一种带重采样控制器的IMM-AUPF算法

为了减轻粒子滤波计算复杂性,提出了一种基于交互式多模型(IMM)架构的自适应Unscented粒子滤波算法(AUPF)。IMM-AUPF算法在粒子滤波重采样步骤中设计了一个重采样控制器,根据滤波性能在线调节重采样粒子的数量。并将自适应粒子滤波算法应用于交互式多模型估计方法中,有效地解决了地面机动目标跟踪问题。实验结果表明:基于粒子滤波的多模型滤波器在估计精度方面优于标准的交互式多模型滤波器,且IMM-AUPF算法在计算复杂性方面优于交互式多模型Unscented粒子滤波算法。     

基于UPF算法的汽车多状态量估计

针对常用汽车状态估计算法计算复杂、精度低等问题,提出一种新的汽车多状态量估计方法。建立了包含定常统计特性噪声和Pacejka轮胎模型的七自由度非线性汽车动力学模型。针对一般粒子滤波(PF)算法存在的缺陷,使用非追踪卡尔曼滤波(UKF)算法产生粒子滤波的重要性概率密度。基于非追踪粒子滤波(UPF)算法实现对汽车多个关键状态量的最小均方误差估计。将基于UPF算法、UKF算法与PF算法的估计器进行了比较,揭示了粒子数对汽车状态估计效果的影响。基于ADAMS/Car的虚拟实验和实车实验表明基于UPF算法的估计器精度高于基于UKF算法的估计器,估计值相对于实际值的平均绝对误差均控制在状态幅值的10%以内,且实时性优于基于PF算法的估计器。     

基于改进粒子滤波算法的动力锂离子电池荷电状态估计

传统电池荷电状态(SOC)估计中常用的扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)方法仅适用于线性系统和高斯条件,虽然粒子滤波(PF)算法能用于非线性和非高斯系统,但PF算法在滤波更新时存在粒子退化现象,使粒子集无法表示实际后验概率分布,导致估计精度降低.采用改进的扩展粒子滤波(EPF)和无迹粒子滤波(UPF)算法对电池SOC进行估计,抑制了粒子权重退化.以Thevenin模型对电池进行建模,利用带遗忘因子的最小二乘方法进行模型参数辨识,结合改进后的滤波算法对电池SOC进行估计.实验结果表明,以UKF为建议密度函数进行重采样的UPF方法平均估计误差为0.71%,低于以EKF为建议密度函数的EPF方法平均误差(1.09%),两种方法的估计误差均小于PF估计误差(1.36%),有效抑制了粒子权重退化.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

一种基于优化粒子滤波的锂电池SOC估计算法

在构建锂电池状态空间模型基础上,提出一种基于优化粒子滤波的锂电池SOC估计算法,将BP神经网络应用到粒子滤波的权值更新过程中,实现锂电池SOC估计.利用某公司提供的磷酸铁锂电池测试数据,对所提出的算法进行验证,对比算法估计结果与SOC实测结果.结果表明,相对于PF算法,提出的改进算法具有更好的SOC估计性能.     

引入多速率模型的变结构机动目标跟踪

变结构多模型方法(VSMM)能够根据目标机动的实际情况实时确定结构不断变化的模型集合,取代传统IMM方法中的固定模型集.使参与状态估计的模型分布更集中,模型数量相对较少,从而提高算法的跟踪精度.多速率模型(Multirate)能够对原始测量数据进行多分辨分解,有效的抑制量测噪声,从而提高原始数据的信噪比.文章将多速率模型引入变结构多模型方法,提出一种新的机动目标跟踪算法多速率变结构多模型方法(MRVSMM),该方法分别从改善原始数据与改善模型集合两方面对传统IMM方法进行了突破.同时,采用多个多速率模型,并将多个模型的滤波结果相互交织实现对机动目标的全速率跟踪.仿真实验证明,该算法较传统的IMM方法跟踪精度得到了一定程度的提高.     

容积粒子滤波算法及其应用

针对使用现有粒子滤波算法对非线性/非高斯离散时间系统的状态估计精度较低的问题,提出了一种新的粒子滤波算法——容积粒子滤波(CPF)算法.新算法使用容积数值积分原则直接计算非线性随机函数的均值和方差,产生粒子滤波算法的建议性密度函数,获得所需要的带权粒子,进而通过计算粒子均值,获得系统状态的最小均方误差估计.CPF算法由于产生粒子时使用了最新的测量信息,因而提高了对系统状态后验概率的逼近程度.仿真实验结果表明,CPF算法的估计误差约是标准粒子滤波算法和扩展粒子滤波算法误差的1/5和1/3,是无味粒子滤波(UPF)算法的估计误差的1/2,且运行时间只有UPF算法的1/3.     

一种适于非线性非高斯目标跟踪的MRIMMPF算法

为解决粒子滤波应用到IMM算法时计算量过大的问题,融合交互式多模型和粒子滤波,提出了一种采用多速率方法的交互式多模型粒子滤波(multirate interacting multiple model particle filter,MRIMMPF)算法.该算法采用多模型结构来跟踪任意机动的目标;使用一种3模型、one-third速率/全速率跟踪算法,一个one-third速率模型处理非机动或微弱机动,2个全速率模型用于机动模式,以处理非线性、非高斯问题.仿真结果表明,MRIMMPF算法在性能上并不低于交互多模型粒子滤波(IMMPF)算法,但是计算量明显减小.     

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1％.     

一种预测锂电池剩余寿命的改进粒子滤波算法

粒子滤波算法本身存在着粒子退化问题,对于衰减趋势变化剧烈的模型,难以获得精确的预测结果,限制了算法的适用范围。针对以上问题对粒子滤波进行改进,通过引入粒子群优化算法中的粒子更新机制,优化粒子的全局位置信息,进而重新分配各粒子权重,降低了重采样阶段粒子重置的比例,改善了算法固有的粒子退化现象,达到改进算法、提升算法预测性能的目的;同时,为验证算法的实际效果,以马里兰大学先进寿命周期工程中心(CALCE)发布的锂电池容量实验数据集为基础,分别使用传统粒子滤波算法与改进的算法进行剩余寿命预测仿真。经过对比发现:改进算法误差下降33.6%,可获得更为精确的预测结果,重采样率下降18.3%,粒子退化问题得到改善。