导读:本文包含了扩展卡尔曼滤波论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:尔曼,扩展卡,永磁,最优,布洛赫,锂离子电池,惯量。
扩展卡尔曼滤波论文文献综述
何宗卿,文定都,肖会芹,邹敏,徐丽虹[1]（2019）在《基于扩展卡尔曼滤波的永磁同步电机惯量补偿》一文中研究指出针对扩展卡尔曼滤波估计算法在突加负载时存在抗扰性不足的问题,提出一种基于扩展卡尔曼滤波的永磁同步电机惯量补偿方法。利用扩展卡尔曼滤波获取电机的位置与转速等状态参数,建立负载扰动观测器,对扰动惯量进行辨识并进行补偿。对比扩展卡尔曼滤波无速度传感器的永磁同步电机矢量控制的仿真结果表明,基于扩展卡尔曼滤波的永磁同步电机惯量补偿的调速系统具有更好的抗扰性能和鲁棒性。(本文来源于《湖南工业大学学报》期刊2019年06期）
谷鹏,王大龙,张世仓[2]（2019）在《基于粒子群优化的扩展卡尔曼滤波方法研究》一文中研究指出针对传统扩展卡尔曼滤波跟踪算法在跟踪机动目标时易产生较大误差的问题,提出了一种改进的粒子群优化扩展卡尔曼滤波研究方法。对于目标机动时,采用具有最小均方误差估计效果的EKF滤波算法,仅仅通过实验离线调整参数难以获得最优的滤波效果,提出了基于粒子群算法优化EKF噪声矩阵的方法,同时引入全局最优化方法提高粒子群算法的搜索效率,克服其容易发生陷入局部最优解的缺点。实验仿真结果表明,采用该改进优化算法可克服粒子退化现象,提高目标跟踪精度。(本文来源于《工业控制计算机》期刊2019年11期）
王健,于蓬,王金波,彭欣[3]（2019）在《基于扩展卡尔曼滤波的自动垂直泊车模糊控制》一文中研究指出针对某款车型的自动垂直泊车问题进行了研究。首先建立汽车倒车过程运动学模型,根据实测参数以及碰撞约束条件,推导垂直泊车的极限起始位置。然后基于模糊控制理论,建立基于驾驶员泊车经验的垂直泊车转向模糊控制器。进一步考虑实际泊车过程中传感器信号等噪声干扰的影响,对运动学模型进行卡尔曼滤波(ExtendedKalmanFilter,EKF)优化。最后基于优化后的运动学模型进行了垂直泊车转向模糊控制仿真分析。仿真结果表明,结合扩展卡尔曼滤波器的模糊控制方法,在车辆自动垂直泊车工况下具备良好的适应性。(本文来源于《山东交通科技》期刊2019年05期）
任朝斌,蓝益鹏[4]（2019）在《扩展卡尔曼滤波在可控励磁直线同步电动机中的应用》一文中研究指出为使可控励磁直线同步电动机进给系统实现无速度传感器控制,控制系统需要准确获取电动机的速度和磁极位置信息。采用电动机电枢电压和电流来估计电动机速度和位置的方法——扩展卡尔曼滤波算法。选取αβ坐标系下的电流i_α、i_β、动子速度v和动子电角度θ_e作为状态变量,建立扩展卡尔曼滤波观测器的状态方程,并进行离散化。仿真表明,所提的方法对电动机速度和位置的估计值与电动机实际值相差很小。(本文来源于《第十六届沈阳科学学术年会论文集（理工农医）》期刊2019-10-10）
黄敏,张璐坚,周到,陈军波[5]（2019）在《基于扩展卡尔曼滤波的磁共振指纹参数量化优化算法》一文中研究指出"磁共振指纹"技术一次扫描可同时获得定量的T1、T2等参数像,弥补了磁共振成像(MRI)扫描时间长,一次只能得到一种加权像的缺陷。但其经典算法需要对不同序列建立不同的字典,且字典大小直接影响量化结果。我们对基于扩展卡尔曼滤波的磁共振指纹参数量化算法进行优化,不需要建立字典,通过建立成像模型,采用卡尔曼滤波对磁共振指纹信号进行跟踪,反演得到量化参数。该方法减少了卡尔曼迭代次数,加快了参数估计的收敛速度,提升了参数量化图像的质量。(本文来源于《生物医学工程研究》期刊2019年03期）
张佳倩,刘志虎[6]（2019）在《基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计》一文中研究指出锂电池的荷电状态(SOC)估计作为电池管理系统的关键技术之一,直接影响到整个电池管理系统(BMS)的功能和效率。针对一般的简单多项式拟合SOC-OCV曲线提出了改进,采用了分段拟合的方式,能够降低拟合公式的阶数,提高拟合精度。结合戴维南(Thevenin)等效电路,以及充放电实验和混合脉冲功率特性(HPPC)实验进行参数辨识,得到状态方程和观测方程,采用扩展卡尔曼滤波算法(EKF)对锂电池的不同工况进行SOC估计。仿真结果表明,分段拟合SOC-OCV曲线能有效提高SOC估计精度,减少计算量。(本文来源于《工业控制计算机》期刊2019年09期）
