导读:本文包含了自适应卡尔曼滤波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,自适应,状态,测量,角速度,电池组,磷酸。
自适应卡尔曼滤波论文文献综述
贺晗,陶庭叶,冯佳琪,房兴博[1]（2019）在《抗差自适应卡尔曼滤波模型及其在塌陷区监测中的应用》一文中研究指出针对塌陷区等地表快速沉降区域的动力学特点及观测向量中存在的粗差对卡尔曼滤波结果的影响,设计一种抗差自适应卡尔曼滤波模型。该模型能识别稳定沉降与快速沉降2种状态,通过抗差估计减小观测向量中粗差的影响,并采用自适应因子调整动力学模型,减少状态模型的误差,提高滤波结果的精度。将该模型应用于某矿区沉降监测数据的处理,结果表明,其效果优于抗差卡尔曼滤波。(本文来源于《大地测量与地球动力学》期刊2019年12期）
雷孟飞,孔超,周俊华[2]（2019）在《自适应卡尔曼滤波在BDS变形监测数据处理中的应用》一文中研究指出针对在变形监测结果中高频噪声、粗差较多,以及普通卡尔曼滤波在模型建立不准确情况下易产生数据发散的问题,提出一种自适应卡尔曼滤波方法:在普通的卡尔曼滤波算法中增加观测噪声方差缩放因子以及参考方差动态计算窗口;并根据前期监测结果中的残差方差动态调整卡尔曼滤波中的测量误差方差阵,达到自适应卡尔曼滤波的效果。实验结果表明,该方法的滤波结果相较普通卡尔曼滤波能够剔除结果中的粗差,并且能够保留被监测物的真实位移,反应速度较普通卡尔曼滤波也有很大提高。(本文来源于《导航定位学报》期刊2019年04期）
段瑞林,王奔,魏久林,杨洋[3]（2019）在《基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计》一文中研究指出磷酸铁锂电池荷电状态(SOC)用于表征电池的剩余电量,是电池管理系统的重要参数。对SOC进行准确估计有助于提高电池利用率,保证电池的使用寿命和安全。但是SOC不能直接从外部测量得到,只能通过各种间接的方法求得,因此寻求准确的电池SOC估计算法非常重要。对磷酸铁锂电池进行建模,使用14组电池充放电数据分段进行参数辨识,得到具有广泛适用性的模型参数。基于此模型,运用自适应扩展卡尔曼滤波算法进行SOC估计,克服了常用扩展卡尔曼滤波会受到噪声影响的弊端,并通过仿真分析证明了算法的优越性。(本文来源于《电工技术》期刊2019年19期）
梁喜凤,彭明,路杰,秦超[4]（2019）在《基于自适应无迹卡尔曼滤波的采摘机械手视觉伺服控制方法》一文中研究指出为解决未知统计特性下的系统噪声对图像雅克比矩阵估计精度的影响问题,提高视觉伺服定位精度,在卡尔曼滤波(lalman filter, KF)法以及无迹卡尔曼滤波(unscented kalman filter, UKF)法的基础上,引入自适应噪声统计估计器,提出自适应无迹卡尔曼滤波(adaptive unscented kalman Filter, AUKF)法估计图像雅克比矩阵,并构造了视觉伺服控制系统。仿真试验结果表明,基于自适应无迹卡尔曼滤波法估计图像雅克比矩阵的视觉伺服控制系统的图像特征最大误差值为10.2像素,机械手末端与目标点叁维坐标最大误差值为4.19 mm,响应时间为1.2 s。搭建了七自由度采摘机械手视觉伺服试验平台进行采摘试验,试验结果表明,基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态目标的采摘成功率为90%,对动态目标的采摘成功率为83%,相比于KF法与UKF法,采摘静态目标试验成功率分别提高了17与10个百分点,动态采摘试验成功率分别提高了16%与10%。基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态与动态目标的采摘平均时间分别为18和22 s,相比于KF法与UKF法,静态采摘用时分别减少了10和6 s,动态采摘用时分别减少了12和8 s。AUKF法与KF法以及UKF法估计的图像雅克比矩阵相比,AUKF法估计的图像雅克比矩阵减小了采摘机械手视觉伺服控制系统过程噪声的干扰,使采摘机械手视觉伺服控制系统过程噪声适应视觉伺服系统的变化,采摘机械手视觉伺服控制系统定位精度更高。(本文来源于《农业工程学报》期刊2019年19期）
张海,樊启高,庄祥鹏,贾捷,张鹏松[5]（2019）在《基于加强抗差自适应卡尔曼滤波的行人室内定位系统》一文中研究指出针对惯性测量单元定位存在累积误差和野值干扰等问题。本文对原始信号进行预处理,利用融合滤波和零速更新算法来抑制速度和位姿的累积误差。在自适应卡尔曼(Kalman)的基础上提出加强抗差自适应卡尔曼滤波算法,削弱了量测野值对状态估计的干扰,抑制滤波发散。实验结果表明:系统精度较高,实现了行人在封闭环境的较高精度定位。(本文来源于《传感器与微系统》期刊2019年10期）
