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。
使用
量子算法在各种应用中都比经典算法有显著的加速。本文使用块编码方法开发了广泛应用于经典控制工程的卡尔曼滤波器的量子算法。整个计算过程是通过在块编码框架上对汉密尔顿量进行矩阵运算来实现的，包括加法、乘法和逆运算，与以前解决控制问题的量子算法相比，这些运算可以在统一的框架中完成。我们证明，与传统方法相比，量子算法可以指数级加速卡尔曼滤波器的计算。时间复杂度可以从 O ( n 3 ) 降低到 O ( κpoly log( n/ϵ ) log(1 /ϵ ′ )) ，其中 n 表示矩阵维数，κ 表示要求逆矩阵的条件数，ϵ 表示块编码所需的精度，ϵ ′ 表示矩阵求逆所需的精度。本文为实现卡尔曼滤波器提供了全面的量子解决方案，并试图拓宽量子计算应用的范围。最后，我们给出了一个在 Qiskit（一个基于 Python 的开源工具包）中实现的说明性示例作为概念验证。
Kalman Feltering
1波茨坦气候影响研究研究所，德国波茨坦莱布尼兹协会成员2芝加哥大学地球物理科学系，美国伊利诺伊州芝加哥大学，芝加哥，伊利诺伊州芝加哥3号，芝加哥大学，芝加哥大学，芝加哥大学，美国伊利诺伊州芝加哥大学，美国伊利诺伊州芝加哥大学4 nasa natesution for New n n ansa nesty Climimation for New York clinimiment for New York climimitiate for New York Climimation for New n. New newy n. New naty New newy，哥伦比亚大学地球研究所，美国纽约6大都会办公室哈德利中心，英国埃克塞特市7生态系统服务与管理计划，国际应用系统分析研究所，奥地利兰克森堡，奥地利8unitédeModélisationdu climat et des Cycles cyclesbiogéogimiques，ur spheres，ur spheres，ur ur spheres，ur ur stitut d'Astrophysique et de degephysique et degephysique et deguim et dedegéephysique，lie lie lie，lie，lie，li liew，lied，lie，lie，li fim。路德维希 - 马克西米尔人 - 苏尼申（LMU）（LMU），德国慕尼黑地理系10号，马里兰大学，马里兰州大学公园，马里兰州大学公园，美国水资源与土木工程学院，地理科学系，中国北欧农业大学11学院，中国北欧农业大学，地理科学，地理科学，地理科学，卢德大学。英国伯明翰伯明翰市14伯明翰森林研究所，伯明翰大学，伯明翰，英国伯明翰15全球系统研究所，埃克塞特大学，埃克塞特大学，英国埃克塞特大学
电池管理系统的扩展卡尔曼过滤...
混合电动车辆电池组中的电池管理系统必须估算该包目前的工作状况的值。其中包括：电池最新电池，电力褪色，容量褪色和瞬时功率。估计机制必须随着细胞的年龄而适应细胞特征的变化，因此在包装的寿命中提供了准确的估计值。在一系列三篇论文中，我们提出了基于扩展的卡尔曼过滤（EKF）的方法，这些方法能够实现锂离子聚合物电池组的这些目标。我们希望它们也将在其他电池化学上运作良好。这些论文涵盖了所需的数学背景，细胞建模和系统识别要求以及最终解决方案以及结果。第三篇论文结束了该系列的结论，其中列出了五个其他应用，在典型的BMS算法中可以使用EKF或EKF的结果：在车辆闲置之后的初始化状态估计值一段时间后的初始化；在估计值中估算具有动态误差界限的最新电荷；估计包装包/充电功率；跟踪更改包装参数（包括功率褪色和容量褪色）作为包装年龄，因此提供了对最新健康状况的定量估计；并确定必须均等的细胞。提出了包装测试的结果。©2004 Elsevier B.V.保留所有权利。
卡尔曼滤波器组在飞机发动机中的应用...
卡尔曼滤波器组在飞机发动机故障诊断中的应用 Takahisa Kobayashi QSS Group, Inc. 俄亥俄州克利夫兰 44135 电子邮件：Takahisa.Kobayashi@grc.nasa.gov Donald L. Simon 美国陆军研究实验室 格伦研究中心 俄亥俄州克利夫兰 44135 电子邮件：Donald.L.Simon@grc.nasa.gov 摘要 本文将卡尔曼滤波器组应用于飞机燃气涡轮发动机传感器和执行器故障检测和隔离 (FDI) 以及组件故障检测。这种方法使用多个卡尔曼滤波器，每个滤波器都用于检测特定的传感器或执行器故障。如果确实发生故障，除使用正确假设的滤波器之外的所有滤波器都会产生较大的估计误差，从而隔离特定故障。同时，估计了一组指示发动机部件性能的参数，以检测突然退化。将所提出的 FDI 方法应用于标称和老化条件下的非线性发动机仿真，并给出了巡航运行条件下各种发动机故障的评估结果。证明了所提出的方法能够可靠地检测和隔离传感器和执行器故障。术语 A16 可变旁通管道面积 A8 喷嘴面积 BST 增压器 CLM 组件级模型 FAN 风扇 FDI 故障检测和隔离 FOD 异物损坏 HPC 高压压缩机 HPT 高压涡轮 LPT 低压涡轮 P27 HPC 入口压力 PS15 旁通管道静压 PS3 燃烧室入口静压 PS56 LPT 出口静压 T27D 增压器入口温度 T56 LPT 出口温度
