XiaoMi-AI文件搜索系统
World File Search System卡尔曼滤波
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。
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。
使用带有卡尔曼滤波器的周期性干扰观察器进行 EEG 监测......
摘要：运动想象 (MI) 具有频率特异性特征，是基于脑电图 (EEG) 的脑机接口识别操作员意图的范例之一。从理论上讲，在传统方法中很难在不产生很大延迟的情况下提取频率特异性特征。在本文中，我们尝试使用带有卡尔曼滤波器的周期性扰动观测器快速检测 alpha 和 beta 波段幅度。对原始 EEG 信号的响应表明，周期性扰动观测器可以比带通滤波器更快地提取 MI 的特征。
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。
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。
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。
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。
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
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