基于严密Helmert方差分量估计的动态Kalman滤波

针对Kalman滤波模型推导了严密的Helmert方差分量估计公式.在此基础上,构建了方差分量估计辅助的Kalamn滤波解,改进的Kalman滤波与标准Kalman滤波的计算过程基本相同.推导了方差分量估计对Kalman滤波解的影响.理论推导和计算结果均表明,Helmert方差分量估计辅助的Kalman滤波能够合理调控动力学模型误差的影响,合理平衡观测信息与动力学模型信息对Kalman滤波解的贡献,提高状态参数估计的精度;严密Helmert方差分量估计与简化Helmert方差分量估计辅助的Kalman滤波解基本等效.     

基于Kalman滤波的地铁换乘客流预测

针对地铁换乘通道的换乘客流量,提出了利用Kalman滤波进行短时客流量预测的方法.基于Kalman滤波原理对地铁换乘客流系统构建状态方程,并根据历史数据对状态方程中的状态转移矩阵进行标定,然后运用灰色关联分析的方法来确定该状态转移矩阵在待预测时间序列上的值,进而实现客流量的预测.以北京地铁西单站换乘通道为例,从平日和假日两方面分别对该换乘通道一周内,早高峰时期客流量进行了短时预测.     

Kalman滤波的发散现象及其克服方法

指出了Kalman滤波可能出现的发散现象，分析了产生的原因，通过实例的讨论，提出了一种克服发散的方法。     

基于Kalman滤波的自适应MIMO信道估计

给出了一种基于Kalman滤波的自适应MIMO信道估计方法，分析了算法的剩余误差能量随迭代次数增加的变化情况，对饱和MIMO系统和欠饱和MIMO系统，分别采用Kalman自适应MIMO信道估计方法和最大似然信道估计方法，进行了数值仿真和对比。从对比的结果来看，文中给出的Kalman自适应信道估计具有和最大似然信道估计相近的性能，而在饱和系统中，Kalman估计算法性能要略好一些。     

基于二次指数平滑法和优化Kalman滤波的短时交通组合预测

优化改进传统的Kalman滤波模型,解决预测精度不高且预测滞后的问题.用二次平滑指数法和优化后的Kalman滤波模型两种方法组合对道路断面通过交通量进行短时交通预测,通过平均绝对误差(MAE)和平均绝对百分比误差(MAPE)分析预测结果.实例预测结果表明:当修正因子α=0.5时预测结果较为精确,同时,优化改进后的Kalman滤波模型的预测准确性有所提高.组合预测的两种方法都能够有效地降低预测误差,但按权重组合预测的效果更为明显.     

径向速度测量在Kalman滤波中的应用

研究一种把径向速度测量引入Kalman滤波的新方法.在分析传感器噪声特性以及测量方程结构的基础上,提出优先处理位置测量数据,然后利用位置矢量的滤波值改进对径向速度测量方程的伪线性表述,从而得到一种序贯处理、伪线性结构的滤波算法.从理论上分析了该算法的稳定性.蒙特卡洛仿真说明该算法不仅克服了推广Kalman滤波(EKF)暂态性能差的缺陷,而且其稳态性能也略优于EKF.     

基于神经网络和混沌理论的短时交通流预测

文章通过分析短时交通流量数据在时间序列上的特点，结合神经网络和混沌理论，从非线性时间序列预测的角度对交通量预测进行探讨。并用该方法对广州至佛山高速公路交通流进行了预测，取得了较为满意的效果。     

基于Kalman滤波的目标轨迹预测

Kalman滤波器在各个领域都有广泛的应用,如航天器的轨道计算、雷达目标跟踪、生产过程的自动控制等．卡尔曼滤波器在机动目标跟踪中具有良好的性能,它是一种最佳估计并能够进行递推计算．但以Kalman滤波方法预测的过程需要对目标的运动方程有准确了解而且要求系统的过程与测量噪声为高斯噪声且相互独立,这在实时跟踪过程中都是很难满足的．本文利用基于Matlab编程的Kalman滤波改进算法实现目标预测跟踪,并绘出目标质心轨迹坐标．     

基于Kalman滤波的多尺度融合估计新算法

将信号的多尺度分析方法与多传感器数据融合技术相结合，基于某一尺度上给定的状态模型和在不同尺度上拥有不同采样率的多传感器分布式动态系统，提出了一种新的基于Kalman滤波的多尺度融合估计算法；在最细尺度上获得了基于全局信息的融合估计值；计算机仿真验证了算法的有效性。     

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.     

