一种计算机并行数据通讯的解析与监听

讨论了对Siemens R30计算机间并行数据通讯的解析与监听系统设计实现问题.通过解析并行数据通讯协议及线序和对监听系统的硬件电路设计及软件设计,实现了对SiemensR30计算机间的并行通讯监听和由基于Windows系统下的PC机向Siemens R30计算机的报文发送.系统的硬件电路由接收接口电路、光电隔离电路、CPLD控制电路和单片机控制电路四个主要部分组成;软件部分由CPLD程序、单片机程序和微机程序三个主要部分组成,微机程序采用了报文信息接口AMI(Alarm Message Interface)消息机制进行数据分发.该监听系统在某冷轧厂在线投入,运行稳定可靠,满足了研发需要.     

基于非集计模型的中长途客运旅客选择方式

近年来,随着我国高铁的快速发展,给公路客运产生了巨大的冲击。为了提高公路客运企业竞争力,结合中长旅客出行需求和发展态势,笔者从旅客特性、出行特征、运输方式特性等角度,分析了旅客出行行为偏好影响因素,构建了基于非集计的多元Logistic旅客选择方式回归模型。论文依据北京公路客运数据,对0～400km和400～800km的中短途和中长途旅客出行选择行为进行了敏感度分析实验。实验表明,0～400km中短途出行的旅客对便捷性和准时性的敏感度高,而400～800km中长途出行的旅客对出行费用、出行时间、舒适性和安全性的敏感度高。     

山区公路曲线路段汽车轨迹模式与切弯行为

为了明确山区公路曲线路段上的汽车轨迹形态和驾驶风格,使用小客车在山区复杂线形公路上开展了实车驾驶实验.记录了自然驾驶状态下男性驾驶人的行驶轨迹,分析了行驶轨迹相对于行车道中线的横向偏移特性,运用聚类方法识别了曲线路段的轨迹行为模式.结果发现:根据轨迹横向偏移率的聚类结果,山区公路曲线路段有6种轨迹模式,具有明显的多样性特征;切弯是曲线路段占主导的过弯方式,按照切弯点位置以及前后的轨迹形态,切弯又可进一步细分为多种类型;行驶轨迹的横向偏移导致了车道偏离,其中非预期偏离由于存在较高的事故风险,应进行防范和控制;平曲线半径越小,切弯效应越大,事故风险可控,驾驶人越倾向于采用切弯方式来通过弯道,曲线路段是否发生切弯行为的临界半径值为200 m.     

基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,本文提出一种利用改进SegNet网络算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet网络算法改为非对称结构对车道线作逐像素提取：利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。该算法在香港中文大学的 CULane 数据集和图森未来的TuSimple数据集上进行了训练与测试,该算法对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为 94.60%,每帧检测耗时提升53毫秒。     

冷连轧优化计算机嵌入式仿真系统研究

阐速了实现嵌入式仿真系统的一般方法，结合某冷轧厂技术改造过程中优化控制机功能移植与改造的应用需求，实现了一个嵌入式仿真系统，解决了技术改造的瓶颈，该嵌入式仿真系统为轧制、控制等模型的研究提供了一个模型试验平台，能够进行在红或离线的模型仿真试验。该系统在某冷轧厂在线投入，运行稳定可靠满足了实际需要。     

基于特征光流的多运动目标检测跟踪算法与评价

光流车辆检测算法其光流不仅携带了运动物体的运动信息,还包含丰富的三维结构信息,能够在未知场景信息的情况下对运动目标进行准确检测;但传统光流法计算方法复杂、抗噪性能差、处理速度缓慢,无法满足多目标实时检测的实际需求。为提高光流法实时检测效率,同时保持较好的检测精度,提出了一种基于Harris特征点光流及卡尔曼滤波模型的多运动目标跟踪算法;并提出新的视频目标检测算法性能评价指标。通过对不同实验场景下多个运动目标的检测与跟踪实验统计结果表明,对比主流Meanshift车辆跟踪算法,检测精度平均提高4.61%;且跟踪持续性提升41.5%,具有更好的鲁棒性及准确性。在时间效率上较比传统光流法平均提升42.9%,能够更好地满足目标跟踪实时性要求。     

基于DBSCAN算法的城市车辆出行次数建模及应用

车辆出行次数是城市车辆出行的基本特征之一,一般采用抽样调查获得。利用城市车辆RFID(radio frequency identification)出行数据,提出了一种基于DBSCAN(density-based spatial clustering of application with noise)算法的车辆出行次数计算方法。首先,利用k-差值法计算出DBSCAN算法中ε-邻域半径;然后,利用车辆一周(月、季度、年)的RFID轨迹链数据进行DBSCAN密度聚类,获取车辆出行时间特征和出行次数。实验表明,该方法具有较高的准确性,实现简单。     

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2. 5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。