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.     

非线性滤波算法在水下导航定位技术中的应用分析

针对自主水下航行器(autonomous underwater vehicle, AUV)导航定位技术的发展需求,提出了水下目标的3种非线性滤波估计方法.首先,分别介绍了扩展卡尔曼滤波(extended Kalman filter, EKF)、无迹卡尔曼滤波(unscented Kalman filter, UKF)和粒子滤波(particle filter, PF)的基本原理和实现步骤.其次,针对PF算法存在粒子退化现象,提出了重采样算法,并通过数值仿真验证该算法的有效性.然后,为了解决PF算法中粒子贫化现象,提出了一种基于萤火虫算法的粒子滤波算法(FA-PF).最后,在非线性环境下通过仿真实验对EKF、UKF、FA-PF算法的滤波性能进行对比分析,重点研究非线性强度及噪声特性对估计精度的影响.研究结果表明：重采样能够在一定程度上减轻粒子退化问题.在弱非线性高斯环境下,EKF、UKF、FA-PF算法的估计精度较为接近;在强非线性高斯环境下,UKF和FA-PF算法的跟踪性能明显优于EKF;在非线性非高斯环境下,FA-PF算法跟踪精度最高.     

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.     

基于IMM-UPF的锂电池寿命估计

提出了一种基于交互式多模型(Interacting Multiple Model,IMM)和无迹粒子滤波算法(Unscented Particle Filter,UPF)的锂电池健康状态(State of Health,SOH)估计方法,针对目前SOH估计方法需求样本量大、不适用于全寿命周期结果跟踪等问题,建立了基于多项式模型、双指数模型和集成模型的IMM,通过UPF解决了重采样过程中粒子贫化的问题,根据滤波的结果对锂电池的SOH进行预测,实现了锂电池全寿命周期内的SOH精确估计.讨论了IMM的选型依据和建模方法,给出了详细的SOH估计算法,并通过仿真和实验对不同模型进行对比.仿真和实验结果表明,所提出的基于IMM-UPF的锂电池SOH估计结果的概率密度函数标准偏差仅为19,实现了高估计精度.     

基于SVD的抗差UKF算法在短时交通流状态估计中的应用

针对城市区域快速路网,以实现交通流运行状态实时估计为目标,建立宏观交通流状态空间模型,在实现交通流状态估计的同时,更新交通流模型参数,提高交通流模型的适应性和准确性.然后提出了基于奇异值分解(SVD)的优化抗差无损卡尔曼滤波(UKF)算法,用奇异值分解代替标准UKF的Cholesky分解,解决了协方差矩阵非正定时滤波计算不能持续的问题,同时,该算法根据观测协方差矩阵是否病态选择抗差因子,对增益矩阵和观测协方差矩阵进行自适应计算,进而抑制由于模型较高的非线性带来的误差.通过实验证明,文中所提算法避免了扩展卡尔曼滤波(EKF)算法的滤波发散问题,能准确跟踪交通流的变化趋势,提高交通流状态估计的稳定性和精度.     

一种强背景噪声下的WSN目标定位算法

为了进一步提高无线传感器网络(WSN)目标定位解算精度,提出了一种改进的Cubature粒子滤波(ICPF)定位算法.该算法运用最小二乘法估计移动目标当前初始时刻的位置,使用Cubature卡尔曼滤波和Gauss-Newton迭代法来充分利用测量更新后的状态最新信息,精确设计目标状态重要性密度函数,为粒子滤波提供相应的建议分布,从而能够更加有效改善粒子滤波器的性能.仿真实验结果证明,提出的改进算法在强背景噪声下能有效提高定位精度且收敛性增强,其性能优于标准粒子滤波(PF)、扩展粒子滤波(EPF)及Unscented粒子滤波定位算法(UPF).      

基于差分进化改进粒子滤波的多径估计算法

多径干扰因具有位置上的不相关性、不确定性等特点,不能通过差分技术来消除,成为高精度定位的主要误差源之一。因此,估计多径参数对抑制多径误差、提高导航系统的定位精度具有重要意义。本文将多径估计问题转化为状态空间模型下的参数估计问题,并利用粒子滤波(PF)进行多径估计。同时,为了克服标准PF存在粒子枯竭、导致估计结果可能收敛到错误值的问题,提出了基于差分进化改进粒子滤波(DEPF)的多径估计算法,该算法利用差分进化(DE)算法代替PF的重采样来产生新粒子,使新粒子朝着状态真实后验概率密度分布的方向移动,避免了重采样后粒子可能收敛到局部最优值的问题。仿真结果表明,在非高斯噪声下与基于PF和EKF的多径估计算法相比,本文算法具有更好的多径估计性能。     

