导读:本文包含了卡尔曼滤波器算法论文开题报告文献综述及选题提纲参考文献，主要关键词:荷电状态(SOC),锂电池,粒子滤波(PF),迭代卡尔曼粒子滤波算法(IEKF-PF)
卡尔曼滤波器算法论文文献综述
罗世昌,杨进[1]（2019）在《基于迭代卡尔曼粒子滤波器的锂电池SOC估算算法研究》一文中研究指出荷电状态(SOC)估算是电动汽车电池管理系统中最为核心的一个参数,对其精确估计能有效提高锂电池寿命及使用效率。考虑到基于扩展卡尔曼滤波(EKF)波算法存在的不足,应用粒子滤波算法对锂电池SOC进行在线估计,有效降低EKF过程中高阶损失误差。针对粒子退化问题,提出基于IEKF算法在采样阶段对每个粒子计算其均值及协方差以优化建议密度函数,随后利用该均值及协方差指导粒子重采样。采用1C恒流工况及动态测试工况(DST)对实验结果进行分析验证,实验结果表明相比于粒子滤波(PF)及扩展卡尔曼滤波算法(EKF),改进的粒子滤波具备更好的估算精度。(本文来源于《工业控制计算机》期刊2019年02期）
季建朝,张宇,赵子龙,夏露[2]（2018）在《阵列测量中的卡尔曼滤波器算法》一文中研究指出针对经典波束形成算法不具备实时性、占用存储空间大、计算速度慢等缺点,提出了基于卡尔曼滤波器的算法。这种算法将信号处理领域中现有的卡尔曼滤波器理论与阵列信号处理过程相结合,在频域内对声学阵列所采集到的数据进行迭代处理,不仅能够及时发现风洞测量中存在的各种问题,而且可以实时消除由测量环境所引起的各种误差。仿真结果表明,这种算法比经典波束形成算法收敛速度更快,不仅成像效果很好,而且能够对低速运动声源进行定位。此算法具备实时性,为风洞声源的实时定位提供了重要的算法选择。(本文来源于《声学技术》期刊2018年06期）
代亮亮,闫连山,易安林,盘艳,蒋林[3]（2018）在《基于线型卡尔曼滤波器的双偏振并行载波相位恢复算法》一文中研究指出针对偏振复用16阶正交幅度调制(16QAM)传输系统(PDM-16QAM),基于线型卡尔曼滤波器,提出了一种计算复杂度更低、线宽容忍度更高的双偏振并行载波相位恢复算法,使用两个偏振态内环和外环的符号信息对两个偏振态同时进行相位噪声估计。仿真结果表明,在传输速率为224Gb/s传输速率下,本文算法相比于单偏振卡尔曼滤波器算法的线宽容忍度提高了7倍,由原来的400kHz提高至2800kHz。此外,相比于单偏振卡尔曼滤波器载波相位恢复算法,本文算法并行处理符号个数提升了4倍左右,有效提高了算法的实时性,但是复杂度有所降低。最后,在传输速率为224Gb/s的PDM-16QAM传输实验中对本文算法进行了验证。(本文来源于《光学学报》期刊2018年09期）
周秀珍,吴连慧[4]（2018）在《一种基于叁层嵌入式卡尔曼滤波器的导航算法研究》一文中研究指出本文针对GPS信号无效且无已知地面合作目标的情况,开展了一种基于叁层嵌入式卡尔曼滤波器的导航算法研究,提出了一种光流理论在基于视觉的微型飞行器定位系统中的应用方案。文章首先通过叁维视觉实时算法,并结合传感器测量数据,构造叁层嵌入式卡尔曼滤波器,然后分别对高度、姿态角及水平面上的速度进行估计。试验结果表明,基于该导航算法的视觉系统能够成功地实现微型飞行器的自主飞行。引言近年来,低成本高效率的惯性传感器以及高精(本文来源于《电子世界》期刊2018年17期）
张靖,陈鸿跃,陈雨,刘宇航,孙谦[5]（2018）在《一种基于联邦卡尔曼滤波器的多源信息融合定位算法》一文中研究指出为提高车载组合导航定位系统的容错能力和信息源扩展能力,设计了一个联邦卡尔曼滤波器,搭建了一种开放式算法架构,选取了SINS/GNSS/里程计/高程计四种典型的车载定位信息源进行融合。算法框架以SINS为主参考系统,分别与其它信息源组成了子滤波器,子滤波器的输出结果经故障诊断和系统重构后,进入主滤波器进行信息融合。进行了仿真试验和实车试验,试验结果表明:该算法在降低误差状态维数,具备容错能力的情况下,达到了集中式卡尔曼滤波器的定位精度,提高了车载定位系统的环境适应性和信息源扩展性。(本文来源于《导弹与航天运载技术》期刊2018年02期）
