基于时空贝叶斯模型的行程时间可靠性预测

为了全面、准确地分析路段行程时间的时空分布,将路段的时间序列和空间关联关系纳入两个邻近路段的行程时间可靠性预测过程.在时间维度上,通过广泛使用的卡尔曼滤波预测行程时间;在空间维度上,根据离散马尔科夫链构建上下游路段行程时间的关联模型.进而构建了时空贝叶斯模型(ST-BM),将时间维度和空间维度的行程时间分布进行融合,从而预测路段行程时间可靠性.实例分析结果表明,相比于先验分布数据,文中模型将两个实测邻近路段的可靠性预测误差分别降低了45.7%和29.2%,验证了ST-BM模型的有效性.     

基于灰关联熵的网络安全态势kalman预测算法

在评估当前网络安全态势的基础上,掌握未来一段时间的网络安全态势,能够为网络管理者做出安全防护的决策提供有效的信息。利用网络安全态势值具有非线性时间序列的特点,提出一种基于灰关联熵的网络安全态势卡尔曼预测算法。首先应用灰关联熵分析方法对网络安全态势的各种影响因素做关联度分析,由此选出关键影响因素,接着根据这些影响因素建立相应的过程方程和预测方程。最后应用卡尔曼滤波递推地进行网络安全态势预测。实验结果表明该算法的预测精度优于传统的GM(1,1)算法和普通卡尔曼算法,算法适应性和实时性优于RBF算法。     

基于灰色关联与投影算法的铁路货运量影响因素分析

影响铁路货运量的因素繁多而复杂,每个因素的影响程度都不一样,影响因素的筛选与排序直接决定铁路货运量预测工作的可靠性。灰色关联法是通过数据序列曲线发展态势的相似程度来判断数据序列的联系是否紧密,投影算法是从宏观角度判断两个数据序列的接近程度。结合灰色关联法和投影算法的优点,构造数据序列排序模型,对各影响因素数据序列进行定量分析,为货运量预测的可靠性提供数据基础。实例分析铁路货运量的影响因素的影响力并进行分析排序,为影响因素的定量分析提供新的思路。     

机场道面使用性能的动态自回归预测模型

针对我国机场道面性能观测时间短,观测数据少,使用现有模型预测精度低,不能根据观测值动态更新预测模型等现状,提出了将卡尔曼滤波应用于时间序列预测的方法,建立了动态自回归预测模型,进行机场道面使用性能的预估.选取我国华东某机场的实测道面状况指数为基础数据,进行时间序列建模,应用卡尔曼滤波算法实现时间序列模型参数的实时更新,分析模型的预测效果.时间序列数据较少时,难以建立高精度的自回归模型,通过卡尔曼滤波处理建立的动态自回归预测模型精度明显提高.     

基于萤火虫算法优化BP神经网络的公交行程时间预测

通过对公交车辆行驶特性以及行驶环境的实际分析,本文确立了影响公交车辆行程时间的几个关键因素:天气状况、时间段(高峰/平峰)、交通流量以及路段长度。结合BP神经网络具有的非线性映射能力、自学习和自适应能力、泛化能力强和萤火虫算法的参数少、操作简单、稳定性好等优点,本文提出一种利用萤火虫算法对BP神经网络进行优化的算法,以减少神经网络的训练时间和提高其预测稳定性。然后利用GPS数据和实时采样数据对神经网络进行训练和建模,实现公交车辆行程时间的准确预测。将该优化算法与传统的BP神经网络算法和卡尔曼滤波算法用MATLAB分别仿真测试,对比结果显示,该算法对公交行程时间的预测具有更高的准确性且结果更加稳定。     

卡车路段行程时间的实时动态预测

分析了建立卡车路段行程时间预测模型传统方法的不足，考虑到高度非线性的露天矿运输系统有别于公路交通系统，针对卡车运行时间的随机性，采用多因子预测，阐述了应用人工神经网络(ANN)原理和方法对卡车路段行程时间预测的可能性和优越性，建立了预测模型的基本结构，描述了行程时间与其影响因素间的非线性映射关系，从而提出了基于人工神经网络原理的行程时间预测模型。     

