导读:本文包含了渐消因子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:因子,卡尔,传感器,容积,突变,永磁,原子钟。
渐消因子论文文献综述
朱文超,何飞[1]（2019）在《基于双渐消因子调节的自适应卡尔曼滤波器》一文中研究指出卡尔曼(Kalman)滤波为线性最优递推滤波算法,但鲁棒性差,无法实时精确跟踪系统突变状态。为此,设计了一款双渐消因子调节的自适应Kalman滤波器。算法剖析了状态扰动环境下,不精准的先验预测及定量滤波增益对最优估计的影响。在标准Kalman滤波器的基础上,引入双渐消因子,实时激活滤波增益,调节先验估计及量测新息在状态估计中的权重。基于新息正交性定理,依据Sage开窗估计原理与加权最小二乘准则,建立了双渐消因子的函数解析式。借鉴滤波发散判据,构造了函数边界条件。实例研究表明,相较于抗差Kalman滤波器,自适应Kalman滤波器鲁棒性强,状态收敛速度快,稳态跟踪精度提升了44.76%。(本文来源于《石家庄铁道大学学报(自然科学版)》期刊2019年04期）
臧瑞真,黄开启[2]（2019）在《基于多重渐消因子EKF的PMSM无传感器控制》一文中研究指出针对传统扩展卡尔曼滤波(EKF)存在估计精度不高且滤波易发散问题,提出一种基于多重渐消因子EKF的永磁同步电机(PMSM)无传感器控制策略。该策略将系统模型的时变参数和噪声等引起的误差等效为滤波估计误差,利用新息协方差估计值选取多重渐消因子来修正一步预测均方误差阵,使各通道具有自适应调节能力,进而提高对系统各个状态变量的估计精度和整体滤波性能。同时设计模糊比例积分微分(PID)速度控制器进一步改善电机速度响应。应用Matlab/Simulink建立PMSM无传感器控制模型,仿真结果表明:改进的EKF具有较高的估计精度和自适应能力,有效提高了PMSM控制系统的动态响应和稳态性能。(本文来源于《电力电子技术》期刊2019年10期）
宋会杰,董绍武,王燕平,安卫,侯娟[3]（2019）在《基于渐消因子的改进Kalman滤波时间尺度估计算法》一文中研究指出Kalman滤波时间尺度算法是一种实时的原子钟状态估计方法,在守时实验室具有重要实用价值。由于原子钟状态模型误差估计存在偏差,Kalman滤波时间尺度算法中状态估计可能出现相应异常扰动,应当对状态模型误差进行实时控制。对此,引入基于渐消因子的改进Kalman滤波时间尺度算法。对状态预测协方差矩阵引入渐消因子,利用统计量实时计算渐消因子的量值,控制状态预测协方差阵的增长,降低了原子钟状态估计的扰动。实验结果表明,相比于标准Kalman滤波时间尺度算法和基于预测残差构造自适应因子的Kalman滤波算法,基于渐消因子的改进Kalman滤波时间尺度算法能够提高原子钟状态估计的准确度,改进时间尺度的稳定度。(本文来源于《武汉大学学报(信息科学版)》期刊2019年08期）
鲍水达,张安,高飞[4]（2019）在《一种新的多渐消因子容积卡尔曼滤波》一文中研究指出将强跟踪思想引入容积卡尔曼滤波(cubature Kalman filter,CKF),建立强跟踪CKF能有效克服CKF在模型不确定、状态突变等情况下,滤波性能下降的问题;通过分析现有多渐消因子计算方法,发现它们均只利用了协方差矩阵的对角线元素,并没有考虑各个状态之间的相关性,不能充分发挥多渐消因子的优势;为此,提出渐消因子矩阵,基于正交原理推导渐消因子矩阵的求解方法,提出多渐消因子强跟踪CKF算法;多渐消因子强跟踪CKF算法突破了传统多渐消因子为向量的限制,也不再要求渐消因子取值要大于1;仿真验证了算法具有更好的滤波精度何鲁棒性,能更好的满足工程应用的要求。(本文来源于《计算机测量与控制》期刊2019年02期）