基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法

针对捷联式惯性导航系统(SINS)/全球定位系统(GPS)组合导航系统模型的误差以及粒子滤波(PF)存在的粒子退化问题,结合无迹卡尔曼滤波(UKF)算法,提出一种基于PF-UKF组合滤波的SINS/GPS组合导航系统空中对准方法.由误差四元数代替姿态角,以SINS和GPS的位置差和速度差作为观测量,建立新的组合导航系统误差方程.所提出的PF-UKF组合滤波算法将采样粒子分为随机粒子和确定粒子,其中随机粒子为概率密度函数所采集,确定粒子为UKF中采集Sigma点后所求取的系统状态值.由此降低了PF处理粒子时的复杂程度以及粒子退化的程度.仿真结果表明：相比于UKF算法,该方法有效提高了组合导航系统的精度,具有较好的鲁棒性.     

非线性滤波算法在无源定位中的应用

针对无源定位中量测方程非线性对滤波精度及稳定性的影响,分析了基于模型线性化的滤波算法,包括扩展卡尔曼滤波(EKF)、伪线性滤波(PLF)、修订增益的扩展卡尔曼滤波(MGEKF)算法的特点,重点论述了非线性滤波(UKF)与粒子滤波器(PF)这2种新的非线性滤波方法思想及其特点,指出了无源定位问题中,这2种算法有更好的滤波精度及稳定性.     

四轮驱动EV自适应抗差无迹粒子滤波状态估计

针对四轮毂电机驱动电动汽车转矩控制中整车质心侧偏角等关键状态参数无法直接检测及车速等测量值易受到随机误差干扰的问题,建立四轮毂电机驱动电动汽车七自由度动力学模型,进行整车行驶状态参数滤波估计.结合抗差滤波原理及无迹粒子滤波算法,提出一种整车状态滤波估计方法.运用自适应抗差无迹粒子滤波,实现电动汽车行驶过程中纵向速度、侧向速度和质心侧偏角的准确滤波估计.搭建CarSim与Matlab/Simulink联合仿真实验平台对估计算法进行验证.结果表明:所搭建四轮毂电机驱动汽车动力学模型对整车行驶状态具有较高的预测精度;基于自适应抗差无迹粒子滤波算法能实现整车行驶状态估计,能有效对测量参数进行滤波,且具有较高的估计精度.     

电力系统动态状态估计算法研究

为了提高电力系统动态状态估计的估计精度和收敛速度,引入一种解决非线性滤波问题的新型粒子滤波算法——混合卡尔曼粒子滤波器(Mixed Kalman Particle Filter,MKPF)。该算法采用扩展卡尔曼滤波器(EKF)与无迹卡尔曼滤波器(UKF)混合作为建议分布,得到一种更接近真实分布的近似表达式。仿真算例将MKPF与EKF和UKF进行了对比,比较结果证明在电力系统受到扰动之后,MKPF算法能够快速地收敛于真实值,且具有比EKF与UKF更高的估计精度和稳定性,达到了在线准确估计的要求。     

无迹卡尔曼滤波和无迹粒子滤波在惯导初始对准中的应用对比

捷联惯性导航系统是新型航位推算系统,在惯导系统执行工作任务之前需要进行初始对准,以保证系统的正常运行。对捷联式惯导系统,初始对准就是确定初始时刻的姿态阵,利用惯性元件的输出信息,选用合适的滤波方法,将计算的导航坐标系与真实导航坐标系的失准角估计出来,来修正姿态矩阵,使计算坐标系与真实坐标系尽可能重合。在实际的导航系统中,状态方程和量测方程通常都是非线性的,对于非线性特性,传统的解决方法是利用EKF滤波算法,但它只适用于弱非线性模型的估计,系统的非线性越强,引起的估计误差就越大,甚至会引起滤波发散。为此提出两种滤波算法无迹卡尔曼滤波UKF与无迹粒子滤波UPF,并将两者进行了仿真对比,结果表明(UPF)算法比(UKF)算法收敛速度更快,估计精度更高。     

基于平方根迭代UPF滤波的无源定位算法研究

无源定位是基本的导航问题之一,是机动目标跟踪问题研究的基础。针对固定辐射源的无源定位问题,常见的标准粒子滤波器存在收敛速度慢的缺陷,设计了一种基于平方根迭代的UPF滤波器,采用平方根迭代UKF算法作为提议函数,改进了传统PF算法,给出了一种SRUPF算法的设计方案。以一个典型的二维平面无源定位问题对算法进行仿真,仿真结果表明平方根迭代UPF滤波器和标准粒子滤波器相比,具有更高的估计精度,同时较一般UPF滤波器具有更好的数值鲁棒性和更快的收敛速度。     

