锂电池荷电状态(SOC)是反映电池使用情况的重要参数之一.在锂电池实际工作过程中,电流传感器测量时的漂移电流会对SOC估计精度造成很大影响.对此,提出一种加入漂移电流的Drift-Ah积分法,建立SOC的噪声组合模型,并采用容积卡尔曼滤波算法(CKF)实现锂电池的SOC估计.最后,对锂电池进行模拟工况实验,仿真结果表明,所提出的估计算法可以有效抑制漂移电流的干扰,精度高且复杂度低.

EKF_SOC_Estimation函数使用二阶RC等效电路模型估算电池的端电压（Vt）和充电状态（SOC）。 该功能可以使用扩展卡尔曼滤波器（EKF）或自适应扩展卡尔曼滤波器（AEKF）。 用户还可以选择估算-20C至40C的SOC。 其中包括一个样品LA92行驶周期，电池参数（包括内部电阻）和Turnigy电池的SOC-OCV曲线。 要运行该示例，只需下载所有文件并运行main.mlx。

介绍卡尔曼滤波器的外文教材，挺经典的，强烈推荐。

时间序列预测 该存储库实现了时间序列预测的常用方法，尤其是TensorFlow2中的深度学习方法。 如果您有更好的主意，欢迎您贡献力量，只需创建PR。 如有任何疑问，请随时提出问题。 正在进行的项目，我将继续进行改进，因此您可能希望观看/加注此仓库以进行重新访问。 神经网络 波浪网 变压器 网络 拍子 甘 用法 安装所需的库 $ pip install -r requirements.txt 如有必要，下载数据 $ bash ./data/download_passenger.sh 训练模型如果需要，请设置custom_model_params （请参阅./deepts/models/

有些部分是用波兰语注释的。 抱歉 :) 有关更多详细信息，请参阅http://ufnalski.edu.pl/dissertation/ - 也是波兰语 :) 此提交包含两个 EKF：一个假设不知道转动惯量，另一个可以如果转动惯量已知，则应用。

matlab建立汽车模型代码扩展卡尔曼滤波器 自动驾驶汽车工程师纳米学位课程 该项目融合了激光雷达（激光）和雷达测量来定位和跟踪物体。 激光雷达测量提供了位置的高分辨率估计，但没有提及速度。 另一方面，雷达提供了噪声更大的位置估计，并且通过多普勒效应还提供了速度的估计。 卡尔曼滤波器遵循一个简单的循环： 观察世界 根据最后的值和状态转换函数 F 预测对象的新状态。 使用测量值更新预测。 我们在这里假设测量噪声可以用高斯建模。 雷达的测量以极坐标给出，映射到矩形后，噪声项将不再正常。 为了解决这个问题，我们通过一阶泰勒展开将变换线性化为矩形。 图8跟踪测试： 依赖关系 cmake >= 3.5 所有操作系统： 使 >= 4.1 Linux：大多数 Linux 发行版默认安装 make 苹果电脑： 视窗： gcc/g++ >= 5.4 Linux：大多数 Linux 发行版默认安装 gcc / g++ Mac：与 make 相同 - [安装 Xcode 命令行工具](() Windows：推荐使用 基本构建说明 克隆这个 repo。 创建一个构建目录： mkdir build && cd

matlab建立汽车模型代码扩展卡尔曼滤波器项目 为激光雷达/雷达数据实现基于 C++ 的扩展卡尔曼滤波器。 扩展卡尔曼滤波器用于使用激光雷达和雷达数据预测行人的位置。 项目代码 项目可以被克隆或下载 依赖关系 cmake >= 3.5 所有操作系统： 使>= 4.1 Linux：大多数 Linux 发行版默认安装 make 苹果电脑： 视窗： gcc/g++ >= 5.4 Linux：大多数 Linux 发行版默认安装 gcc / g++ Mac：与 make 相同 - [安装 Xcode 命令行工具](() Windows：推荐使用 基本构建说明 克隆这个 repo。 创建一个构建目录（删除任何现有目录）： mkdir build && cd build 编译： cmake .. && make 在 Windows 上，您可能需要运行： cmake .. -G "MinGW Makefiles" && mingw32-make 运行它： ./ExtendedKF path/to/input.txt path/to/output.txt 。 您可以在“data/”中找到一些示例输入。

介绍两种目标跟踪算法—扩展卡尔曼滤波器（Extended Kalman Filter， EKF）、粒子滤波器（Particle filter， PF）。EKF利用泰勒级数方法，将非线性问题转化到线性空间，再利用卡尔曼滤波器进行滤波，并达到一阶估计精度。PF是一种采用蒙特卡罗采样的贝叶斯滤波方法，它将复杂的目标状态分布表示为一组加权值，通过寻找在粒子滤波分布中最大权值的粒子来确定目标最可能所处的状态分布，已成为复杂环境下进行目标跟踪的最好的方法。文中通过仿真实验，对二者的性能进行了仿真比较，结果证明在复杂的非高斯非线性环境中，PF的性能明显优于EKF，但计算复杂，耗时长。

3 .m 文件，1) 使用 CIR 模型模拟期限结构，2-3) 进行此模拟并估计模型的参数。 还包括一组结果，取这个的 mean() 和 std() 看看过滤器有多好。 如果实现良好，输入应该等于输出，运行 200 次。 详情见； http://www.bankofcanada.ca/en/res/wp/2001/wp01-15a.pdf 和/或Ren-Raw Chen 和 Louis Scott，“期限结构的多因素 Cox-Ingersoll-Ross 模型：来自卡尔曼滤波器模型的估计和测试”，《房地产金融与经济杂志》27，第 2 期。 2 (2003)：143-172。 等等。 请评论或留下建议。 感谢法案，提交 #27493 包含在 BSD 中

3 .m 文件，1) 使用 vasicek 模型模拟期限结构，2-3) 进行此模拟并估计模型的参数。 如果实现良好，输入应该等于输出，运行 200 次。 详情见； http://www.bankofcanada.ca/en/res/wp/2001/wp01-15a.pdf 和/或Ren-Raw Chen 和 Louis Scott，“期限结构的多因素 Cox-Ingersoll-Ross 模型：来自卡尔曼滤波器模型的估计和测试”，《房地产金融与经济杂志》27，第 2 期。 2 (2003)：143-172。 等等。 请评论或留下建议。