XiaoMi-AI文件搜索系统
World File Search SystemEKF
ekf – sindy -iris re.public@polimi.it
可以通过Kalman过滤器将动态系统中的测量数据吸收到预测模型中。Kalman滤光片的非线性扩展，例如扩展的Kalman滤波器（EKF），以实现（可能是非线性）系统动力学和输入参数的关节估计。要构建在EKF的预测阶段中使用的进化模型，我们建议依靠非线性动力学（Sindy）的稀疏识别。sindy使能够直接从初步获得的数据中识别进化模型，从而避免由于错误的假设和系统动力学的不正确建模而导致可能的偏差。此外，与基于有限元素相比，Sindy模型的数值集成与替代策略相比，可以节省大量计算。最后，辛迪允许立即定义EKF所需的Jacobian矩阵，以识别系统动力学和属性，这是通常与物理模型非常相关的推导。结果，将EKF与Sindy结合起来，为识别非线性系统提供了数据驱动的计算效率，易于应用的方法，即使在Sindy的培训范围之内，也能够稳健地操作。为了证明该方法的潜力，我们解决了一个线性非自主系统的识别，该系统由真实的地震图激发的剪切构建模型以及部分观察到的非线性系统的识别。挑战
能源行业分析、新闻和数据，重点关注可再生能源
EKF 要求订阅才能获得高质量的能源行业分析、相关技术更新新闻、能源政策和监管变化。EKF 特别关注可再生能源，包括风能、太阳能、生物质能和新兴可再生能源技术，包括电力到电力转换和能源存储。此外，EKF 要求访问高质量的行业数据，包括需求和容量预测、中/长期电力批发电价预测以及有关市场结构和主要参与者的信息。全球国家级覆盖至关重要。EKF 要求提供包含 1 年和 2 年订阅选项的优惠。
使用单比例因子自适应卡尔曼滤波器进行纳米卫星容错姿态估计
1 伊斯坦布尔技术大学航空航天学院，34469 伊斯坦布尔，土耳其，收到日期：2022 年 3 月 24 日 修订日期：2022 年 6 月 8 日 接受日期：2022 年 6 月 20 日 摘要 Özet 在本研究中，提出了一种集成自适应 TRIAD/扩展卡尔曼滤波器 (EKF) 姿态估计系统，其中 TRIAD 和自适应 EKF 相结合以估计纳米卫星的姿态。作为系统的第一步，TRIAD 算法利用磁力计和太阳传感器测量结果产生初始粗四元数估计，然后将该粗估计直接输入到自适应 EKF。将姿态信息直接输入到滤波器相对减少了 EKF 带来的计算负担。作为系统的第二步，自适应 EKF 滤波 TRIAD 解并给出最终的四元数估计。同时，自适应 EKF 在传感器故障时使用单个缩放因子 (SSF) 重新调整测量噪声协方差矩阵，使整个系统对传感器故障更具鲁棒性。进行了几次模拟，并针对两种不同的故障类型（即姿态传感器中的噪声增量和连续偏差）测试了所提出的系统的性能。
固定翼和多旋翼飞机的稳健视觉惯性导航与控制
以固定翼飞机为例，开发了一种基于矢量场输入的状态相关 LQR 控制器，以及从误差状态和李群理论得出的 EKF，以估计飞机状态和惯性风速。通过蒙特卡罗模拟证明了这种控制器/估计器组合的稳健性。接下来，通过使用阻力系数、部分更新和关键帧重置增强滤波器，提高了多旋翼飞行器最先进的 EKF 的准确性、稳健性和一致性。蒙特卡罗模拟证明了增强滤波器的准确性和一致性得到了提高。最后，推导出使用图像坐标的视觉惯性 EKF，以及用于估计精确视觉惯性估计算法所需变换的离线校准工具。通过数值模拟还表明基于图像的 EKF 和校准器在各种条件下都具有稳健性。
扩展卡尔曼滤波器设计及船舶运动预测...
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据从全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收信号作为编码的 ASCII 字符。因此，必须使用解析器解码 AIS 语句以获得实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要特征。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引术语 — 卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面航行器、船舶
扩展的卡尔曼滤波器具有最佳控制登革热模型
摘要：在现实生活中，由于各种测量局限性，登革热流行模型中的所有变量都可以测量。因此，需要一个工具来估计具有已知相关变量的未测量变量。估计非线性系统中变量的一种方法是扩展的卡尔曼滤波器（EKF）。接下来，使用这些估计的结果，将以疫苗接种的形式寻求最佳控制，以减少感染的数量。从仿真结果中可以得出结论，登革热模型的EKF状态估计足以估计在所选的干扰协方差范围内被随机变量干扰的状态。然后，发现干扰的标准偏差越小，开始时所需的最佳控制越小。因此，破坏越大，所花费的成本越大。
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。
使用实时自动识别系统 (AIS) 数据进行扩展卡尔曼滤波器设计和船舶运动预测
摘要 — 本文使用来自自动识别系统 (AIS) 的实时数据和扩展卡尔曼滤波器 (EKF) 设计来解决船舶运动估计问题。AIS 数据由全球船舶传输，甚高频 (VHF) AIS 接收器以美国国家海洋电子协会 (NMEA) 指定的格式接收编码的 ASCII 字符信号。因此，必须使用解析器解码 AIS 语句以获取实时船舶位置、航向和速度测量值。状态估计用于碰撞检测和实时可视化，这是现代决策支持系统的重要功能。使用来自挪威特隆赫姆港的实时 AIS 数据验证了 EKF，并证明了估计器可以实时跟踪船舶。还证明了 EKF 可以预测船舶的未来运动，并在防撞场景中分析了不同的规避动作。索引词——卡尔曼滤波器、状态估计、运动预测、碰撞检测、无人水面舰艇、船舶
最大Correntropy扩展了用于车辆状态观察的Kalman滤波器
（2022年3月23日收到； 2022年6月25日修订； 2022年8月6日接受）摘要 - 对于车辆状态估算，传统的卡尔曼过滤器在高斯假设下表现良好，但在实际的非高斯局势（尤其是当噪声是非高斯的重型尾巴）中，它表现出较差的准确性和鲁棒性。在本文中，提出了基于最大相关标准（MCC）的扩展卡尔曼过滤器（EKF）算法（MCCEKF），并建立了横向纵向耦合的车辆模型，同时使用YAW速率，longipudinal peppare的状态观察者，使用了longitialinal peppare，该速度使用了易于使用的速度。在分析了所提出算法的复杂性后，通过双车道变化和正弦扫描转向扭矩输入操作在Simulink/CARSIM仿真实验平台上验证了新算法。实验结果表明，与传统的EKF算法相比，基于MCC的EKF算法在非高斯噪声的情况下具有更强的鲁棒性和更好的估计精度，而MCCEKF在实际情况下更适合于车辆状态估计。关键词：车辆状态估计，最大Correntropy标准，非高斯噪声，车辆动力学1。简介