基于多特征融合的改进UPF目标跟踪算法

针对单特征目标跟踪算法的鲁棒性较差以及不能充分利用最新的量测信息等问题,提出了一种基于多特征融合的改进UPF(Unscented Particle Filter)跟踪算法.基于比例最小偏度单形采样策略的UKF(Unscented Kalman Filter)算法和IKF(Iterated Kalman Filter)算法对粒子滤波算法进行改进,并在改进的算法框架下,采用不确定性度量方法融合目标的颜色和纹理特征,对目标进行跟踪.仿真实验表明,改进算法提高了跟踪精度,对复杂背景下的目标进行跟踪有较好的效果,并能有效跟踪被遮挡的目标.     

基于UPF算法的车辆GPS/DR组合导航研究

车辆GPS/DR组合导航系统是非线性系统。采用扩展卡尔曼滤波(EKF)对其进行状态估计时,系统线性化过程将导致较大的滤波误差。为了获得更好的估计性能,将一类改进的粒子滤波方法 (UPF),即以无位卡尔曼滤波(UKF)为建议密度的粒子滤波方法(PF)应用于车辆GPS/DR组合导航系统中,避免了EKF方法的线性化近似过程,提高载体的定位精度。为验证该方法的有效性,将其与EKF分别用于GPS/DR组合导航系统的滤波仿真。仿真结果表明:UPF能减小导航定位误差,滤波性能明显优于EKF。     

基于附加噪声预测器无迹卡尔曼滤波的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法。首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题。然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高。实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的。     

基于遗传粒子滤波的轮毂驱动电动汽车质心侧偏角估计方法

质心侧偏角估计是汽车稳定性控制系统中的关键技术.为了解决现有估计方法对轮毂驱动电动汽车信息利用不充分、估计精度低的问题,提出一种基于遗传粒子滤波(GPF)的轮毂驱动电动汽车质心侧偏角估计方法.利用魔术轮胎公式,融合轮毂驱动电动汽车车轮上驱动与制动力矩信息,建立非线性车辆动力学模型,实现轮胎纵向力与侧向力计算,完成质心侧偏角估计器的搭建.针对车辆动力学模型的强非线性及传统粒子滤波算法粒子退化、计算量大的问题,设计适用于强非线性系统并且能够有效抑制退化、减小计算量的遗传粒子滤波算法对质心侧偏角进行估计.仿真结果表明:所提出的估计方法能够提高质心侧偏角的估计精度和鲁棒性.     

基于附加噪声预测器UKF的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法.首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题.然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高.实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的.     

基于权值选择粒子滤波算法的锂离子电池SOC估计

针对锂离子动力电池的荷电状态(SOC)估计问题,以三元锂(MNC)电池为研究对象,选用Thevenin等效电路模型,建立电池模型的状态方程和观测方程,完成了带遗忘因子的递推最小二乘法(FFRLS)的理论推导。进行电池单体混合动力脉冲功率特性测试(HPPC测试),基于测试数据和FFRLS算法完成电池模型的在线参数辨识,并通过锂离子电池的端电压精度来验证算法的可行性;在此基础上,提出一种权值选择粒子滤波(WSPF)算法来实现锂离子电池SOC估计,该算法中全部粒子都参与粒子滤波过程,但只选择较优权重粒子用于电池状态估计,从而解决粒子滤波的粒子退化问题,提高粒子的多样性。通过HPPC测试和动态工况测试(DST)结果验证,WSPF算法的估计精度能控制在2%以内。与重采样粒子滤波(SIR-PF)算法相比,WSPF算法的估计精度高,鲁棒性好。     

粒子滤波和ANFIS级联滤波的去噪技术

为实现实际应用中的非线性、非高斯系统中的状态估计,结合粒子滤波非线性估计的优势和自适应神经模糊推理系统(ANFIS)的非线性逼近功能,建立了ANFIS粒子滤波模型。该模型首先通过ANFIS消除测量信号中有色噪声的影响,再运用粒子滤波实现对状态的最优估计,从而进一步提高估计精度。仿真结果表明ANFIS与PF的级联滤波较单一的粒子滤波均值减少了65%,方差减小了74.4%。ANFIS粒子滤波对于强非线性系统的噪声消除效果显著,使状态估计精度得到了较大提高,证明了该级联滤波模型的有效性。