颜湘武,邓浩然,郭琪,曲伟[6]（2019）在《基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究》一文中研究指出准确估计动力锂离子电池组内各单体电池的荷电状态(SOC)和健康状态(SOH)对延长动力锂离子电池组使用寿命及梯次利用至关重要。该文以电池Thevenin二阶等效电路模型为基础,运用自适应无迹卡尔曼滤波(AUKF)算法对电池SOC和欧姆内阻进行实时估算,并根据欧姆内阻与电池SOH的函数对应关系,实时估算电池SOH。在两种不同工况下对电池做充放电实验,验证了该方法的可行性和准确性。并通过对锂离子电池组中各单体电池及电池组整体健康状态的估算,定位不合格单体电池,量化电池组的完好度,制定明确的电动汽车动力锂离子电池组的梯次利用方案,实现废旧动力电池的资源利用最大化。(本文来源于《电工技术学报》期刊2019年18期）
郭丽,刘磊,朱宏康[7]（2019）在《优化自适应卡尔曼滤波跟踪方法研究》一文中研究指出针对观测噪声干扰情况下光电系统的精确跟踪问题,提出了一种优化自适应卡尔曼滤波跟踪方法。该方法首先提出观测野值引起的干扰,同时合成目标的位置信息,并构建了残差序列与模型参量的自适应修正公式,实现目标信息的自适应预测和估计,通过前馈角速度的估计参量实现系统的复合跟踪。仿真和实验结果表明,本文方法在保持系统稳定的情况下能将精度提高40%,实现了噪声干扰情况下光电非线性系统的精确跟踪。(本文来源于《中国电子科学研究院学报》期刊2019年09期）
丁刚[8]（2019）在《基于自适应扩展卡尔曼滤波的导弹制导信息估计》一文中研究指出在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。(本文来源于《信息通信》期刊2019年09期）
巫春玲,李永萍,谢美美,安诺静[9]（2019）在《迭代自适应容积卡尔曼滤波算法》一文中研究指出针对标准容积卡尔曼滤波(CKF)算法跟踪精度低、稳定性差的问题,提出了一种采用优化迭代测量更新过程方法,并将其引入到自适应的容积卡尔曼滤波算法中。该算法不仅保证了迭代算法的有效性,还在很大程度上提高了CKF算法的精度、增强算法的稳定性,新算法还具有应对噪声统计特性变化的自适应能力。采用非线性高斯模型进行仿真实验与分析,实验中给出了扩展卡尔曼滤波(EKF)、无际卡尔曼滤波(UKF)、CKF、以及改良的迭代自适应容积卡尔曼滤波(IDCKF)等算法的目标跟踪滤波估计结果。并根据均方根误差、对目标跟踪位置与速度的均方根误差以及执行时间来证明新算法的有效性。(本文来源于《电子测量技术》期刊2019年17期）
安治国,田茂飞,赵琳,陈星,李亚坤[10]（2019）在《基于自适应无迹卡尔曼滤波的锂电池SOC估计》一文中研究指出电池荷电状态(SOC)的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波(UKF)算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼(AUKF)滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。(本文来源于《储能科学与技术》期刊2019年05期）
自适应卡尔曼滤波论文开题报告
（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：
针对在变形监测结果中高频噪声、粗差较多,以及普通卡尔曼滤波在模型建立不准确情况下易产生数据发散的问题,提出一种自适应卡尔曼滤波方法:在普通的卡尔曼滤波算法中增加观测噪声方差缩放因子以及参考方差动态计算窗口;并根据前期监测结果中的残差方差动态调整卡尔曼滤波中的测量误差方差阵,达到自适应卡尔曼滤波的效果。实验结果表明,该方法的滤波结果相较普通卡尔曼滤波能够剔除结果中的粗差,并且能够保留被监测物的真实位移,反应速度较普通卡尔曼滤波也有很大提高。
（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。
自适应卡尔曼滤波论文参考文献
[1].贺晗,陶庭叶,冯佳琪,房兴博.抗差自适应卡尔曼滤波模型及其在塌陷区监测中的应用[J].大地测量与地球动力学.2019
[2].雷孟飞,孔超,周俊华.自适应卡尔曼滤波在BDS变形监测数据处理中的应用[J].导航定位学报.2019
[3].段瑞林,王奔,魏久林,杨洋.基于自适应卡尔曼滤波的磷酸铁锂电池荷电状态估计[J].电工技术.2019
[4].梁喜凤,彭明,路杰,秦超.基于自适应无迹卡尔曼滤波的采摘机械手视觉伺服控制方法[J].农业工程学报.2019
[5].张海,樊启高,庄祥鹏,贾捷,张鹏松.基于加强抗差自适应卡尔曼滤波的行人室内定位系统[J].传感器与微系统.2019
[6].颜湘武,邓浩然,郭琪,曲伟.基于自适应无迹卡尔曼滤波的动力电池健康状态检测及梯次利用研究[J].电工技术学报.2019
[7].郭丽,刘磊,朱宏康.优化自适应卡尔曼滤波跟踪方法研究[J].中国电子科学研究院学报.2019
[8].丁刚.基于自适应扩展卡尔曼滤波的导弹制导信息估计[J].信息通信.2019
[9].巫春玲,李永萍,谢美美,安诺静.迭代自适应容积卡尔曼滤波算法[J].电子测量技术.2019
[10].安治国,田茂飞,赵琳,陈星,李亚坤.基于自适应无迹卡尔曼滤波的锂电池SOC估计[J].储能科学与技术.2019
论文知识图
