XiaoMi-AI文件搜索系统
World File Search SystemKalman
发现卡尔曼滤波器作为实用工具...
最初使用扰动方法的研究和上面提到的滤波器分解都是基于对标称（参考）轨迹的线性化，但很快就发现，对当前估计状态的重新线性化可能比以前使用的技术具有显著的优势。
Wasserstein 分布稳健卡尔曼滤波
H ∞ 滤波器针对的是噪声过程统计数据不确定的情况，此时我们的目标是最小化最坏情况而不是估计误差的方差 [ 3 , 26 ]。该滤波器限制了将扰动映射到估计误差的传递函数的 H ∞ 范数。然而，在瞬态操作中，会失去所需的 H ∞ 性能，并且滤波器可能会发散，除非每次迭代中都有一些（通常是限制性的）正性条件成立。在集值估计中，扰动向量通过有界集（如椭球）建模 [ 4 , 22 ]。在该框架中，我们试图围绕与观测值和外生扰动椭球一致的状态估计构建最小椭球。然而，由此产生的稳健滤波器会忽略任何分布信息，因此倾向于过于保守。 [19] 首次研究了一种对更一般形式的（基于集合的）模型不确定性具有鲁棒性的滤波器。该滤波器以迭代方式最小化标准状态空间模型附近所有模型的最坏情况均方误差。虽然该滤波器在面对较大不确定性时表现良好，但在较小不确定性下可能过于保守。[25] 提出了一种广义卡尔曼滤波器，它可以解决这个缺点，在标准性能和最坏情况性能之间取得平衡。通过最小化矩生成函数而不是估计误差平方的均值，可以得到风险敏感的卡尔曼滤波器 [24]。这种风险敏感的卡尔曼滤波器等同于 [12] 中提出的分布鲁棒滤波器，它最小化标准分布周围的 Kullback-Leibler (KL) 球中所有联合状态-输出分布的最坏情况均方误差。 [27] 研究了更一般的 τ -散度球的扩展。
现场可编程门阵列实现基于卡尔曼过滤器的锂离子电池组的电荷观察者的状态
本文介绍了一项有关锂离子电池的电荷观察状态，用于嵌入式应用中的能量管理。对收费状态的了解对于这些电池的安全性和最佳用途至关重要。该研究的重点是在Spartan 6 FPGA上基于Kalman滤波器的观察者算法的开发和实施，即使可以从其实际状态开始初始化电池的电池，该算法可以准确估算电池的充电状态。在本文中，我们专注于FPGA进行快速计算的机会，该计算可以将FPGA用作BMS中的从属组件，并允许以低成本观察SOC大量的单元。在低成本FPGA上实施该观察者可能会导致各种应用中的电池管理系统（例如电动汽车和任何其他需要观察电池组充电状态）的电池管理系统的成本。通过模拟和实时测试验证了观察者模型。本研究提出了一种有希望的方法，可以准确估计锂离子电池的电荷状态，以用于各种应用中的E FFI能源管理。
Kalman滤波和期望最大化多阶段光谱unmixing
摘要 - 高光谱成像技术的最新演变和新的新兴应用程序的扩散按下了多个时间高光谱图像的处理。在这项工作中，我们提出了一种新型的频谱拆解（SU）策略，使用出色动机的参数末端记录来说明时间频谱变异性。通过使用状态空间公式来表示多个时空混合过程，我们能够利用贝叶斯过滤机制来估计末端的变异性系数。假设丰度的时间变化在短时间间隔很小，则采用了预期最大化（EM）算法的有效实施来估计丰度和其他模型pa-Rameters。仿真结果表明，所提出的策略优于最先进的多阶段算法。
修改的扩展Kalman过滤算法，用于可充电电池的精确电压和电荷估计
1 1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。 摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。 SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。 因此，研究重点是使用算法准确估算SOC和电压。 具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。 但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。 这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。1 1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。 摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。 SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。 因此，研究重点是使用算法准确估算SOC和电压。 具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。 