基于概率图模型的机动车逆行行为识别

由于车载定位设备精度的不断提高，利用车辆的轨迹数据可以识别车辆的逆行行为，但设备或环境会产生噪声，本文主要针对轨迹处理过程中的噪声问题，研究概率图模型下的逆行行为概率判断。首先对机动车出行轨迹进行识别，拆分成出行轨迹，解决因为掉头等对概率判断的影响；再利用动态贝叶斯网络建立马尔科夫模型，对识别结果空间推断；进而基于方向角数据结合卡尔曼滤波法进行去噪后与地图匹配，计算定位点在道路上的先验概率和条件概率，再利用相邻轨迹点的条件概率计算该点的逆行概率，最终设定逆行行为判定阈值，并利用已知的轨迹数据验算准确性。结果显示，利用动态贝叶斯网络能够发现机动车的逆行行为，对提高道路安全有重要意义。     

考虑环境温度影响的超级电容SOC加权融合估计方法

超级电容荷电状态（SOC）的准确估计，直接决定了电动汽车的起动、爬升和加速性能，是电动汽车混合储能系统最重要的任务之一。为此，本文中提出了一种基于模糊熵加权融合的超级电容SOC估计方法。首先，利用粒子群算法辨识了-10、10、25和40℃下的戴维南模型参数，并且采用最近邻点法建立了其与温度之间的映射关系。然后，利用模糊熵设计了基于3种典型卡尔曼滤波的SOC加权融合估计方法。最后，选择自适应加权平均以及残差归一化加权融合的SOC估计方法用于进一步评估该方法的性能表征。结果表明，基于模糊熵加权融合的超级电容SOC估计方法能够提高超级电容SOC估计精度，尤其在高温环境（40℃）下提升效果更为显著。     

基于卡尔曼滤波的高速铁路时间同步网时间补偿

LTE-R作为下一代高速铁路无线通信系统，保持时间同步对于高速铁路行车安全至关重要。针对现有时间同步方法仅考虑随机噪声，而忽略LTE-R无线信道多径衰落、多普勒频移等对时钟同步过程的影响，导致主从时钟偏移估计不准确的问题，提出一种基于卡尔曼滤波的高速铁路时间同步网时间补偿方法：建立LTE-R下主从时钟之间相位、频率偏移的状态转移方程；构建引入伯努利随机变量的时钟相位、频率偏移观测方程；利用改进的卡尔曼滤波算法得到最优时钟偏移估计值；使用本方法实现对LTE-R时间同步误差的补偿；通过实验仿真，得到LTE-R下信道多径衰落、多普勒频移、信噪比、列车车速等对高速铁路时间同步的影响，并实现对不同高铁运行场景下时间同步偏差的定量分析。结果表明：本方法能够有效消除LTE-R无线信道时钟偏差，与其他补偿方法相比，具有更好的稳定性和鲁棒性。     

基于轨道倾角积分的长波高低轨道不平顺测量方法

高效且准确地对长波轨道不平顺进行监测是轨道几何测量领域的难点。分析两类惯性基准动态检测方法的测量误差来源，认为转向架与轨道间的“冲角”是造成长波不平顺测量精度损失的重要因素；为此，重新设计检测系统硬件结构，引入点头陀螺仪传感器和测距组件，在轨道平面建立“短弦”测量模型，推导基于误差状态扩展卡尔曼滤波估计的俯仰轨道倾角测量算法；通过补偿滤波与空间域积分等信号处理方法，计算长波高低轨道不平顺。现场试验表明：该方法有效复原7～200 m以内的长波高低不平顺；当截止波长为200 m时，相比传统的惯性基准法，平均精度增加了81%～88%,且受检测速度影响小；统计系统重复检测误差的95%分位数在1.5 mm以内，在大跨度桥梁形变与路基沉降监测等领域具有较好的应用前景。     

卡尔曼滤波法在斜拉桥施工误差控制中的应用

运用工程控制论的思想 ,将斜拉桥的施工误差控制视为一随机最优控制问题 ,建立相应的数学模型 ,采用卡尔曼最优一步预测 ,按确定性的最优控制规律构成团环状态反馈系统 ,对各施工节段进行调整控制 ,以期达到设计要求。     

