Kalman滤波在液压电机故障诊断中的应用

针对液压电机故障信号的特性,介绍了Kalman滤波及其递推算法在信号处理上的应用给出了时间序列自回归(AR)模型建立信号状态方程和观测方程的方法,并在这两个方程的基础上结合Kalman递推算法对信号进行滤波.通过有效的仿真和实际验证表明:利用Levinson-Durbin算法获得AR系数建立信号模型,再通过Kalman递推能够有效的达到滤波的效果.     

改进灰色时序模型在建筑物变形监测中的应用

建筑物变形监测数据中存在着随机干扰和不确定性因素,而单一的数学模型预测结果精度较低,制约了变形预测的准确性。针对这一问题,文中采用了一种自适应Kalman滤波的灰色时序组合预测模型。首先,通过自适应Kalman滤波算法对原始数据进行去噪处理,动态的去除数据内部的随机干扰误差;然后,将灰色模型(GM模型)与时间序列分析模型(AR模型)相结合,得到拟合时间序列中的沉降量趋势项和沉降量随机时间序列剩余项,生成一种非线性组合模型;最后,对变形监测数据进行整理预测,并将该预测模型应用于建筑变形工程实例中,与GM(1,1)预测模型、GM(1,1)-AR预测模型通过平均残差、残差的方差和后验差比值进行对比分析。结果表明:该模型后验差比值可达到0.045 1,所得数据结果明显减小,预测精度显著提高,结果更加准确可靠。     

基于EnKF的油藏自动历史拟合方法对三相相对渗透率的反演

为解决标准集合Kalman滤波在非线性油藏反演中更新模型与更新动态场的统计不一致性问题,提出了一种改进的集合Kalman滤波方法,历史拟合过程中只对模型参数进行更新,然后利用更新的模型参数从初始状态重新运行油藏数值模拟软件进行下一拟合时刻的生产预测,协方差矩阵由从时间零运行油藏数值模拟软件得到的预测数据进行计算.理论证明了该方法与集合随机最大似然法的一致性.对某油藏的相对渗透率曲线进行了估计,比较了标准集合Kalman滤波方法与改进方法的参数估计及生产预测结果.由于保证了更新模型与更新动态场的一致性,改进的集合Kalman滤波方法得到了更好的参数估计和生产预测结果.     

基于Kalman滤波的地铁换乘客流预测

针对地铁换乘通道的换乘客流量,提出了利用Kalman滤波进行短时客流量预测的方法.基于Kalman滤波原理对地铁换乘客流系统构建状态方程,并根据历史数据对状态方程中的状态转移矩阵进行标定,然后运用灰色关联分析的方法来确定该状态转移矩阵在待预测时间序列上的值,进而实现客流量的预测.以北京地铁西单站换乘通道为例,从平日和假日两方面分别对该换乘通道一周内,早高峰时期客流量进行了短时预测.     

基于季节模型及Kalman滤波的道路行程时间

道路行程时间是影响城市交通出行行为的重要因素。当前大多数出行时间研究基于路段进行,假设驾驶人沿着理想最短路径或最快路径行驶,难以对交叉口排队延误等相关时间参数进行精确估计。针对城市任意OD间的出行时间进行分析,采用Kalman滤波方法,利用历史数据对总行程时间进行有效预测。鉴于总行程时间分布存在比较明显的周期性特点,单一Kalman滤波算法难以反映出这种周期性,引入基于季节模型的Kalman滤波算法进行建模和优化。最后,利用深圳浮动车2011年12月连续3d的数据进行实证。研究结果表明:相对于传统的SARIMA模型及普通Kalman滤波算法,优化模型同时考虑总行程时间分布的周期性和时变性,具有较小误差及更好的拟合度;所得预测时间的平均绝对误差(MAE)分别在传统SARIMA模型及普通Kalman滤波算法结果基础上降低了37%和52%,其余误差指标,如均方根误差(RMSE)及最大相对误差(MRE)均有较大下降,从而证明了研究模型的有效性。     