但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。 这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。1频道工程系，香港理工大学，香港，中国2号医学和工业超声中心，詹姆斯·瓦特工程学院，格拉斯哥大学，格拉斯哥大学，格拉斯哥大学，英国格拉斯哥，英国21118694r@connect.polyu.hk; tianshidexuanzhe@gmail.com; kokokhlam@polyu.edu.hk; kwokho.lam@glasgow.ac.uk通信：kwokho.lam@glasgow.ac.uk，中国香港香港理工大学电气工程系；詹姆斯·瓦特工程学院医学和工业超声学院，格拉斯哥大学，格拉斯哥大学，英国苏格兰，格拉斯哥大学†同样贡献。摘要：随着电动汽车（EV）的普及，可充电电池的电压和最新电压（SOC）估计具有重要意义。SOC参数已被用作传递可充电锂离子电池（LIB）的电能的指标，而电压已是监测所需的关键参数，以防止造成电池损坏的原因，尤其是在充电和放电过程中。因此，研究重点是使用算法准确估算SOC和电压。具有避免重大估计误差的能力，使用间接测量值（例如电压和电流）获得的参数，已采用常规扩展卡尔曼过滤（EKF）来估计SOC的最佳值。但是，该算法在SOC和电压估计中的精度有限，并且对电压预测的误差降低仍然没有深入研究。这项研究表明，常规的EKF算法会引起估计错误，尤其是当当前突然改变时。尽管可以通过诸如Double Kalman滤波等联合算法提高SOC精度，但是由于非线性误差的叠加，仍然需要优化EKF本身。在这项研究中，进行了修改后的扩展卡尔曼滤波（MEKF）算法的研究，以估算LIB的电压和SOC，并具有估计精度的极大提高。Yuasa Lev50单元在298 K处的标准放电率为0.2 c，以获取离线参数，然后使用新提出的新提出的动态估计数学电池模型（DBOFT）进行优化。这是第一次提出一种结合增益矩阵和噪声的方法，以减少当前转弯点的电压估计误差，从而大大提高了电压估计的准确性。具体来说，MEKF算法能够实时调整参数并减少SOC
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。
圆滑的双重扩展卡尔曼过滤器，用于电池状态...
TATE估计是电动汽车（EV）电池的关键任务。要估计的两个最重要的状态是电荷状态（SOC），与剩余练习范围以及健康状况（SOH）相关的情况（SOH）在其一生中相关的电池降解。SOC和SOH都是不可衡量的数量，其价值对于通知用户，控制动力总成和热管理系统，防止损坏和电池组过早老化至关重要。此外，尽管它们通常在非常不同的时间尺度上发生变化，但两个数量密切相互关联，因为充电状态是电池剩余容量的函数[1]。在数据驱动和基于模型的方法下都开发了几种联合SOC和SOH估计算法。基于模型的方法的优势是它们提供了对电池的见解
用于医学图像处理的卡尔曼布西滤波神经模糊图像去噪
推荐引用 推荐引用 G., Mohanapriya；Muthukumar S.；Santhosh Kumar S.；和 Shanmugapriya MM。“用于医学图像处理的卡尔曼布西滤波神经模糊图像去噪。”中智集合与系统 70, 1 (2024)。https://digitalrepository.unm.edu/nss_journal/vol70/iss1/19
使用卡尔曼过滤器对电池电池进行性能分析
摘要。锂离子（锂离子）电池在电动汽车的性能中起着至关重要的作用，这是由于其独特的特性和紧凑的尺寸。为了确保这些电池的寿命延长，用户必须采取其他预防措施。受多种道路条件影响的永久磁铁同步电动机（PMSM）驱动器应用的可变负载扭矩增加了情况。鉴于电动汽车运行（EVS）涉及的众多电气传感器和机械组件，评估锂离子电池的充电状态（SOC）被证明是一个重大挑战。在这种情况下，SOC可能会受到嘈杂的测量，导致电池随着时间的推移的性能下降。本文提议利用Kalman过滤器从嘈杂的测量结果估算实际SOC，依靠间接测量作为提高准确性的基础。
使用Kalman滤波器中的传感器融合在自动驾驶汽车中
期待，我们建议对高级传感器技术和融合算法进行进一步研究，以增强自动驾驶汽车的感知能力。此外，人工智能和机器学习技术的集成可以基于融合的传感器数据来实现更智能的决策过程。用于评估传感器融合算法的标准化协议和基准对于确保不同自主驾驶平台之间的互操作性和可靠性至关重要，这需要研究人员，行业利益相关者和监管机构之间的协作努力。总而言之，我们的研究通过利用传感器融合技术与卡尔曼过滤方法结合使用传感器融合技术来为更安全，更高效，更可靠的自主运输系统奠定基础。