买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京交通大学申请的专利一种基于高阶扩展卡尔曼滤波器的高速列车状态获取方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119150557B 。

龙图腾网通过国家知识产权局官网在2026-02-10发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411277399.8，技术领域涉及：G06F30/20；该发明授权一种基于高阶扩展卡尔曼滤波器的高速列车状态获取方法是由文韬;姜皓设计研发完成，并于2024-09-12向国家知识产权局提交的专利申请。

本一种基于高阶扩展卡尔曼滤波器的高速列车状态获取方法在说明书摘要公布了：本发明提供了一种基于高阶扩展卡尔曼滤波器的高速列车状态获取方法。该方法包括：建立列车不同运行状态下的动力学模型；利用所述列车不同运行状态下的动力学模型后，构建列车的扩展卡尔曼滤波器状态估计误差协方差矩阵；建立高速列车运行过程中不同运行状态的系统模型，根据所述列车的扩展卡尔曼滤波器状态估计误差协方差矩阵和所述系统模型获取高速列车状态信息。本发明通过对列车的不同运行状态如加速、空气制动、黏着制动等进行深入的动力学分析，能够更好地捕捉列车在这些状态下的复杂动态行为，提高了定位系统在各种运行条件下的适应性和可靠性。

本发明授权一种基于高阶扩展卡尔曼滤波器的高速列车状态获取方法在权利要求书中公布了：1.一种基于复杂非线性动力学模型的高速列车定位方法，其特征在于，包括： 建立列车不同运行状态下的动力学模型； 利用所述列车不同运行状态下的动力学模型后，构建列车的扩展卡尔曼滤波器状态估计误差协方差矩阵； 建立高速列车运行过程中不同运行状态的系统模型，根据所述列车的扩展卡尔曼滤波器状态估计误差协方差矩阵和所述系统模型获取高速列车状态信息； 所述的利用所述列车不同运行状态下的动力学模型后，构建扩展卡尔曼滤波器状态估计误差协方差矩阵，包括： 扩展卡尔曼滤波器滤波方法包括两个阶段：预测阶段和更新阶段； 预测阶段：根据高速列车的动力学分析和观测传感器方程得到了高速列车运行过程中的状态为非线性观测为线性的系统模型，该系统模型包括所述列车制动模型、速度传感器模型、牵引巡航滑行模型和列车运行观测模型： xk+1＝fxk+wk yk+1＝Hk+1xk+1+vk+1 其中，f·是具有任意阶连续可微分性的非线性状态函数，Hk+1是测量转移矩阵；xk是n维状态向量，wk是n维状态模型建模误差向量，yk+1是m维测量值向量，hxk+1是m维测量函数向量，vk+1是m维测量模型建模误差向量； 已知条件：k时刻原始状态的估计值和估计误差协方差矩阵 其中，为k时刻原始状态的估计值，为k时刻原始状态的估计误差协方差矩阵； 通过先求取k时刻状态高阶特征估计信息 其中 其中，为原始估计误差的l阶Kronecker集，为l阶的估计值，为l阶的估计误差协方差矩阵； 是原始估计误差的l阶克罗尼克积； 建立此类非线性系统状态估计基于高阶特征的高精度高阶扩展卡尔曼滤波 其中，r代表对非线性状态模型进行r阶Taylor展开逼近，为下一时刻的状态估计值，Pk+1|k+1为下一时刻的状态估计误差协方差矩阵； 假设，利用非线性状态模型在处进行i＝2,3,…,l阶Taylor展开，已获得 进一步递归获得： 先有基于线性状态模型在处的l阶Taylor展开式 其中，xlk+1为状态值，为一步预测值，为一步预测误差值； 得到基于非线性状态模型l阶Taylor展开的一步预测估计值 一步预测估计误差值 一步预测估计误差协方差矩阵 其中，xlk+1,和Pxx,lk+1|k和的下标“l”，表示是基于非线性状态模型在处的l阶Taylor展开式得到的； 进一步地，将非线性状模型在处进行l+1阶Taylor展开 其中 将上式代入线性测量模型，有 其中，yk+1为测量值，Aik为泰勒展开后对应的雅各比矩阵；经过同类项合并，整理后有关于被辨识量的测量方程有： 其中 上式中 其中，为构造的新观测方程中的观测值，为构造的新观测噪声的估计值，为构造的新观测噪声的估计误差协方差矩阵； 对式利用欠最小二乘法，有 计算被量的期望估计值 计算被量的期望估计误差值 计算被量的期望估计误差协方差矩阵 到此，获得了 其中，为l+1阶状态估计误差值，为被量的期望估计值，为被量的期望估计误差值,为被量的期望估计误差协方差矩阵 更新阶段： 基于r阶Taylor展开式 有一步状态预测估计值 一步状态预测估计误差值 一步状态预测估计误差值协方差矩阵 基于测量方程式有一步测量预测估计值 一步测量预测估计误差值 计算扩展卡尔曼滤波器状态估计误差 和测量值直和分解 利用正交原理 得到关于扩展卡尔曼滤波器增益矩阵Krk+1的求解方程 对上述方程进行求解，得到扩展卡尔曼滤波器增益矩阵Krk+1的解析表达式： 其中，状态预测估计误差与测量预测估计误差互协方差矩阵为： 测量预测估计误差自协方差矩阵为： 基于公式 得到下一时刻的列车的状态估计值； 进行高阶扩展卡尔曼滤波器状态估计误差协方差矩阵计算： 得到列车的扩展卡尔曼滤波器状态估计误差协方差矩阵为：

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京交通大学，其通讯地址为：100044 北京市海淀区西直门外上园村3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。