王党树,王新霞[7]（2019）在《基于扩展卡尔曼滤波的锂电池SOC估算》一文中研究指出锂离子电池荷电状态SOC是反映电池及电源系统特性的重要参数,与电池安全性、寿命、效率密切相关。根据电池容量、阻抗、温度和充放电特性,建立二阶RC等效模型,鉴于传统卡尔曼滤波估算SOC误差过大,提出扩展卡尔曼滤波(EKF)与工作电压-荷电状态特性相结合的SOC估算方法。MATLAB仿真和实验结果表明二阶RC模型能够表征电池充放电阻抗、温度特性,扩展卡尔曼滤波法能够精确的估计电池的荷电状态,估值误差在4%以内,该模型及估值方法具有较高精度,适合SOC在线评估。(本文来源于《电源技术》期刊2019年09期）
丁刚[8]（2019）在《基于自适应扩展卡尔曼滤波的导弹制导信息估计》一文中研究指出在机动目标的被动跟踪研究领域,导引头仅能量测到视线角速度或视线角信息,利用仅有的角度测量信息对制导信息进行估计,是导弹实现先进导引律精确命中机动目标的基础。本文针对机动目标的被动跟踪问题,选取"当前"统计模型作为机动目标模型,建立系统状态方程和量测方程,提出一种适应于大机动目标的自适应扩展卡尔曼滤波算法对制导信息进行估计。通过仿真实验可以看出,本文所提出的算法具有较好的滤波效果,对制导信息的估计误差满足系统精度要求。(本文来源于《信息通信》期刊2019年09期）
周韦润,姜文刚[9]（2019）在《基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计》一文中研究指出准确估算电池荷电状态是电动汽车安全、可靠运行的重要保障。传统的卡尔曼滤波估计算法一方面难以克服电池模型精确性和实用性的矛盾,另一方面要求系统噪声矩阵必须服从高斯分布。为了解决上述问题,首先建立基于BIC准则的变阶RC等效电路模型,克服模型精确性和实用性的矛盾;接着采用遗传算法对EKF中的系统噪声矩阵和测量矩阵的协方差进行在线优化,以实现在模型误差最小时对SOC进行在线估计;最后搭建测试平台,验证该算法能够克服由于模型误差和测量噪声的不确定对SOC估计的影响,误差在1. 35%以内,并且具有较高的收敛性和鲁棒性。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年09期）
王海霞,李凯勇[10]（2019）在《基于扩展卡尔曼滤波的锂离子电池寿命预测方法》一文中研究指出锂离子电池寿命预测是掌握电源性能衰退趋势的重要手段,已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,基于NASA艾姆斯中心的锂离子电池地面试验采集的数据,将扩展卡尔曼滤波(EKF)算法应用于锂离子电池寿命预测过程中,并针对预测过程中存在的问题,采用最优Loess平滑原理进行改进,从而提高了预测的稳定性和精确性;实验结果表明,提出的预测方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实用价值。(本文来源于《计算机测量与控制》期刊2019年08期）
扩展卡尔曼滤波论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
针对传统扩展卡尔曼滤波跟踪算法在跟踪机动目标时易产生较大误差的问题,提出了一种改进的粒子群优化扩展卡尔曼滤波研究方法。对于目标机动时,采用具有最小均方误差估计效果的EKF滤波算法,仅仅通过实验离线调整参数难以获得最优的滤波效果,提出了基于粒子群算法优化EKF噪声矩阵的方法,同时引入全局最优化方法提高粒子群算法的搜索效率,克服其容易发生陷入局部最优解的缺点。实验仿真结果表明,采用该改进优化算法可克服粒子退化现象,提高目标跟踪精度。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
扩展卡尔曼滤波论文参考文献
[1].何宗卿,文定都,肖会芹,邹敏,徐丽虹.基于扩展卡尔曼滤波的永磁同步电机惯量补偿[J].湖南工业大学学报.2019
[2].谷鹏,王大龙,张世仓.基于粒子群优化的扩展卡尔曼滤波方法研究[J].工业控制计算机.2019
[3].王健,于蓬,王金波,彭欣.基于扩展卡尔曼滤波的自动垂直泊车模糊控制[J].山东交通科技.2019
[4].任朝斌,蓝益鹏.扩展卡尔曼滤波在可控励磁直线同步电动机中的应用[C].第十六届沈阳科学学术年会论文集（理工农医）.2019
[5].黄敏,张璐坚,周到,陈军波.基于扩展卡尔曼滤波的磁共振指纹参数量化优化算法[J].生物医学工程研究.2019
[6].张佳倩,刘志虎.基于模型参数辨识和扩展卡尔曼滤波的锂电池荷电状态估计[J].工业控制计算机.2019
[7].王党树,王新霞.基于扩展卡尔曼滤波的锂电池SOC估算[J].电源技术.2019
[8].丁刚.基于自适应扩展卡尔曼滤波的导弹制导信息估计[J].信息通信.2019
[9].周韦润,姜文刚.基于遗传算法优化扩展卡尔曼滤波的锂电池SOC估计[J].重庆理工大学学报(自然科学).2019
[10].王海霞,李凯勇.基于扩展卡尔曼滤波的锂离子电池寿命预测方法[J].计算机测量与控制.2019
论文知识图