宋雪刚,刘鹏,程竹明,魏真,喻俊松[6]（2018）在《基于光纤光栅传感器和卡尔曼滤波器的载荷识别算法》一文中研究指出载荷识别在结构健康监测中的地位十分重要,为了在结构健康监测的同时利用最优化算法对系统进行有效控制,提出了一种基于光纤光栅(FBG)传感器和卡尔曼滤波器的载荷识别算法。该算法建立在卡尔曼滤波器的基础上,以FBG传感器测得的应变值作为观测信号,通过卡尔曼滤波器产生的增益矩阵、新息序列和协方差矩阵,利用最小二乘算法实时估计载荷的大小。此算法只需采集前一时刻的估计值和当前时刻的观测值即可估计出当前时刻的载荷,无需存储和读取大量数据。同时,基于卡尔曼滤波器在进行结构健康监测的同时能够应用最优化算法对系统进行控制。为了对识别算法进行验证,采用梁系统作为仿真和试验对象,通过FBG传感器测得的应变值识别载荷。结果表明,所提动态载荷识别算法能够很好地抑制噪声,具有良好的稳定性和实时性。(本文来源于《光学学报》期刊2018年03期）
刘洁波,黄纯,江亚群,汤涛,谢兴[7]（2018）在《基于强跟踪泰勒-卡尔曼滤波器的动态相量估计算法》一文中研究指出同步相量估计算法是同步相量测量技术的核心,在电力系统动态条件下如何提高算法的测量精度和改善算法的动态性能至关重要。提出基于强跟踪泰勒-卡尔曼滤波器(STKF)的动态相量估计算法。首先在考虑谐波和噪声影响以及电气信号幅值、相位时变特性的基础上,基于动态相量的泰勒级数展开项建立动态电气信号的状态空间模型;然后考虑到基于泰勒-卡尔曼滤波器(TKF)的相量估计算法在递推估计各状态变量时无法快速跟踪系统参数突变的缺陷,引入强跟踪滤波器的思想,根据理论残差和实际残差的失配程度及时自适应性地调整估计协方差矩阵,增强了算法对时变电气信号的跟踪能力。分析含噪声的数值信号及Matlab/Simulink的仿真故障电压信号,结果表明,STKF算法比泰勒-卡尔曼滤波器(TKF)算法具有更好的动态响应性能和更高的测量精度,且稳定性更好。(本文来源于《电工技术学报》期刊2018年02期）
方旭明[8]（2017）在《基于自适应卡尔曼滤波器的WSN定位算法研究》一文中研究指出在无线传感器网络的许多应用中,例如环境监测和室内定位等,无线传感器节点需要被部署在一个复杂的环境中。无线传感器网络是一种自组织类型的网络,节点之间通常没有固定的通信链路,它们是以随机多跳的方式将采集的数据传回给汇聚节点的。对于随机部署的无线传感器网络而言,通常不知道采集数据节点的准确位置。因此,定位技术是无线传感器网络研究领域的热点之一。然而,由于无线传感器网络部署环境的复杂性,获得准确的节点位置仍然是一项具有挑战性的工作。本文围绕复杂环境下无线传感器网络定位研究了基于噪声自适应卡尔曼滤波的传感网定位精化、鲁棒的传感网噪声自适应卡尔曼滤波定位和多径环境下传感网噪声自适应卡尔曼滤波指纹定位优化这叁个问题。(1)考虑到无线传感器网络是一种能量、计算能力、通信带宽、成本等资源受限的网络,通常,在节点之间最容易获取的接收信号强度被用来确定无线传感器网络中节点之间的距离,进而再根据多个节点之间的相对距离获得节点在网络中的相对位置。然而,接收信号强度的测量噪声会使这种方法的定位精度变差。为了降低测量噪声对定位精度的影响,卡尔曼滤波器被利用来精化定位的结果。由于在实际的部署环境中,噪声的统计特性往往是未知或时变的,所以我们首先提出一种基于现有自适应扩展卡尔曼滤波器的无线传感器网络多维定标定位精化算法。