在Matlab中用小波分析实现心电信号去噪

本文描述了通过bior3.5小波变换按照Mallat的快速算法对含有干扰的心电信号进行9尺度分解;通过使用硬阈值和软阈值方法获取默认阈值和使用Stein无偏似然估计阈值进行阈值量化,去除噪声成分;最后根据小波分解的最底层低频系数和各层高频系数进行一维小波重构,从而得到去除噪声的心电信号。     

基于自适应卡尔曼滤波器的锂电池SOC估计策略

针对卡尔曼滤波(KF)估计SOC过程中噪声的统计特性与实际不符时,滤波精度严重降低问题,为提高SOC估计精度,在二阶RC电池等效电路模型的基础上,提出一种自适应扩展卡尔曼滤波算法(AEKF),通过自适应协方差匹配算法对系统噪声协方差和测量误差协方差进行实时更新,有效解决了滤波参数设置不合理所造成的SOC偏差,实现了系统状态的最优化预测。利用MATLAB进行仿真比较,验证了新算法能够精确地估计SOC,对环境具有一定的适应能力,可以有效校正SOC初值,并降低累积误差和噪声干扰。     

自适应卡尔曼滤波法磷酸铁锂动力电池剩余容量估计

卡尔曼滤波法在估计动力电池的剩余容量(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,笔者采用自适应卡尔曼滤波法来动态地估计电动汽车用磷酸铁锂动力电池的SOC。首先对电池模型进行了研究,建立了适用于SOC估计的电池模型,然后设计了相应的电池充放电实验检测到模型的参数,并进行了验证,最后将自适应卡尔曼滤波法应用到该模型,在未知干扰噪声环境下,在线估计电池的SOC。仿真结果表明：自适应卡尔曼滤波法能够实时修正微小的模型误差带来的SOC估计误差,估计精度高于卡尔曼滤波法,且自适应卡尔曼滤波法对初值误差具有修正作用。实车循环行驶实验表明算法适用于磷酸铁锂动力电池的SOC估计。     

脉冲星信号的模糊阈值小波降噪算法

为了提高脉冲星辐射脉冲信号的信噪比,提出了基于模糊阈值的小波降噪算法.该算法的核心思想为:引入模糊理论,通过建立隶属度函数,计算出每个采样点信号幅值的隶属度,再利用小波阈值消噪的方法设定门限来分析隶属度,将隶属度大于门限的采样值划归为信号,反之为噪声,从而达到压抑噪声、保留信号的目的.实验结果表明,与基于极大极小原理和Stein无偏似然原理的降噪方法相比,基于模糊阈值的小波降噪算法将脉冲信号的信噪比提高了大约5~6 dB,同时可以保留信号的细节.新算法为脉冲星信号处理与应用提供了一个行之有效的算法.     

基于小波包变换的一种降噪算法

白噪声的方差和幅值随着小波变换尺度的增加会逐渐减小 ,而信号的方差和幅值与小波变换的尺度变化无关。因此 ,文章提出一种以小波包能量为基础 ,以降低原始信号与降噪后信号之间的均方误差 (MSE)为目标的基于小波包的降噪算法 ,并与传统的 Donoho的硬阈值降噪算法作了比较。仿真结果表明 ,该算法可以有效去除白噪声干扰 ,并且明显优于传统的 Donoho的硬阈值降噪算法。     

双自适应衰减卡尔曼滤波锂电池荷电状态估计

针对卡尔曼滤波法在锂离子电池荷电状态(SOC)估计时存在误差较大、收敛较慢等问题,提出了一种双自适应衰减扩展卡尔曼滤波荷电状态估计(DAFEKF)算法。该算法首先设计了针对动力电池的荷电状态估计观测器,利用测得的电流和电压值分别作为观测器的输入和观测值,结合双自适应衰减扩展卡尔曼滤波估计出观测器中的电池荷电状态,在卡尔曼滤波算法的基础上加入时变衰减因子来减弱过去数据对当前滤波值的影响,并自适应地调整卡尔曼算法中过程噪声和测量噪声协方差。利用DAFEKF算法估计出的SOC结果与扩展卡尔曼滤波(EKF)和自适应扩展卡尔曼滤波(AEKF)算法进行了比较,结果表明,DAFEKF方法具有较好的准确性、鲁棒性和收敛性,使SOC估计误差控制在2%以内。     

海洋重力异常数据处理中小波阈值选择规则分析

分析了信号在小波Mallat算法条件下表现形式,采用小波阈值方法对经过小波变换后的重力异常信号的高频部分进行处理.分析了3种小波阈值选择规则,并将其应用到海浪波动等背景干扰因素引起的海洋重力异常畸变消除中.根据重力异常状态方程,采用通用阈值选择规则、最小最大准则阈值选择规则和无偏风险估计阈值选择规则进行了海洋重力异常数据仿真处理.理论分析和仿真处理表明:采用通用阈值选择规则、最小最大准则阈值选择规则和无偏风险估计阈值选择规则都能在一定程度上消除海洋重力异常畸变,但在相同背景条件下,通用阈值选择规则和最小最大准则阈值选择规则的性能优于无偏风险估计阈值选择规则.     

基于深度强化学习卡尔曼滤波锂离子电池SOC估计

针对锂离子电池的荷电状态(state of charge,SOC)估算精度,设计了一种基于深度强化学习卡尔曼滤波锂离子电池SOC估计算法.首先以锂离子电池二阶RC等效电路为研究对象,应用卡尔曼滤波算法,构建了锂离子电池的离散系统数学模型;然后结合深度强化学习思想,构造了一种深度强化学习卡尔曼滤波算法,该算法利用贝叶斯规则确保最佳协方差.仿真结果表明,深度强化学习卡尔曼滤波算法对锂离子电池荷电状态的精度有较好的估计.     

自适应最佳去噪小波基的构造及其应用

针对给定的带噪信号,在传统小波阈值去噪的基础上结合多分辨分析理论,给出了使其Stein无偏风险估计子最小的最佳去噪小波基的自适应构造方法,再利用该小波基对原始信号做小波阈值去噪处理而得到一种自适应去噪算法,并将此算法应用到地震信号这类典型的非平稳信号的去噪处理中.仿真实验表明,较传统的小波阈值去噪方法,该算法不仅具有较...     

基于多新息卡尔曼滤波算法的锂电池SOC估计

针对锂离子电池荷电状态(SOC)较难准确获取的问题,依据锂电池等效电路模型,建立起各参数与SOC的联系,利用脉冲放电的数据对模型进行参数辨识.通过Mat-lab/Simulink验证了模型的正确性和精确性.将扩展卡尔曼滤波算法(EKF)融合多新息理论,建立了多新息扩展卡尔曼滤波算法(MIEKF)估计电池SOC的方法,该方法通过对旧信息的重复使用提高了EKF的估计精度.在美国城市道路循环工况(UDDS)下分别采用EKF和MIEKF算法来估计锂电池SOC,两者估计的最大误差分别为0.0176、0.0087.实验数据表明MIEKF算法估计电池SOC更准确.