导读:本文包含了扩展滤波算法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:卡尔,算法,尔曼,扩展卡,目标,粒子,噪声。
扩展滤波算法论文文献综述
马彦,陈阳,张帆,陈虹[1]（2019）在《基于扩展H_∞粒子滤波算法的动力电池寿命预测方法》一文中研究指出动力电池的性能随着使用会出现不可避免的老化,直接影响着电动汽车的性能和使用。在动力电池使用过程中对其进行剩余寿命的预测,可以确定动力电池的最佳维修和更换时机,进而有效延长动力电池寿命,增加电动汽车的续驶里程。因此,采用扩展H_∞粒子滤波算法进行动力电池的剩余寿命预测。进行锂离子动力电池循环老化试验,获取其全寿命周期的容量衰减数据。采用双指数拟合的方法建立电池容量衰减模型,并验证其准确性。将模型参数作为状态量,采用扩展H_∞粒子滤波算法对模型参数进行实时估计与更新,获得剩余循环次数以及预测结果的可信度。仿真结果表明,基于扩展H_∞粒子滤波算法得到的动力电池剩余寿命预测结果与基于粒子滤波得到的预测结果相比更加精确。(本文来源于《机械工程学报》期刊2019年20期）
黄敏,张璐坚,周到,陈军波[2]（2019）在《基于扩展卡尔曼滤波的磁共振指纹参数量化优化算法》一文中研究指出"磁共振指纹"技术一次扫描可同时获得定量的T1、T2等参数像,弥补了磁共振成像(MRI)扫描时间长,一次只能得到一种加权像的缺陷。但其经典算法需要对不同序列建立不同的字典,且字典大小直接影响量化结果。我们对基于扩展卡尔曼滤波的磁共振指纹参数量化算法进行优化,不需要建立字典,通过建立成像模型,采用卡尔曼滤波对磁共振指纹信号进行跟踪,反演得到量化参数。该方法减少了卡尔曼迭代次数,加快了参数估计的收敛速度,提升了参数量化图像的质量。(本文来源于《生物医学工程研究》期刊2019年03期）
陆玉,张华[3]（2019）在《基于迭代双重扩展的Kalman滤波的有源目标估计算法》一文中研究指出多数地理定位算法只用信号的到达时间差(Time Difference of Arrival,TDOA)估计发射机位置,而TDOA数据中的外部噪声降低估计精度。为此,提出基于迭代双重扩展的Kalman的有源目标估计(Iterated dual-extended Kalman Fiter,ID-EKF)算法。ID-EFK算法测量TDOA和到达频率差(Frequency Difference of Arrival,FDOA)信号。先建立相关位置和速度的状态等式和相关TDOA和FDOA信号的测量等式。然后,再用迭代双重扩展Kalman滤波补偿非线性测量误差。仿真结果表明,提出的ID-EKF算法降低了估计误差。(本文来源于《中国电子科学研究院学报》期刊2019年09期）
周韦润,姜文刚[4]（2019）在《基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计》一文中研究指出准确估算电池荷电状态是电动汽车安全、可靠运行的重要保障。传统的卡尔曼滤波估计算法一方面难以克服电池模型精确性和实用性的矛盾,另一方面要求系统噪声矩阵必须服从高斯分布。为了解决上述问题,首先建立基于BIC准则的变阶RC等效电路模型,克服模型精确性和实用性的矛盾;接着采用遗传算法对EKF中的系统噪声矩阵和测量矩阵的协方差进行在线优化,以实现在模型误差最小时对SOC进行在线估计;最后搭建测试平台,验证该算法能够克服由于模型误差和测量噪声的不确定对SOC估计的影响,误差在1. 35%以内,并且具有较高的收敛性和鲁棒性。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年09期）
李耀祖,王目光,郭玉箫,牟宏谦[5]（2019）在《基于简化扩展卡尔曼滤波的双偏振载波相位恢复算法》一文中研究指出提出一种基于简化扩展卡尔曼滤波(EKF)的低复杂度、双偏振载波相位恢复算法,记为XY-EKF算法。XY-EKF算法通过估计并补偿两个偏振态之间的相位偏移,只利用X偏振态的实部和Y偏振态的虚部(或X偏振态的虚部和Y偏振态的实部)对两个偏振态进行相位恢复,减少了卡尔曼滤波所需的信号分量。XY-EKF算法能够在保持估计准确度的前提下降低算法的复杂度。将XY-EKF算法应用于传输速率为224 Gbit/s的双偏振16QAM相干光传输系统,仿真结果表明,当激光器线宽和信号码元周期乘积分别为10~(-5)和10~(-4)时,XY-EKF算法与经典EKF算法具有等同的性能表现,而其复杂度相比经典EKF算法降低了1/3。在光信噪比一定的条件下,当误码率为3.8×10~(-3)时,XY-EKF算法的线宽容忍度比经典EKF算法提升了1 MHz。(本文来源于《光学学报》期刊2019年11期）
