卡尔曼滤波方法在β估计中的应用

利用最优估计理论中常用的卡尔曼滤波方法对口系数进行实时估计和预测估计，并将其估计结果与传统的回归分析方法的估计结果进行比较．实证结果充分体现出卡尔曼滤波方法在证券投资分析中的优越性。     

基于双卡尔曼滤波的系统偏差消除方法

在非线性滤波问题中,一般对噪声有零均值的概率分布假设,但在实际工程中,这样的假设有时不成立,即存在一个固定的系统偏差。把该偏差当作系统待估计的参数,应用双卡尔曼滤波的基本思想,在估计状态量的同时估计出系统偏差,从而自适应地消除了其影响。以一个仅用测角信息的被动定位问题为例,经实验研究表明,提出的方法可显著改善收敛精度。     

一种基于模糊规则的非线性系统快速模糊辨识方法

针对以往模糊建模方法中算法中算法过于复杂的问题，提出了一种简单而有交的复杂系统模糊建模新方法。该方法是基于输入空间的模糊划分，计算给定样本在各模糊子空间的隶属度，并列用卡尔曼滤波算法辨识模糊模型的结论参数。整个辨识过程与模糊聚类方法和误差反馈学习方法相比所需的CPU时间最短。最后通过著名的Box-Jenkins煤气炉数据仿真结果证明了该方法的有效性与实用性。     

电讯系统工程引论

本文以近代信息论、控制论、系统论等工程技术科学的观点,简要综合论述电讯系统工程的本质与特点,并指出其系统设计的准则.     

基于模型误差EKF-HIF算法的锂动力电池SOC联合估计

针对锂动力电池荷电状态(State of Charge,SOC)估计策略,提出了一种基于模型误差EKF-HIF算法的SOC联合估计方法。首先,通过建立电池等效电路模型,利用BP神经网络(Back Propagation Neural Network,BPNN)预测该电池模型误差。其次,推导扩展卡尔曼滤波(EKF)和H∞滤波(H Infinity Filter,HIF)算法流程,根据模型误差选择不同算法进行SOC状态估计。最后,通过仿真验证了该联合估计算法的有效性和可行性。     

自适应无迹卡尔曼滤波动力电池的SOC估计

无迹卡尔曼滤波法(Unscented-Kalman Filter,UKF)在估计动力电池的剩余容量(State of Charge,SOC)时,由于系统噪声的不确定,可能导致算法不收敛,而且算法的估计性能受模型精度的影响,为此采用自适应无迹卡尔曼滤波法(Adaptive-UKF,AUKF)动态估计电动汽车动力电池的SOC.建立了适用于SOC估计的电池模型,辨识相应的电池模型的参数并进行验证,将AUKF应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC.试验仿真结果表明:UKF算法的估计误差在-0.04~0.06之间跳动,而AUKF算法的估计误差平稳的保持在0.05以内,实时修正微小的模型误差带来的SOC估计误差.     

基于卡尔曼滤波的动目标预测

对非机动目标可利用标准卡尔曼滤波算法对其运动状态进行预测,因为其运动数学模型精确可知.而当运动目标处于机动时,准确描述目标运动状态的数学模型难以建立,标准卡尔曼滤波算法难以进行对其状态预测.因此,文中采用将目标加速度作为虚拟噪声的自适应卡尔曼滤波算法,进行动目标运动状态的预估.仿真结果表明了该算法有效、可行,具有一定应用参考价值.     

UKF算法在纯方位目标运动分析中的应用

针对传统算法在解决纯方位目标运动分析时存在的有偏、收敛速度慢或发散等不足,该文将无味卡尔曼滤波(UKF)算法应用到纯方位目标运动分析中.由于UKF在处理非线性问题时表现良好,以及不需要计算Jacobian矩阵或Hessian矩阵,实现起来比较方便.根据无味变换的基本原理给出了滤波过程的具体计算步骤并进行了仿真计算.理论分析和仿真结果表明,UKF的性能相当于二阶高斯滤波器,它在纯方位目标运动分析中的滤波精度、稳定性和收敛时间都优于传统算法.     

卡尔曼滤波校正技术在水动力学模型实时洪水预报中的应用

将卡尔曼滤波技术与水动力学模型实时洪水预报相结合,提出了"交替校正"方法;分别建立水位与流量的状态方程,进行交替滤波计算,较好地解决了滤波计算中不同类型状态量之间共同校正的问题.对长江干流局部河段的实例验证表明,卡尔曼滤波技术应用于单一河道水动力学模型没有破坏模型的稳定性,局部的校正对全河道具有较好的带动作用,说明卡尔曼滤波技术应用到水动力学模型的实时校正中是可行而且有效的.     

一种改进的永磁同步电机无位置传感器直接转矩控制

为改进永磁同步电机无位置传感器直接转矩控制,提出一种结合扩展卡尔曼滤波和滑模观测器的PMSM速度及位置估算方法.使用Matlab/Simulink建立PMSM的无位置传感器直接转矩控制系统,实现无位置传感器情况下的PMSM启动与调速仿真.仿真结果表明,该方法具有较令人满意的效果.