基于强跟踪的卡尔曼滤波算法道路坡度估计分析

在上下坡路段行驶的过程中，道路的坡度角对车辆的纵向受力分析非常重要。道路坡度角过大时会影响驾驶员驾驶的安全性，因此在道路建设中，上下坡路段的研究是有重要意义的。为了更加精确地对汽车在各种路段下的行驶状况进行研究，道路坡度是重要的研究指标。据此，提出了强跟踪滤波优化卡尔曼滤波算法，并利用MATLAB/Simulink仿真，验证了优化后的卡尔曼滤波算法具有很强的跟踪性和准确性。     

基于轴距预瞄的非匀速工况车辆悬架状态估计

为实现车辆在非匀速行驶时的悬架相对速度和簧上绝对速度估计，同时减小车载传感器的数量，构造了不考虑车轮动力学、以车轮垂直速度为输入的车辆悬架系统简化模型，设计了一种基于速度自适应轴距预瞄的结合卡尔曼滤波算法估计整车悬架相对速度和簧上绝对速度的方法。仿真结果表明，在车辆非匀速行驶通过低频正弦路面、减速带、凹坑以及典型随机路面时，所提出的方法可以准确估计车辆的悬架相对速度和簧上绝对速度，且速度自适应轴距预瞄的引入减少了传感器的使用数量。     

计及时变扰动下永磁牵引电机无传感器滑模控制

针对永磁同步牵引电机因参数摄动不确定因素造成控制性能下降以及速度传感器存在成本高、环境要求严格、估计精度不足等问题，提出了一种基于自适应广义高阶平方根容积卡尔曼滤波算法（ASRGHCKF）无速度传感器的永磁同步电机（PMSM）自适应非奇异快速终端滑模控制算法。首先，建立参数摄动下PMSM数学模型；其次，基于扩展滑模扰动观测器（ESMDO）设计自适应非奇异快速终端滑模转速控制算法（ANFTSMC），选择新型指数趋近律可随系统距离滑模面的远近自适应调整趋近速度，同时ESMDO实时精准观测系统的未知扰动部分；最后，结合ASRGHCKF实时精准估计电机的转速和转子位置。通过与PI和传统SMC算法进行仿真和半实物试验对比，验证了该算法在电机参数摄动下暂稳态性能更佳，有利于改善PMSM的无速度传感器控制效果。     

考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计

由于迟滞特性的存在，电池管理系统难以准确获得开路电压（OCV）与荷电状态（SOC）之间的状态关系。为有效地运行和管理动力电池，本文研究了考虑迟滞特性的锂离子电池模型，选用带有遗忘因子的递推最小二乘法进行参数在线辨识。提出了一种联合门控循环单元（GRU）神经网络和自适应扩展卡尔曼滤波（AEKF）的SOC估计，分别以AEKF和GRU神经网络的估计结果为模型值和测量值，通过卡尔曼滤波（KF）得到最终的SOC估计结果，并作为下一时刻AEKF的输入。结果表明，常温环境下考虑迟滞特性的模型对端电压预测及联合估计法对SOC估计的均方根误差（RMSE）分别在0.5 mV和0.64%以内；低温及变温环境下端电压预测及SOC估计的RMSE分别在0.9 mV和0.72%以内。考虑迟滞特性的模型及联合估计法具有良好的精度和鲁棒性。     

基于FFRLS-EKF联合算法的锂离子电池荷电状态估计方法

针对现有基于电池恒定参数模型的SOC估计方法忽略了工况和SOC对电池模型参数的影响而导致SOC估计误差偏大的问题，本文提出一种将带有遗忘因子递推最小二乘算法与扩展卡尔曼滤波算法相结合的联合SOC估计方法。该方法先利用FFRLS算法在线辨识电池等效电路模型参数并实时修正电池模型，再利用EKF算法和实时修正的电池模型估计电池SOC。实验结果表明，本文所提的SOC估计方法能有效减小电池模型参数变化所带来的SOC估计误差。在脉冲放电、脉冲充电和动态应力测试实验中，最终电池SOC估计的最大误差分别为1.01%、0.87%和1.59%。