然后,为了进一步提高精化的效果,我们从自适应扩展卡尔曼滤波器推导出了一种新的自适应无迹卡尔曼滤波器,并且基于这种新的滤波器提出了精度更高的无线传感器网络多维定标定位精化算法。前一种算法具有相对更小的计算复杂度,而后一种算法则具有相对更高的定位精度。同时,我们还提出了一种专门用于精化噪声环境下无线传感器网络指纹定位结果的自适应指纹卡尔曼滤波器。广泛的实验结果表明不论噪声是已知还是未知、是否随时间改变,我们提出的算法均能够较好地改善传统卡尔曼滤波器对无线传感器网络定位结果的精化效果。(2)卡尔曼滤波器是通过无线传感器节点的过程模型和测量模型来估计节点的位置、速度等状态信息。通常,由于一些外部和内部的干扰因素,在建立的过程模型和测量模型里分别会包含表示过程噪声和测量噪声的随机变量。目前,如果这两种噪声的统计特性同时随时间改变时,现有自适应卡尔曼滤波器估计的结果会出现较大的偏差,甚至出现滤波器无法工作失去鲁棒性的情况。为了提高基于自适应卡尔曼滤波器的无线传感器网络定位算法的精度和鲁棒性,我们首先提出了一种鲁棒的自适应扩展卡尔曼滤波器。然后,在这个鲁棒滤波器的基础上,进一步推导出了精度更高的鲁棒自适应无迹卡尔曼滤波器。另外,这两种新提出滤波器的鲁棒性被从理论上进行了严格地证明。在过程噪声和测量噪声都时变的情况下,大量仿真实验的结果表明我们提出的这两种卡尔曼滤波器能够确保无线传感器网络中的节点位置被鲁棒和准确地估计。(3)目前基于自适应卡尔曼滤波器的无线传感器网络指纹定位研究主要是关注如何提高算法的精度和鲁棒性,还很少有关于指纹定位在噪声和多径的环境下如何获得最优节点位置估计的研究。因此,我们首先利用自适应卡尔曼滤波器和多目标演化算法优化了噪声环境下的指纹定位结果。由于自适应卡尔曼滤波器只能过滤掉一部分接收信号强度的测量噪声,所以过滤后的接收信号强度仍然残留一个小的噪声,这会影响指纹定位精化的效果。为了将残留噪声对定位结果的影响降低到最小,我们又使用多目标演化算法进一步优化了噪声环境下的指纹定位结果。由于在多径环境下现有RSSI(received signal strength indication)测距模型会导致优化过程中用于计算节点位置估计的指纹权重与位置权重不匹配,所以为了获得更好的指纹定位优化结果,我们根据多径环境下的信号强度与距离关系表达式推导出了多信道加权RSSI的测距模型。广泛的实验结果表明新建立的多目标演化模型和多信道加权RSSI测距模型能够使自适应卡尔曼滤波指纹定位在噪声和多径环境下获得更优的节点位置估计结果。(本文来源于《南京大学》期刊2017-05-24）
梁晓波[9]（2017）在《基于卡尔曼滤波器的在轨目标跟踪算法研究》一文中研究指出随着人类对太空探索的不断深入,太空逐渐成为了世界大国角力的主战场。对空间的控制和利用已经成为一个国家科学技术水平的象征。对太空中大量在轨目标进行准确且稳定的跟踪是对其进行观测或控制的前提条件。通常使用轨道根数合理外推出在轨目标的位置矢量和速度矢量等状态信息,再依据状态量对在轨目标的观测信息进行解算,并以此引导观测设备进行跟踪。工程应用中,由于轨道根数会随着时间发生蠕变或轨道根数测不准等原因,使轨道外推得到的在轨目标状态量存在一定误差,该误差会导致目标不在视场中心,从而产生脱靶量。经纬仪视场很小,脱靶量的存在会影响跟踪效果,甚至导致丢失跟踪目标。针对该问题,本文重点讨论了针对非合作目标在仅测角条件下的滤波跟踪问题。首先,研究了描述在轨目标运动的时间尺度以及天球坐标系和地球坐标系的转换,并使用SOFA软件库实现了坐标转换算法;其次,提出了一种基于复杂力学模型的滤波算法,该力学模型中考虑到了在轨目标在空间中运动所受到的主要摄动力因素,并对一些摄动力模型进行了简要的阐述,在此基础之上使用数值积分对摄动力方程进行求解,实现了轨道外推算法,将该算法与STK软件中的高精度轨道预报函数的计算结果进行了比较;之后,算法以在轨目标的位置矢量和状态矢量为系统状态量,以目标相对于地基观测站(经纬仪)的高度角和方位角为观测量设计了基于扩展卡尔曼滤波算法和无迹卡尔曼滤波算法的滤波器。