张子凌,南新元[5]（2019）在《一种基于记忆渐消因子指数加权的动态分布式传感器融合算法》一文中研究指出由于新疆生物氧化提金预处理过程的工业现场易受到外界因素如昼夜温差、强风等干扰,传统测量方法往往存在较大的误差。为解决这个问题,①根据预处理过程,建立了传热机理模型。②针对该过程设计一个小范围传感器网络,提出了一种基于多连通融合结构的传感器分层融合结构。③数据处理过程中,引入一种基于渐消记忆指数加权的多重衰落因子调整预测误差协方差,提高基于扩展卡尔曼滤波(EKF)在一步预测中的有效性。④以各传感器的状态估计精度用作加权融合准则,通过添加动态加权因子来预测每个传感器的预测置信度。仿真实验的性能指标表明,该方法比传统的单传感器方法具有更高的全局精度,并能有效降低干扰噪声的影响。(本文来源于《传感技术学报》期刊2019年02期）
刘树聃[6]（2019）在《基于多重渐消因子强跟踪非线性滤波的故障参数联合估计》一文中研究指出为改进故障参数估计的精度和鲁棒性,提出基于多重渐消因子强跟踪七阶容积卡尔曼滤波(MST7thCKF)的故障参数联合估计算法。算法将故障参数扩展至状态向量,实现状态和故障参数联合滤波。然后,将多重渐消因子强跟踪滤波(MSTF)引入七阶容积卡尔曼滤波(7thCKF)的框架中,改进7thCKF在故障参数变化函数未知或者发生突变时的鲁棒性,提高故障参数的估计精度。仿真结果表明,相比MSTF均方根容积卡尔曼滤波(MSTSCKF)和7thCKF,所提算法具有更好估计精度。(本文来源于《电子测量与仪器学报》期刊2019年01期）
鲍水达,张安,高飞[7]（2018）在《多渐消因子平方根容积卡尔曼滤波算法》一文中研究指出针对平方根容积卡尔曼滤波(SCKF)在系统模型不准确和状态突变情况下鲁棒性差的问题,提出了一种多渐消因子平方根容积卡尔曼滤波算法(MSTSCKF);MSTSCKF引入强跟踪思想,通过多渐消因子实时调整增益矩阵,建立多渐消因子数值求解方法,克服多渐消因子求解依赖先验知识的不足;采用假设检验理论对系统异常进行检测,降低误判概率,提高滤波稳定性;通过仿真分析,比较了SCKF、单渐消因子平方根容积卡尔曼滤波(STSCKF)和MSTSCKF的算法性能,实验表明MSTSCKF具有更好的跟踪精度和鲁棒性。(本文来源于《计算机测量与控制》期刊2018年06期）
邹艳,张绍良,王潜心[8]（2018）在《一种基于渐消因子与滑动窗口的小区域人口预测方法》一文中研究指出对小区域人口数据的插补方法、平滑方法与预测方法进行详细研究,并针对小区域人口时间序列数据结构变化快的特点,提出了一种基于渐消因子与滑动窗口的预测方法。该方法不对现有人口预测模型的结构进行任何改变,只将人口年平均增长率、地区人口规模比例、人口年平均增长率之差等模型参数视为动态变量。通过滑动窗口不断引入新的预测值更新模型参数,同时利用渐消因子不断强化新增信息作用,弱化历史信息影响,提高参数的时效性与模型的灵活性。以湖南省澧县32个乡镇1998—2015年人口数据为研究对象,开展了大量的人口预测与分析。结果显示:1.附加人口总量约束信息的人口预测模型总体预测精度要高于未使用人口总量信息的纯数学模型;2.通过数据平滑处理可减少偶然因素影响,预测精度可提高5%~8%;3.采用本文所提方法可显着改善现有模型的人口预测能力,预测未来5年和10年的人口数量,预测精度可分别提高18%和33%。(本文来源于《人口与社会》期刊2018年01期）
