决定泄漏检测的可靠性,泄漏信号信噪比的提高取决于传感器和信号处理的方法。复杂多变的工况环境,使泄漏信号的信噪比降低,泄漏信号甚至被噪声淹没。文中应用卡尔曼滤波器对气体管道泄漏信号进行快速滤波,结合指数滤波器,能更好地消除不同强弱的噪声干扰,提高信噪比,为管道泄漏定位的可靠性和准确性提供良好的保证。     

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。      

简易型GPS、角速度传感器组合导航系统

利用卡尔曼滤波器综合GPS位置信息,转向角速度和速度脉冲信息,卫星定位正常时,可识别和优化航向和速度,在卫星被遮蔽时,可利用优化后的航向和速度推算位置,从而实现真正的连续导航。     

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。