分析了新息序列是有色噪声时自适应卡尔曼滤波算法(Adaptive Kal man Filter,AKF)的滤波效果,在范数意义下,证明了k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差协方差矩阵间距离与新息序列相关性成正比。利用上述结论...分析了新息序列是有色噪声时自适应卡尔曼滤波算法(Adaptive Kal man Filter,AKF)的滤波效果,在范数意义下,证明了k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差协方差矩阵间距离与新息序列相关性成正比。利用上述结论,证明了所有AKF算法中估计误差协方差矩阵必逐渐远离1时刻最优KF算法中估计误差协方差矩阵。总结上述结论,发现AKF算法收敛条件可描述成以下几个等价命题:1)AKF算法中估计误差协方差矩阵与1时刻最优KF算法中估计误差协方差矩阵差有极限;2)k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差方差矩阵间距离极限是0;3)AKF算法渐进收敛于k时刻最优KF算法;4)AKF算法中新息序列渐进收敛于白噪声序列;5)k时刻AKF算法中滤波增益矩阵与k时刻最优KF算法中滤波增益矩阵间距离极限是0。上述理论为最终解决复杂环境下无线传感器网络节点定位问题奠定了基础。展开更多
针对锂离子电池荷电状态(state of charge,SOC)估计过程中传统卡尔曼滤波算法噪声特性难以确定、收敛速度慢及精度差等一系列问题,提出了一种改进自适应卡尔曼滤波算法。首先,建立了电池等效电路模型,并在不同温度和SOC状态下,对模型参...针对锂离子电池荷电状态(state of charge,SOC)估计过程中传统卡尔曼滤波算法噪声特性难以确定、收敛速度慢及精度差等一系列问题,提出了一种改进自适应卡尔曼滤波算法。首先,建立了电池等效电路模型,并在不同温度和SOC状态下,对模型参数进行了辨识和精度验证。然后,对传统自适应卡尔曼滤波算法系统过程噪声协方差矩阵计算方式进行了正定性优化。此外,在状态估计结果的修正过程中,引入了对模型等误差变化进行补偿的增益因子。最后,通过实验电池的仿真和测试验证了所提算法的有效性。结果表明,在不同温度和工况条件下,SOC的估计误差均在4%以内,改进自适应卡尔曼滤波算法的估计精度和收敛速度均优于改进前的算法和常用的扩展卡尔曼滤波(extendedkalmanfilter,EKF)算法,具有较强的实用性。展开更多
文摘分析了新息序列是有色噪声时自适应卡尔曼滤波算法(Adaptive Kal man Filter,AKF)的滤波效果,在范数意义下,证明了k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差协方差矩阵间距离与新息序列相关性成正比。利用上述结论,证明了所有AKF算法中估计误差协方差矩阵必逐渐远离1时刻最优KF算法中估计误差协方差矩阵。总结上述结论,发现AKF算法收敛条件可描述成以下几个等价命题:1)AKF算法中估计误差协方差矩阵与1时刻最优KF算法中估计误差协方差矩阵差有极限;2)k时刻AKF算法中估计误差协方差矩阵和k时刻最优KF算法中估计误差方差矩阵间距离极限是0;3)AKF算法渐进收敛于k时刻最优KF算法;4)AKF算法中新息序列渐进收敛于白噪声序列;5)k时刻AKF算法中滤波增益矩阵与k时刻最优KF算法中滤波增益矩阵间距离极限是0。上述理论为最终解决复杂环境下无线传感器网络节点定位问题奠定了基础。
文摘针对锂离子电池荷电状态(state of charge,SOC)估计过程中传统卡尔曼滤波算法噪声特性难以确定、收敛速度慢及精度差等一系列问题,提出了一种改进自适应卡尔曼滤波算法。首先,建立了电池等效电路模型,并在不同温度和SOC状态下,对模型参数进行了辨识和精度验证。然后,对传统自适应卡尔曼滤波算法系统过程噪声协方差矩阵计算方式进行了正定性优化。此外,在状态估计结果的修正过程中,引入了对模型等误差变化进行补偿的增益因子。最后,通过实验电池的仿真和测试验证了所提算法的有效性。结果表明,在不同温度和工况条件下,SOC的估计误差均在4%以内,改进自适应卡尔曼滤波算法的估计精度和收敛速度均优于改进前的算法和常用的扩展卡尔曼滤波(extendedkalmanfilter,EKF)算法,具有较强的实用性。
