XiaoMi-AI文件搜索系统
World File Search SystemKalman
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。
Kalman Feltering 的动力学方案的贝叶斯推理
由于数据中的信息有限，从集合电流的离子通道门控的足够的离子通道门控的足够动力学方案是一项艰巨的任务。我们通过使用并行的贝叶斯过滤器来解决此问题，以指定隐藏的Markov模型以进行当前和荧光数据。我们通过包括不同的噪声分布来证明该算法的灵活性。当应用于具有逼真的开放通道噪声的贴片夹数据时，我们的广义Kalman滤波器的表现优于经典的Kalman滤波器和速率方程方法。衍生的概括还可以包含正交荧光数据，使无法识别的参数可识别，并将参数估计值的精度提高到数量级。通过使用贝叶斯最高信誉量，我们发现我们的方法与速率方程方法相比产生了现实的不确定性量化。此外，贝叶斯过滤器可为更广泛的数据质量提供可忽略的偏差估计。对于某些数据集，它标识了比速率方程方法更多的参数。这些结果还证明了总体上贝叶斯信誉量评估算法的有效性的力量。最后，我们表明，与速率方程方法相比，在模拟转换之前通过模拟转换或荧光数据的有限时间分辨率引起的模拟过滤引起的误差更强大。
使用扩展卡尔曼滤波器对声呐浮标进行主动对象跟踪
使用扩展卡尔曼滤波器对声纳浮标进行主动物体跟踪 1 Ch.Lakshmi Sravya、2 G.Mahesh、3 S.Koteswara Rao、4 B.Omkar Lakshmi Jagan 1,2,3 电子与计算机工程系、4 电子与电气工程系，K L 大学，贡土尔，印度 1 lakshmi.sravi7@gmail.com、2 mahesh88088@gmail.com、3 skrao@kluniversity.in、4 lakshmijagan@kluniversity.in 摘要：在水下，声纳浮标接收物体信息。声纳浮标生成物体距离和方位测量值。扩展卡尔曼滤波器用于处理噪声破坏的测量值，以生成物体运动参数 (OMP)。OMP通过超高频链路与飞机进行进一步处理。给出了模拟结果。关键词-全球定位系统、声纳浮标、物体运动分析、随机处理、统计随机处理
使用自调节优化卡尔曼滤波器对时变脑网络进行建模
脑网络是复杂的动态系统，其中不同区域之间的定向相互作用在感觉、认知和运动过程的亚秒级尺度上发展。然而，由于神经信号及其未知噪声成分的高度非平稳性质，动态脑网络建模仍然是当代神经科学的主要挑战之一。在这里，我们提出了一种基于卡尔曼滤波器创新公式的新算法，该算法经过优化，可在未知噪声条件下跟踪快速发展的定向功能连接模式。自调节优化卡尔曼滤波器 (STOK) 是一种新型自适应滤波器，它嵌入自调节记忆衰减和递归正则化，以确保高网络跟踪精度、时间精度和对噪声的鲁棒性。为了验证所提出的算法，我们在现实替代网络和真实脑电图 (EEG) 数据中与经典卡尔曼滤波器进行了广泛的比较。在模拟和真实数据中，我们都表明 STOK 滤波器估计定向连接的时间频率模式具有显著优越的性能。STOK 滤波器的优势在真实 EEG 数据中更加明显，其中该算法从大鼠的颅脑 EEG 记录和人类视觉诱发电位中恢复了动态连接的潜在结构，与已知生理学高度一致。这些结果确立了 STOK 滤波器是模拟生物系统中动态网络结构的强大工具，有可能对大脑功能产生的网络状态的快速演变产生新的见解。
使用深的Kalman滤波器生成模型
基于变异自动编码器（VAE）的深层可变生成模型已显示出有希望的视听语音增强性能（AVSE）。基本的想法是学习干净的语音数据的基于VAE的视听先验分布，然后将其与统计噪声模型相结合，以从目标扬声器的嘈杂的音频录制和视频（LIP图像）中恢复语音signal。为AVSE开发的现有生成模型没有考虑到语音数据的顺序性质，从而阻止它们充分整合视觉数据的力量。在本文中，我们提出了一个视听深度卡尔曼滤波器（AV-DKF）生成模型，该模型假设了潜在变量的一阶马尔可夫链模型，并有效地融合了视听数据。此外，我们将一种有效的推理方法来估算测试时估计语音信号的方法。我们进行了一组实验，以比较语音增强的生成模型的不同变体。结果证明了AV-DKF模型的优越性，与仅音频版本以及基于Audio-Audio-forio-visual Vae模型相比。
锂离子电池建模和 BMS 的自适应扩展卡尔曼滤波器实现
摘要- 为单引擎双座滑翔机上的有效载荷系统制造了定制锂离子电池。在形成电池管理系统的软件开发阶段，为了在充电和放电过程中提供安全性，需要一些参数来指示电池的状况。因此，在本研究中，在 42 Ah 锂离子电池中进行了电等效电路方法和自适应扩展卡尔曼滤波器中使用的充电状态估计过程。结果，平均绝对误差和均方根误差的值小于 1%。在实际过程中，从未发现过真正的误差值。给出噪声以确定扩展卡尔曼滤波器和自适应扩展卡尔曼滤波器 (AEKF) 算法之间的自适应能力。此外，将主 SoC 设置为某个值以查看估计精度。研究表明，该方法可以应用于有效载荷系统的 BMS 软件的开发。
使用区域时空卡尔曼滤波器对深部脑活动进行源成像
a 基尔大学医学心理学和医学社会学系，德国基尔 D-24113。b 基尔大学实验与应用物理研究所，德国基尔 24098。c 基尔大学神经儿科系，德国基尔 D-24098。d 明斯特大学生物磁学和生物信号分析研究所，德国明斯特 D-48149。e 基尔大学工程学院数字信号处理和系统理论组，德国基尔 D-24143。f 伯特利福音医院儿童和青少年精神病学和心理治疗系，德国比勒费尔德 33617。
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
混杂生理信号的多元卡尔曼滤波回归用于 fNIRS 数据的实时分类
意义：功能性近红外光谱 (fNIRS) 是一种非侵入性技术，用于测量与神经功能相关的人体皮层血流动力学变化。由于其小型化潜力和相对较低的成本，fNIRS 已被提议用于脑机接口 (BCI) 等应用。与诱发神经活动产生的信号相比，大脑外生理产生的信号幅度相对较大，这使得实时 fNIRS 信号解释具有挑战性。通常使用结合生理相关辅助信号（例如短分离通道）的回归技术将脑血流动力学反应与信号中的混杂成分分离。然而，大脑外信号的耦合通常不是瞬时的，需要找到适当的延迟来优化干扰消除。
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