正在爆发！“LSTM+卡尔曼滤波”成论文新赛道！

分享一个新兴又活跃的方向： LSTM+卡尔曼滤波 。核心思想是结合两者各自优势（LSTM的时序建模能力+卡尔曼滤波的动态状态估计），以提高系统的性能和准确性，非常适用于多种时间序列预测和状态估计任务。

这方向属于深度学习与传统滤波算法的交叉领域，目前处于技术上升期，在自动驾驶、无人机跟踪、传感器融合等领域都有很大需求， 论文发表潜力高，且容易结合具体场景提出创新方案。

这边推荐从 参数自适应、噪声建模、多传感器融合 等入手做创新，未来也可考虑模型可解释、训练数据需求、参数耦合问题...如果需要参考，可以看我整理的 12篇 LSTM+卡尔曼滤波前沿论文 ，无偿分享，觉得有用点个赞支持一下~

扫码添加小享， 回复“ 长短卡尔曼 ”

免费获取 全部论文+开源代码

Performance enhancement of diffuse fluorescence tomography based on an extended Kalman filtering-long short term memory neural network correction model

方法： 本文提出了一种结合半迭代扩展卡尔曼滤波（SEKF）和长短期记忆网络（LSTM）的后处理算法，以改善漫射荧光断层成像（DFT）的图像重建质量和速度，通过数值模拟、人体模型和体内实验验证其性能。

创新点：

• 结合半迭代扩展卡尔曼滤波（SEKF）与长短期记忆（LSTM）神经网络的后处理算法，显著提高了漫射荧光层析成像（DFT）重建的图像质量和成像速度。
• SEKF-LSTM算法在体内实验中实现了最高的对比噪声比（CNR）和最接近真实值的半高全宽（FWHM），这表明其具备最佳的抗噪能力和高空间分辨率。

An end-cloud collaboration approach for state-ofhealth estimation of lithium-ion batteries based on biLSTM with collaboration of multi-feature and attention mechanism

方法： 文章介绍了一种基于端云协作的锂离子电池健康状态估计方法，其中涉及到了双向长短期记忆网络（Bi-LSTM）和扩展卡尔曼滤波（Extended Kalman Filter, EKF）的结合。在NASA数据集上的实验证明了其高精度和实时监测潜力。

创新点：

• 通过整合独立成分分析（ICA）和差分热伏安法（DTV），从电池老化过程中提取出与电池衰退高度相关的特征。这些特征的提取和使用增强了输入数据的稳健性和信息量。
• 提出了端云协作的架构，通过在端侧实施快速经验模型和在云侧部署高精度深度学习模型，实现了实时性和高精度的平衡。

扫码添加小享， 回复“ 长短卡尔曼