徐洪俊,张锦东,张其林[6]（2019）在《基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测》一文中研究指出基于上海中心大厦实测加速度幅值数据,探讨差分自回归滑动平均(ARIMA)模型和扩展卡尔曼滤波(EKF)预测方程在实测信号预测方面的应用,提出了ARIMA-EKF预测方法:先建立ARIMA模型,由该模型的预测方程推导出卡尔曼滤波的状态方程和测量方程,建立EKF预测方程实现信号的预测。本文提出的ARIMA-EKF预测方法有效地提升了ARIMA模型的预测精度,对于实时加速度幅值的变化趋势能够进行有效的预测。(本文来源于《第十九届全国现代结构工程学术研讨会论文集》期刊2019-07-19）
耿越,雷旭升[7]（2019）在《基于分量信息融合的扩展卡尔曼滤波算法》一文中研究指出研究非线性系统的最优线性化问题,借助误差传播方程中各分量信息融合的极大似然方法,得到最优线性化的分量信息融合扩展卡尔曼滤波算法,相比经典扩展卡尔曼滤波等其它非线性滤波方法,分量信息融合扩展卡尔曼滤波算法增加了状态转移矩阵和量测矩阵的更新方程,能够自适应调节参数,具有跟踪原系统的能力,能有效地提高非线性系统状态估计的精度、快速性和鲁棒稳定性。同时,分量信息融合扩展卡尔曼滤波算法的计算量与经典EKF算法接近,易于在实际工程中应用。(本文来源于《计算机仿真》期刊2019年07期）
张奇正,黄雪梅,蔡述江[8]（2019）在《有色噪声条件下扩展卡尔曼滤波算法研究》一文中研究指出针对标准扩展卡尔曼滤波算法在雷达导引头测量噪声为有色噪声的条件下,出现精度下降的情况,通过时间序列分析法对有色噪声进行建模,采用有色噪声条件下扩展卡尔曼滤波算法,提升了测量噪声为有色噪声情况下滤波精度。在AR(1)模型下,建立有色噪声滤波,通过仿真分析滤波各参数对有色噪声滤波精度影响,从而为有色噪声滤波各参数选取提供参考,最后仿真表明在测量噪声为有色噪声的条件下,有色噪声条件下扩展卡尔曼滤波算法的滤波精度比标准扩展卡尔曼滤波精度高。(本文来源于《计算机仿真》期刊2019年06期）
刘兆才,刘杰,徐学伟[9]（2019）在《基于扩展卡尔曼滤波的水下目标运动轨迹分析算法》一文中研究指出对水下目标一般采用声学方式动态探测,因测量手段、目标机动等原因其运动轨迹一般具有非线性、误差大的特点。利用扩展卡尔曼滤波器对目标机动轨迹进行滤波,将探测得到的离散测量点转化为误差较小的连续的目标运动轨迹。同时,对滤波后的的误差进行了模拟评估,检验了方法的有效性。(本文来源于《舰船电子工程》期刊2019年05期）
赵小龙[10]（2019）在《基于盒粒子滤波的多扩展目标伯努利滤波算法》一文中研究指出针对非线性和区间量测条件下的多扩展目标跟踪问题,提出了一种基于盒粒子滤波的多扩展目标MeMBer滤波算法。该算法首先将盒粒子滤波引入到改进的ET-MeMber滤波中,并推导了适用于区间量测的多扩展目标伪似然函数和状态更新方程,接着给出了基于MD-AP聚类的区间量测集划分方法来处理滤波过程中存在的区间量测集划分问题。仿真实验结果表明,所提算法能够快速高效地对区间量测进行处理,与传统的序贯蒙特卡洛实现方式相比,具有更好的跟踪性能。(本文来源于《探测与控制学报》期刊2019年02期）
扩展滤波算法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
"磁共振指纹"技术一次扫描可同时获得定量的T1、T2等参数像,弥补了磁共振成像(MRI)扫描时间长,一次只能得到一种加权像的缺陷。但其经典算法需要对不同序列建立不同的字典,且字典大小直接影响量化结果。我们对基于扩展卡尔曼滤波的磁共振指纹参数量化算法进行优化,不需要建立字典,通过建立成像模型,采用卡尔曼滤波对磁共振指纹信号进行跟踪,反演得到量化参数。该方法减少了卡尔曼迭代次数,加快了参数估计的收敛速度,提升了参数量化图像的质量。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
扩展滤波算法论文参考文献
[1].马彦,陈阳,张帆,陈虹.基于扩展H_∞粒子滤波算法的动力电池寿命预测方法[J].机械工程学报.2019
[2].黄敏,张璐坚,周到,陈军波.基于扩展卡尔曼滤波的磁共振指纹参数量化优化算法[J].生物医学工程研究.2019
[3].陆玉,张华.基于迭代双重扩展的Kalman滤波的有源目标估计算法[J].中国电子科学研究院学报.2019
[4].周韦润,姜文刚.基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计[J].重庆理工大学学报(自然科学).2019
[5].李耀祖,王目光,郭玉箫,牟宏谦.基于简化扩展卡尔曼滤波的双偏振载波相位恢复算法[J].光学学报.2019
[6].徐洪俊,张锦东,张其林.基于时间序列模型和扩展卡尔曼滤波算法的结构响应预测[C].第十九届全国现代结构工程学术研讨会论文集.2019
[7].耿越,雷旭升.基于分量信息融合的扩展卡尔曼滤波算法[J].计算机仿真.2019
[8].张奇正,黄雪梅,蔡述江.有色噪声条件下扩展卡尔曼滤波算法研究[J].计算机仿真.2019
[9].刘兆才,刘杰,徐学伟.基于扩展卡尔曼滤波的水下目标运动轨迹分析算法[J].舰船电子工程.2019
[10].赵小龙.基于盒粒子滤波的多扩展目标伯努利滤波算法[J].探测与控制学报.2019
论文知识图