最后,使用MATLAB和C搭建了算法的仿真测试平台,以STK软件和部分实测数据为算法输入,研究了不同帧频角度数据和滤波器参数对滤波结果的影响。仿真实验结果表明,本文所研究的在轨目标滤波跟踪系统中,扩展卡尔曼滤波算法与无迹卡尔曼滤波算法都可以通过多组经纬仪测角数据来修正含有误差的轨道根数,无迹卡尔曼滤波算法在鲁棒性、收敛速度和滤波精度上略优于扩展卡尔曼滤波算法,但一定程度上牺牲了算法的运算效率。(本文来源于《中国科学院大学(中国科学院光电技术研究所)》期刊2017-05-01）
孙浩益,梁冬泰,李国平,周善旻[10]（2016）在《基于卡尔曼滤波器的焊缝识别算法》一文中研究指出为了提高工业现场焊缝跟踪的准确性和抗干扰能力,提出了一种基于约束卡尔曼滤波器的焊缝识别算法。采用结构光测量系统获取焊缝连续图像,然后利用形态学处理定位焊缝图像角点,并通过高斯拟合法提取激光条纹中心点,将角点和中心点的位置和速度作为卡尔曼滤波器的状态变量,建立卡尔曼滤波器的状态方程和测量方程,再由角点和中心点的位置关系构建等式约束方程,通过约束方程对卡尔曼滤波后的结果进行修正。结果表明该算法能有效实现焊缝跟踪,提高了焊缝识别的精度和抗干扰能力。(本文来源于《激光与红外》期刊2016年08期）
卡尔曼滤波器算法论文开题报告
（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：
针对经典波束形成算法不具备实时性、占用存储空间大、计算速度慢等缺点,提出了基于卡尔曼滤波器的算法。这种算法将信号处理领域中现有的卡尔曼滤波器理论与阵列信号处理过程相结合,在频域内对声学阵列所采集到的数据进行迭代处理,不仅能够及时发现风洞测量中存在的各种问题,而且可以实时消除由测量环境所引起的各种误差。仿真结果表明,这种算法比经典波束形成算法收敛速度更快,不仅成像效果很好,而且能够对低速运动声源进行定位。此算法具备实时性,为风洞声源的实时定位提供了重要的算法选择。
（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。
卡尔曼滤波器算法论文参考文献
[1].罗世昌,杨进.基于迭代卡尔曼粒子滤波器的锂电池SOC估算算法研究[J].工业控制计算机.2019
[2].季建朝,张宇,赵子龙,夏露.阵列测量中的卡尔曼滤波器算法[J].声学技术.2018
[3].代亮亮,闫连山,易安林,盘艳,蒋林.基于线型卡尔曼滤波器的双偏振并行载波相位恢复算法[J].光学学报.2018
[4].周秀珍,吴连慧.一种基于叁层嵌入式卡尔曼滤波器的导航算法研究[J].电子世界.2018
[5].张靖,陈鸿跃,陈雨,刘宇航,孙谦.一种基于联邦卡尔曼滤波器的多源信息融合定位算法[J].导弹与航天运载技术.2018
[6].宋雪刚,刘鹏,程竹明,魏真,喻俊松.基于光纤光栅传感器和卡尔曼滤波器的载荷识别算法[J].光学学报.2018
[7].刘洁波,黄纯,江亚群,汤涛,谢兴.基于强跟踪泰勒-卡尔曼滤波器的动态相量估计算法[J].电工技术学报.2018
[8].方旭明.基于自适应卡尔曼滤波器的WSN定位算法研究[D].南京大学.2017
[9].梁晓波.基于卡尔曼滤波器的在轨目标跟踪算法研究[D].中国科学院大学(中国科学院光电技术研究所).2017
[10].孙浩益,梁冬泰,李国平,周善旻.基于卡尔曼滤波器的焊缝识别算法[J].激光与红外.2016
标签：荷电状态(SOC); 锂电池; 粒子滤波(PF); 迭代卡尔曼粒子滤波算法(IEKF-PF);