XiaoMi-AI文件搜索系统
World File Search SystemKalman
使用大脑变形的地图集和限制的卡尔曼滤波器
摘要 - 基于术前图像的术语脑移位降低了神经元研究系统的准确性。在本文中，可以通过计算脑移位的估计来解决此问题，该估计可用于更新术前的大脑图像。因此，可以提高导航的精度。在这方面，使用大脑变形和受约束的卡尔曼过滤器（ACKF）提出了一种脑移位估计方法。另外，当风险函数是估计误差方差时，获得的ACKF估计是最佳无偏见的最小值估计。此外，在ACKF和两种现有方法（即受约束的卡尔曼滤波器（CKF）和基于地图集的方法）之间进行了比较。比较表明，ACKF会导致更准确的估计，并且需要更少的计算时间。最后，通过模拟说明了提出的ACKF方法对CKF和基于ATLAS的方法的至高无上。
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。
概率3D多对象合作跟踪，用于自动驾驶通过可区分的多传感器kalman filter
摘要 - 当前的最新自动驾驶车辆主要依靠每个传感器系统来执行感知任务。这样的框架的可靠性可能会受到阻塞或传感器故障的限制。为了解决这个问题，最新的研究建议使用车辆到车辆（V2V）通信与他人共享感知信息。但是，大多数相关的作品仅着眼于合作探测，并让合作社跟踪一个未充满刺激的研究领域。最近的一些数据集（例如V2V4Real）提供3D多对象合作跟踪基准。但是，他们提出的方法主要使用合作检测结果作为标准单传感器Kalman滤波器基于基于Kalman滤波器的跟踪算法的输入。在他们的方法中，可能无法正确估计来自不同连接的自动驾驶汽车（CAVS）的不同传感器的测量不确定性，以利用基于卡尔曼滤波器的基于卡尔曼滤波器的跟踪算法的理论优化属性。在本文中，我们提出了一种新颖的3D多对象合作跟踪算法，用于通过可区分的多传感器卡尔曼滤波器自动驾驶。我们的算法学会了每种检测的测量不确定性，以更好地利用基于卡尔曼滤波器基于卡尔曼滤波器的跟踪方法的理论属性。实验结果表明，与V2V4REAL中最新方法相比，我们的算法仅用0.037倍的通信成本提高了17％的跟踪精度。我们的代码和视频可在URL和URL上找到。
基于集成卡尔曼滤波框架与机器学习算法的锂电池荷电状态估计
摘要：基于卡尔曼滤波（KF）框架和机器学习算法的电池等效电路模型荷电状态（SOC）估计研究相对有限，大部分研究仅针对少数几种机器学习算法，缺乏全面的分析比较，且大部分研究侧重于通过机器学习算法获取卡尔曼滤波框架算法模型的状态空间参数，再将状态空间参数代入卡尔曼滤波框架算法中进行SOC估计，此类算法耦合性强，复杂度高，实用性不强。本研究旨在将机器学习与卡尔曼滤波框架算法相结合，将五种卡尔曼滤波框架算法的输入、输出和中间变量值的不同组合作为六种主流机器学习算法的输入，估计最终的SOC。这六种主流机器学习算法包括：线性回归、支持向量回归、XGBoost、AdaBoost、随机森林、LSTM；算法耦合度较低，无需进行双向参数调整，且不涉及机器学习与卡尔曼滤波框架算法之间。结果表明，集成学习算法与纯卡尔曼滤波框架或机器学习算法相比，估计精度有显著提高。在各类集成算法中，随机森林与卡尔曼滤波框架的估计精度最高，且实时性好。因此，可以在各种工程应用中实现。
基于分布式卡尔曼滤波器的分布式计算解决方案，用于基于 WSN 的水管道监测中的泄漏检测
摘要：无线传感器网络 (WSN) 应用更倾向于本地计算和更少通信，这有助于解决大多数集中式 WSN 应用的高功耗和性能问题。在本研究中，我们提出了一种完全分布式的解决方案，其中仅通过传感器节点与其近邻节点之间的本地协作来检测供水网络中的泄漏，而无需通过几跳到集中式融合中心进行长距离传输。一种完整的方法包括设计、仿真和物理测量，展示了如何通过分布式卡尔曼滤波器实现分布式计算来提高泄漏检测的准确性，并介绍了功耗。物理实现的结果表明，分布式数据融合提高了泄漏检测的准确性，同时保持了 WSN 的使用寿命。
使用库仑计数方法和自适应的无气味卡尔曼过滤器
摘要：本文建立了一项准确且可靠的研究，用于估计锂离子电池的充电状态（SOC）。准确的状态空间模型用于确定电池非线性模型的参数。非洲秃鹰优化器（AVOA）用于解决识别电池参数以准确估算SOC的问题。一种混合方法由具有自适应无知的卡尔曼过滤器（AUKF）的库仑计数法（CCM）组成，以估计电池的SOC。在不同的温度下，对电池进行了四种方法，在包括负载和电池褪色之间有所不同。数值模拟应用于2.6 AHR松下锂离子电池，以证明混合方法对电荷估计的有效性。与现有的混合方法相比，建议的方法非常准确。与其他策略相比，所提出的混合方法实现了不同方法的最小误差。
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
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。
技术报告：超快正方根基于滤波器的VIN
2有效的SQAURE-ROOT滤波2 2.1置换-QR分解。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。3 2.2传播。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 2.2.1 Kalman滤波器。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 4 2.2.2平方根滤波器。 。 。 。4 2.2.1 Kalman滤波器。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 2.2.2平方根滤波器。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4 2.2.3证明。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>4 2.3州扩展和克隆。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 2.3.1 Kalman滤波器。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>5 2.3.1 Kalman滤波器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 2.3.2平方根滤波器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 2。2.3.3证明。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>5 2.4更新。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 2.4.1 Kalman滤波器。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 6 2.4.2平方根滤波器。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 6 2.4.3证明。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>6 2.4.1 Kalman滤波器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 2.4.2平方根滤波器。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 6 2.4.3证明。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div> 。 div>6 2.4.2平方根滤波器。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>6 2.4.3证明。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。。。。7 2.5状态边缘化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 2.5.1 Kalman滤波器。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 2.5.2平方根滤波器。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。8 2.5.3证明。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>9 div>