LSTM再炫技！与卡尔曼滤波结合，成高区“新红人”！

今天给大家推荐一个发顶会新赛道：LSTM+卡尔曼滤波！

其把深度学习与传统滤波算法结合，克服了过往思路的诸多局限（ 非线性数据处理能力差、动态适应性不足、噪声不明显……），为复杂时间序列预测和状态估计任务提供了新方案，且效果显著！有研究便通过改思路，在电力系统的动态状态估计任务中，取得了误差狂降5.99倍的优秀成果！

此外，其也拓展了滤波算法的应用范围，不仅以往的任务可以用该思路重做一遍；我们还可以结合新的场景，做微创新，可挖掘空间很广。

为让大家能够早点发出自己的顶会，我给大家准备了15种前沿创新思路，原文和源码都有，相信能够给你带来更多idea启发！

论文原文+开源代码需要的同学看文末

论文：State-of-charge estimation of Lithium-ion battery:Joint long short-term memory network and adaptive extended Kalman filter online estimation

内容

该论文提出了一种结合长短期记忆网络（LSTM-RNN）和自适应扩展卡尔曼滤波器（AEKF）的锂离子电池荷电状态（SOC）在线估计算法。该算法通过预训练的LSTM-RNN模型生成初始SOC估计值，并将其作为反馈输入到AEKF中进行修正，以实现高精度的SOC估计。

论文：Deep Learning Based Kalman Filter for GNSS/INS Integration: Neural Network Architecture and Feature Selection

内容

该论文提出了一种基于深度学习（DL）的卡尔曼滤波算法，用于全球导航卫星系统（GNSS）和惯性导航系统（INS）的融合。该算法通过将深度神经网络（DNN）嵌入到误差状态扩展卡尔曼滤波器（ES-EKF）中，学习系统的复杂动态特性，并优化卡尔曼增益以及惯性测量单元（IMU）的误差估计。

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

内容

该论文提出了一种基于扩展卡尔曼滤波（EKF）和长短期记忆（LSTM）神经网络的修正模型，用于提高扩散荧光层析成像（DFT）的图像重建性能。该方法通过结合EKF的先验信息和测量误差处理能力，以及LSTM对时间序列数据的挖掘能力，有效改善了DFT重建中的不适定性问题，提高了成像质量和速度。

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

内容

该论文提出了一种基于端云协作的锂离子电池健康状态（SOH）估计方法，结合了云端的深度学习模型（基于双向长短期记忆网络Bi-LSTM和注意力机制）和端侧的快速经验模型（双指数模型），通过扩展卡尔曼滤波器（EKF）进行结果融合与迭代更新。该方法利用多特征分析（包括增量容量分析ICA和差分热伏安法DTV）提取与电池退化强相关的特征，确保模型输入的相关性和鲁棒性。

 关注下方《人工智能学起来》

回复“长短卡尔曼”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