段珊珊,李昕[9]（2017）在《WiFi与惯导融合的渐消因子扩展卡尔曼滤波实时定位算法》一文中研究指出针对无线信号强度易受干扰,基于RSSI指纹库室内定位技术的定位结果常出现跳跃不稳定现象,提出并实现一种WiFi与惯导融合的渐消因子扩展卡尔曼滤波实时定位算法。该方法基于加速度数据进行多重约束波峰-波谷检测实现自适应步态识别,根据室内几何布局特征划分矢量域修正方向传感器数据确定其航向角,获得行人位移参数。然后建立基于渐消因子扩展卡尔曼滤波融合模型,实现最终位置估计。实验结果表明该算法可以有效抑制无线定位的跳跃或堆积现象,进而增强室内定位稳健性与可靠性,平均定位精度在2 m左右。(本文来源于《计算机与现代化》期刊2017年12期）
徐韩,曾超,黄清华[10]（2017）在《一种基于渐消因子的区间卡尔曼滤波器方法》一文中研究指出在噪声环境中,运动目标发生稳态突变会降低卡尔曼滤波器的滤波性能,进而导致组合导航的可靠性降低,导航系统抗干扰能力下降,影响导航的精确度。为了提高卡尔曼滤波器性能,提高抗干扰能力和导航精度,在采用基于卡尔曼滤波器的超紧耦合同时,提出一种新型的基于渐消因子的区间卡尔曼滤波器算法。该算法通过引入渐消因子和区间矩阵对滤波器增益矩阵进行实时调整,并利用区间运算中的交集运算将各种误差源约束到交集区间,进而保证在区间运算中保真集合映射的完备性并取得最优化。结果显示,该算法能够克服原有滤波器算法的缺陷,在噪声环境中提升对稳态突变目标的跟踪能力,且在噪声中滤波器效果提高,算法计算量没有明显增加。(本文来源于《武汉大学学报(信息科学版)》期刊2017年12期）
渐消因子论文开题报告
（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：
针对传统扩展卡尔曼滤波(EKF)存在估计精度不高且滤波易发散问题,提出一种基于多重渐消因子EKF的永磁同步电机(PMSM)无传感器控制策略。该策略将系统模型的时变参数和噪声等引起的误差等效为滤波估计误差,利用新息协方差估计值选取多重渐消因子来修正一步预测均方误差阵,使各通道具有自适应调节能力,进而提高对系统各个状态变量的估计精度和整体滤波性能。同时设计模糊比例积分微分(PID)速度控制器进一步改善电机速度响应。应用Matlab/Simulink建立PMSM无传感器控制模型,仿真结果表明:改进的EKF具有较高的估计精度和自适应能力,有效提高了PMSM控制系统的动态响应和稳态性能。
（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。
渐消因子论文参考文献
[1].朱文超,何飞.基于双渐消因子调节的自适应卡尔曼滤波器[J].石家庄铁道大学学报(自然科学版).2019
[2].臧瑞真,黄开启.基于多重渐消因子EKF的PMSM无传感器控制[J].电力电子技术.2019
[3].宋会杰,董绍武,王燕平,安卫,侯娟.基于渐消因子的改进Kalman滤波时间尺度估计算法[J].武汉大学学报(信息科学版).2019
[4].鲍水达,张安,高飞.一种新的多渐消因子容积卡尔曼滤波[J].计算机测量与控制.2019
[5].张子凌,南新元.一种基于记忆渐消因子指数加权的动态分布式传感器融合算法[J].传感技术学报.2019
[6].刘树聃.基于多重渐消因子强跟踪非线性滤波的故障参数联合估计[J].电子测量与仪器学报.2019
[7].鲍水达,张安,高飞.多渐消因子平方根容积卡尔曼滤波算法[J].计算机测量与控制.2018
[8].邹艳,张绍良,王潜心.一种基于渐消因子与滑动窗口的小区域人口预测方法[J].人口与社会.2018
[9].段珊珊,李昕.WiFi与惯导融合的渐消因子扩展卡尔曼滤波实时定位算法[J].计算机与现代化.2017
[10].徐韩,曾超,黄清华.一种基于渐消因子的区间卡尔曼滤波器方法[J].武汉大学学报(信息科学版).2017
论文知识图