基于季节自回归单整移动平均模型的电梯交通流递归预测方法

针对电梯交通流预测提出了一种基于季节自回归单整移动平均（SARIMA）模型的递归预测方法．通过离线分析,对电梯交通流利用时间序列分析得到初始的SARIMA模型,引入异常值检测对训练数据中的异常值进行修正,利用修正的序列得到电梯交通流SARIMA模型;在线预测时,将离线得到修正的SARIMA模型转化为状态空间形式．通过Kalman滤波实时调整状态向量,实现电梯交通流的实时在线预测仿真表明该方法具有很好的预测性能,且运行时间短,满足实时性的要求．     

Kalman滤波理论在短时交通预测上的应用

介绍了基于Kalman滤波理论的短时段交通量预测模型,并利用京沪高公路和南京禄口机场高速公路所采集的数据进行了仿真预测.预测结果表明Kalman滤波预测方法对各种状态交通流有较好的适应性,具有较高的预测精度.     

桥梁时变可靠度指标的改进粒子滤波预测算法

基于健康监测时间序列数据,提出了桥梁动态可靠度指标的改进粒子滤波预测方法.首先,利用监测极值数据建立动态模型,将其作为粒子滤波算法的状态方程和监测方程;然后,采用贝叶斯动态线性模型(BDLM)为粒子滤波器提供随时间更新的动态建议分布,以解决传统粒子滤波算法的样本退化问题,同时增加了粒子滤波算法的鲁棒性及自适应性;进而利用改进的粒子滤波算法(IPF),结合极值监测数据实现结构极值的动态预测,并结合一次二阶矩(FOSM)可靠性方法,实现桥梁结构可靠度指标的动态预测;最后通过在役桥梁工程实例与设计试验对所提模型和方法的合理性与有效性进行验证.     

Kalman滤波在地表移动观测站沉降监测中的应用研究

文章根据Kalman滤波理论,结合矿区开采沉陷监测的需要,建立了对地表移动观测站沉降监测进行动态处理的标准Kalman滤波模型和预测预报模型;利用顾桥矿1117(1)首采面观测站的实测资料,对所建立的滤波模型和预测预报模型进行了检核,结果表明所建模型基本能满足开采沉陷工程治理的要求.     

基于多元时间序列的PM2.5预测方法

针对利用多元线性回归和时间序列模型预测PM2. 5时,存在信息利用不全面和预测精度不高的问题,提出了基于多元时间序列(ARMAX)的PM2. 5预测方法;方法在回归项中引入了PM2. 5影响因子在时间序列上的滞后性阶数,并对残差序列进行信息提取,建立了PM2. 5浓度预测模型;首先通过"天气后报网"采集了合肥市2017年和2018年污染物数据;完成了数据的预处理及相关性分析;分别建立了PM2. 5浓度预测的多元线性回归模型、时间序列模型和ARMAX模型;最后通过RMSE、MAE和Theil不相等系数3个评价指标,将3个模型预测精度进行比较;结果表明:ARMAX模型的预测精度显著高于单一的时间序列模型或多元线性回归模型。     

基于Kalman滤波的分布式全相参雷达相参参数估计方法

针对运动目标,提出了基于Kalman滤波的相参参数(时间差和相位差)估计方法,建立了雷达本地坐标系及目标本体坐标系,给出了目标的运动模型及相参参数的数学模型;提出了利用正交信号对相参参数进行估计的方法,通过对待估参数进行推导分析,建立了状态方程和量测方程,提出了利用Kalman滤波算法对相参参数测量值进行滤波以提高参数的估计精度;仿真分析验证了基于Kalman滤波的相参参数估计方法的有效性.      

组合预测模型在汇率预测中的应用

为准确对汇率进行预测,提出基于ARIMA-GARCH~GED模型与PSO-LSSVM模型的汇率组合预测模型.首先,利用HP滤波将汇率分解为长期趋势序列与循环序列,然后运用ARIMA-GARCH~GED模型对长期趋势序列进行预测分析,运用PSO-LS-SVM模型对循环序列进行训练分析,最后将长期趋势与循环趋势的值相加即为汇率预测值.通过实例分析对比发现,此组合预测模型精度高于单一预测模型,可以更加准确预测非平稳汇率时间序列.     