基于组合预测模型的飞机刹车系统性能趋势预测分析

为了对飞机刹车系统进行性能趋势预测分析,提出一种灰色关联分析确定权重的组合预测方法。首先,利用BP神经网络(back propagation network,BP)对刹车片的累积磨损量进行预测,得到网络输出序列与向后预测序列。对于灰色预测(grey model,GM)模型利用粒子群(particle swarm optimization,PSO)对其优化;用粒子群优化灰色模型(particle swarm optimization-grey model,PSO-GM)进行预测得到拟合序列与向后预测序列。在此基础上对BP网络输出序列、PSO-GM(1,1)拟合序列与原始数据序列进行灰色关联分析,确定组合加权的权重。最后对各预测模型的向后预测序列用灰色关联分析法得到的权重进行组合加权,得到最终的刹车片累积磨损量趋势预测值。仿真结果表明,采用灰色关联分析确定权重的组合预测方法具有比单预测模型更好的趋势预测效果,具有对刹车系统性能趋势预测分析很好的实际应用价值。     

基于宏观交通流模型的行程时间预测

以高速道路为研究对象,概述了宏观交通模型的基本方程,提出了一种基于宏观交通模拟的路径行程时间预测方法．预测方法以宏观模型输出的速度为基础计算路径行程时间,能够考虑交通拥堵以确保行程时间预测结果更合理．预测方法包含一般计算方法、由路段行程时间合成的方法（近邻组合法）这两种计算方法,后者用以加快计算速度,确保预测能够适用于较大规模路网．算例分析说明了预测方法的有效性．     

基于卡尔曼滤波的混沌系统辨识

通过建立一种对混沌时间序列进行有效预测的方法构架,试图实现尽可能长期的混沌预测,并重构序列的主动态方程,以便于进一步的分析研究,根据非线性系统的一般框架,首先基于所观测时间序列的基本混沌特性寻找一典型混沌方程作为参考的系统动态方程;然后利用扩展卡尔曼滤波递推得到一动态方程式来逼近系统特性,重构混沌相空间吸引子,仿真结果表明,该方法可以实现较高精度的多步预测并有效地重构系统方程。     

时间序列关联分析的灰色方法

给出了一种新的灰色关联度，讨论了其性质，并将它引入到时间序列的关联分析中．得到了时间序列关联分析的灰色方法．     

不完全量测下的Cubature卡尔曼滤波方法

提出了一种不完全量测下的Cubature卡尔曼滤波方法,该方法在Cubature卡尔曼滤波算法的基础上,建立了量测滞后下的状态空间模型,利用采样点状态扩维的方法对状态估计值进行更新,并给出了不完全量测下的Cubature卡尔曼滤波算法的实现流程。仿真实验表明,不完全量测下的Cubature卡尔曼滤波方法可以用于处理量测信息采样时间和延时时间都不确定的情况,在处理不完全量测下的高维强非线性系统状态估计时计算量小,具有较高的估计精度。     

Federal extended Kalman filter based on reconstructed observation in incomplete observations

In the estimation and identification of nonlinear system state,aiming at the adverse effect of observation missing randomly caused by detection probability of used sensor which is less than 1,a novel federal extended Kalman filter( FEKF) based on reconstructed observation in incomplete observations( ROIO) is proposed in this paper. On the basis of multi-sensor observation sets,the observation is exchanged at different times to construct a new observation set. Based on each observation set,an extended Kalman filter algorithm is used to estimate the state of the target,and then the federal filtering algorithm is used to solve the state estimation based on the multi-sensor observation data. The effect of the sensor probing probability on the filtering result and the effect of the number of sensors on the filtering result are obtained by the simulation experiment,respectively. The simulation results demonstrate effectiveness of the proposed algorithm.     

