行业-电子政务-综合模块化航空电子系统中的卡尔曼滤波系统.zip

针对利用平方根无极卡尔曼算法估算电池SOC时,因噪声协方差为常量带来的误差,在平方根无极卡尔曼滤波(SR-UKF)算法的基础,改进了算法,把每次测量的输出值残差的协方差作为噪声的协方差,得到自适应平方根无极卡尔曼滤波算法,使得噪声协方差随时间的更新而更新,解决了噪声协方差为常量带来的误差。实验表明,利用自适应平方根无极卡尔曼滤波算法对在常温下电池放电过程的SOC估计,精确度在总体上得到了提高,在电池工作区间0.2≤YSOC≤0.9内估计误差在1.5%以内。自适应平方根无极卡尔曼滤波算法对电池常温放电过程的SOC估计能满足电动汽车电池SOC估计的实际要求。

压缩包内有MPU6050DMP及PID、四元数、卡尔曼滤波等知识详解

Mixed Kalman-Fuzzy Sliding Mode State Observer in Disturbance Rejection Control of a Vibrating Smart Structure

卡尔曼滤波论文和excel实验

用matlab画误差椭圆代码我的多机器人仿真环境 ME740智能力学课程项目 这种环境将对两种动力学实施三种多机器人控制策略。 控制策略：虚拟结构，基于行为的控制，领导者跟随者控制。 动力学：差动驱动动力学，全向动力学。 去做： 1.将行为添加到基于行为=的控制中； 2.尝试基于行为模型的强化学习； 介绍 在控制多个机器人系统方面有理论上的观点：集中式系统和分散式系统。 在集中式系统中，中央单元负责为单个视觉对象做出决策并监视错误信息的完成。 交流只发生在中央单位和个人之间，而不是个人之间。 在分散的系统中，个人观众可以相互交流并共享信息。 每个人都负责全球任务的一部分。 虚拟结构[2]是集中式系统控制策略的一个示例，其中中央单元控制着系统中所有机器人的运动。 基于行为的策略[3]用于分散系统。 每个机器人都有一个内部有限状态机。 fsm中的状态对应于不同的电机模式。 在运行期间，机器人会在不同的电机模式之间切换（通过状态之间的切换）以实现其单独的目标。 领导者跟随策略[4] [5]是集中式系统和分散式系统的混合体。 领导者由中央单元控制，而跟随者则使用传感器数据自行操作。 信息 先决

一致性卡尔曼滤波MATLAB仿真

提出一种基于变分贝叶斯(VB)的自适应卡尔曼滤波器(VBAKF)，用于处理过程和测量噪声协方差矩阵不准确的线性高斯状态空间模型。

卡尔曼滤波算法与FPGA实现方法

数据融合matlab代码KFNN大师 基于卡尔曼滤波的多神经网络融合代码 整个系统由两部分组成：神经网络的噪声估计和基于kfnn的多神经网络的融合。 数据集 神经网络的噪声估计和融合性能评价。 应用./ImageNet/val.py处理ImageNet并将数据组织为以下结构。 /ImageNet /val /n01440764 images /n01443537 images /train /test ImagNet中的预训练模型 借助中提供的开放式预训练模型，我们使用了16种经典的预训练模型作为基准，包括NASNetlarge，AlexNet，DenseNet121，ResNet18，ResNet34，ResNet50，ResNet101，ResNet152，VGG11，VGG11_bn，VGG13，VGG13_bn，VGG16，VGG16_bn，VGG19， VGG19_bn 。 我们分别评估了它们在ImageNet上的性能。 我们按照，完成了预训练模型的下载和应用。 验证集的准确性（单个模型） 在我们的机器上，下表显示了预训练模型的验证准确性。 预训练模型 帐户@ 1 NASNe