一种两段解耦Wiener滤波设计新方法

应用现代时间序列分析方法,基于ARMA新息模型和白噪声估值器,提出了一种分离随机偏差两段解耦Wiener滤波新方法,同两段解耦Kalman滤波理论相比,避免了解Riccati方程,实现了完全解耦.仿真例子说明了本算法的有效性.     

径向速度测量在Kalman滤波中的应用

研究一种把径向速度测量引入Kalman滤波的新方法.在分析传感器噪声特性以及测量方程结构的基础上,提出优先处理位置测量数据,然后利用位置矢量的滤波值改进对径向速度测量方程的伪线性表述,从而得到一种序贯处理、伪线性结构的滤波算法.从理论上分析了该算法的稳定性.蒙特卡洛仿真说明该算法不仅克服了推广Kalman滤波(EKF)暂态性能差的缺陷,而且其稳态性能也略优于EKF.     

分位数回归在时间序列中的应用

文章利用分位数回归和时间序列相结合的方法对澳大利亚月度红酒销售量数据进行建模和预测,得出的模型能很好地描述出月份对于红酒销量变化范围的影响.当自变量时间对因变量红酒销量的分布产生不同的影响时,相对于最小二乘回归系数得到单一结果来说,利用分位数回归得到的时间序列模型能更好地利用数据里的信息,得到比较全面的预测结果.     

竹类种质资源图像采集实时定位方法

针对目前竹类种质资源数据采集方式单一、费时费力等采集方式落后的问题,提出了基于Android平台的竹类种质资源图像采集实时定位模型和方法.选择将COO定位与GPS定位结合的移动定位方法,研究了实时定位算法—利用最小平方法消除无损Kalman滤波法中的异常值从而产生一种新的改进算法,最后探讨了数据与图像的整合方法的实现,采用EXIF格式实现图像、GPS信息、方位、文本等一体的图像表达.结果表明,该改进算法能有效去除异常值,为更加准确有效地对竹类种质资源数据进行采集提供了技术支持.     

一种基于变结构加权的时间序列预测模型研究?

基于文献提出的优化权重方法,针对存在单个离散变结构下的时间序列预测问题,提出了一种变结构加权的ARMA模型.该方法利用优化权重对时间序列变结构前的数据进行调整,形成了新的时间序列,然后再对这个新的时间序列建立ARMA模型进行预测.蒙特卡罗模拟显示,该方法对存在单个离散变结构的时间序列具有较好的预测效果.实证结果表明中国股票市场的日收益率存在明显的变结构现象,并且在预测中运用加权ARMA模型能够明显改善预测效果.     

集合卡尔曼滤波在浅水模式数据同化中的应用

为了研究集合Kalman滤波同化技术应用于非线性动力学模式的同化效果,通过利用集合Kalman滤波技术对浅水理论中均质不可压流体运动的动力学模式进行理想的数据同化试验.分析集合Kalman滤波同化方法应用于动力学系统的计算方法和步骤.比较三维变分和集合Kalman滤波的同化效果,讨论了集合Kalman滤波数据同化方法的基本性质和同化观测的频率对集合Kalman滤波同化效果的影响.通过试验证明,集合Kalman滤波数据同化方法能够成功地应用于浅水均质不可压流体的动力学系统,可有效地抑制估计误差的增长,为模式预报提供更加理想的初值,改善预报效果.     

粒子滤波融合跟踪方法

针对Kalman滤波不能处理多传感器量测信息融合中的非线性问题,提出了一种基于粒子滤波方法的融合跟踪算法.通过对量测方程的非线性分析,利用粒子滤波器计算目标状态估计值,通过线性迭代的方式得到系统的最优估计.仿真结果表明,与采用Kalman滤波的方法相比,该算法具有更高的估计精度和更少的计算量.相比于单传感器,减少了量测信息的模糊性,提高了资源的利用率.     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.