CDMA蜂窝系统中的TDOA／AOA混合定位算法

CDMA蜂窝系统由于存在“听力”问题而影响了定位效率。TDOA／AOA混合定位方法可以解决这个问题。提出了一种TDOA／AOA定位方案．建立了数学模型,并提出2种定位方程的解算方法：Taylor级数展开的LS估计和Kalman滤波。仿真结果表明：TDOA／AOA混合定位的性能要优于TDOA单一定位;基于Kalman滤波的定位算法性能优于Taylor级数展开的LS估计。     

Kalman滤波在液压电机故障诊断中的应用

针对液压电机故障信号的特性,介绍了Kalman滤波及其递推算法在信号处理上的应用给出了时间序列自回归(AR)模型建立信号状态方程和观测方程的方法,并在这两个方程的基础上结合Kalman递推算法对信号进行滤波.通过有效的仿真和实际验证表明:利用Levinson-Durbin算法获得AR系数建立信号模型,再通过Kalman递推能够有效的达到滤波的效果.     

纯量谱分解的Gevers-Wouters算法收敛性分析

滑动平均(MA)模型参数估计问题等价于一个谱分解问题,用Kalman滤波方法基于MA模型到状态空间模型的变换,证明了纯量可逆的MA模型参数估计的Gevers-Wouters算法的一致性和指数收敛性,且证明了收敛速度由MA多项式的零点决定。当MA多项式的零点不接近单位圆周时,Gevers-Wouters算法可高精度快速给出MA参数估值,是一种快速、简单、有效的谱分解算法,为状态估计、信号处理、时间序列分析、系统辨识提供了一种重要的工具。     

锂离子电池参数辨识与SOC估算研究

电池SOC的估算精度是影响电动汽车性能的重要因素之一.针对传统的卡尔曼滤波方法在滤波时,需要已知系统噪声统计特性这一问题,本文在采用RC等效电路模型,运用多元线性回归方法辨识得到电池模型参数后,提出了采用模糊自适应卡尔曼滤波算法来估算电池SOC.城市道路循环工况仿真对比结果表明,该算法相比传统卡尔曼滤波方法具有更高精度,且能够将误差保持在2%以内,较好地提高了SOC估算精度.     

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

基于改进扩展卡尔曼滤波的爬架运行安全姿态估计

为了实时准确的获取爬架运行时的姿态信息，提出了一种基于改进Sage-Husa扩展卡尔曼滤波算法（ISHEKF）的爬架姿态估计方法。首先建立了爬架姿态估计模型，然后在扩展卡尔曼滤波（EKF）对传感器进行融合滤波时，加入Sage-Husa扩展卡尔曼算法（SHEKF）对时变噪声进行调节，再以协方差匹配技术对Sage-Husa进行滤波发散判定，通过在调节因子中引入爬架实时运动速度，改进滤波发散判定依据，从而满足爬架运行时高精度的滤波要求。实验结果表明：静态实验中以横滚角为例，ISHEKF的最大误差较SHEKF减少了21.9%，较EKF最大误差减少了70.8%；动态实验中ISHEKF表现出更好的稳定性和滤波精度，能够准确反映爬架运行的状态变化。     

Multi-sensor federated unscented Kalman filtering algorithm in intermittent observations

Aiming at the adverse effect caused by limited detecting probability of sensors on filtering precision of a nonlinear system state,a novel multi-sensor federated unscented Kalman filtering algorithm is proposed.Firstly,combined with the residual detection strategy,effective observations are correctly identified.Secondly,according to the missing characteristic of observations and the structural feature of unscented Kalman filter,the iterative process of the single-sensor unscented Kalman filter in intermittent observations is given.The key idea is that the state estimation and its error covariance matrix are replaced by the state one-step prediction and its error covariance matrix,when the phenomenon of observations missing occurs.Finally,based on the realization mechanism of federated filter,a new fusion framework of state estimation from each local node is designed.And the filtering precision of system state is improved further by the effective management of observations missing and the rational utilization of redundancy and complementary information among multi-sensor observations.The theory analysis and simulation results show the feasibility and effectiveness of the proposed algorithm.