基于BP神经网络的锂离子电池SOC估计研究

根据恒流放电条件下锂离子电池端电压与荷电状态(SOC)映射关系图像的特点,提出了基于BP神经网络和最速下降法的锂离子电池荷电状态(SOC)估计算法。利用matlab软件编写算法程序,结合实验数据对BP神经网络进行了训练,并将经过训练后的BP神经网络应用于SOC预测。实验结果表明,误差在大部分时候低于10%,基本满足动力电池电荷状态估计的精度要求。     

基于开路电压法的电池荷电状态估计误差校正

本文提出分别研究电池开路电压在充电结束后停置过程和放电结束后停置过程的不同变化规律,并考虑了不同停置时间在两个过程中的作用和影响,从而达到提高开路电压法估算荷电状态精度的效果。实验验证表明,此方法的精度比传统开路电压法更加准确。     

一种非线性状态估计器的算法实现与解耦简化

本文以机载火控系统中的目标状态估计器(TSE)为例,探讨了一类非线性状态估计器的算法及简化方法。文中给出了TSE的数学模型,分析了其特点,并作了形式上的变换;而后用最优卡尔曼滤波算法实现了状态估计。最后,利用其结构特点,作了算法解耦,故大大减少了计算量和计算机内存,获得了令人满意的估值精度。     

带有序列相关噪声Vasicek期限结构模型的线性滤波(英文)

在基于Vasicek利率期限结构模型,使用Kalman滤波器进行状态估计时,通常采用量测噪声不相关假设。研究表明,量测噪声在很多情况下满足相关性假设。本文采用一般性的相关量测噪声假设,提出针对Vasicek模型潜变量估计的状态扩维Kalman滤波法。实验结果表明,量测噪声相关假设下的Vasicek模型比较准确地描述了利率期限结构的动态变化特征。     

基于遗传EM算法的航班延误状态空间模型(英文)

航班运行过程的高度动态性和随机性,航班延误因素的复杂性和不确定性导致航班延误实时预测成为难题。控制领域的动态数据驱动方法为该问题提供了一种解决方案。然而,要想运用动态数据驱动方法,首先必须建立航班延误状态空间模型来表示系统状态之间、状态与系统输入输出之间的关系。本文对单机延误事件序列进行了分析,创建了一种航班延误状态空间模型,并对其中的输入控制量进行了重点建模。在历史航班运行数据集上,采用遗传EM算法对模型参数进行了极大似然估计,并同时验证了遗传EM算法在优化参数估计和提高计算效率方面的优势。最后,采用Kol-mogorov-Smirnov方法对模型实例进行了假设检验,检验结果表明,所选模型具有较好的拟合优度。