灰色马尔柯夫模型在交通量预测中的应用

交通量预测是道路交通规划与路面设计的基础,由于影响交通量生成和增长的因素具有层次复杂性、关系模糊性、动态变化随机性和指标数据不确定性等,从而导致交通量的预测结果与路面实际运营数量之间有较大差异.本文利用改进的灰色GM(1,1)预测模型和马尔柯夫随机过程理论,建立了交通量的灰色马尔柯夫预测模型.实例计算分析表明,该模型具有较强的适用性,预测得到的交通量数据具有较高的精度和可靠度.     

基于卡尔曼滤波理论的实时交通信号控制研究

针对城市交通信号灯单独控制,以及信号配时固定等问题,提出一种基于卡尔曼滤波理论的实时交通信号控制方法。该方法利用卡尔曼滤波理论,对通过道路交叉口下阶段交通流量进行预测,并更新交通信号配时。通过对交叉口高峰小时交通流量实时调研,采用卡尔曼滤波理论预测交通流量后,对信号配时进行实时优化,并采用VISSIM软件对此交叉口进行仿真,仿真结果表明,车辆排队长度缩短,停车次数下降,通行效率得到大幅提高。     

基于卡尔曼滤波的需求预

针对客户订单与市场真实需求之间的差异,建立了基于卡尔曼滤波原理的社会需求预测模型,并利用某烟草公司的卷烟销售数据对模型进行验证分析,实证数据表明,该模型在一定程度上比较有效.     

无线传感器网络卡尔曼流量预测算法

基于通用网络流量模型,采用时间序列建模,提出了一种专用于无线传感器网络的卡尔曼流量预测算法KTP/WSN.通过NS2仿真采集流量数据,使用该算法对流量数据进行预测.结果表明,该算法可以提前一个甚至几个周期预测网络节点的拥塞情况,提前做好路由选择,实现路由自适应控制,预测值和原始值偏差很小.进一步进行流量预测可对网络的占空比、能耗等做到提前自适应控制.     

基于HALRTC理论的短时交通流预测算法

针对目前短时交通流预测算法多考虑交通流的低维信息特征,导致无法满足预测精准度要求等问题,引入高精度低秩张量填充理论（HALRTC）,构建基于周、天、时段等多时间维度的动态张量模型,设计了一种融合高维交通流特征的短时交通流预测算法,并以京港澳高速公路杜家坎路段交通流速度数据为例进行实证验证。研究结果显示,算法能够基于较少历史数据较快达到良好预测效果,可有效实现针对工作日与非工作日的交通流预测,平均绝对误差（MAE）平均值约为3.6%,并能及时跟踪交通流波动性。在缺失数据情况下,所提出算法预测精度随数据缺失比例增大而降低,但相较于3种经典预测算法可表现出更好的预测精度。     

基于GA-tBP模型的城市道路交通量预测

针对城市道路交通量时间差异性强的问题,提出了一种使用遗传算法(genetic algorithm,GA)优化BP(back propagation)神经网络并考虑时间特性的模型(GA-tBP)预测道路交通量。从月、周、日3个维度统计分析了历史交通量数据存在的差异,得出影响城市道路交通量的时间因素。以江西省南昌市赣江中大道交通量为例,对未来24 h内每5 min交通量进行预测,对比分析了不同模型在预测精度和学习能力等方面的表现。研究结果表明,同不考虑时间特性的模型及其他传统预测模型相比较,GA-tBP模型的预测效果最好,其均方误差(mean squared error, MSE)及平均绝对误差(mean absolute error, MAE)分别为14.87 veh/5 min和2.44 veh/5 min,故该模型具有可行性和有效性。     

高速公路城市化路段短时交通量预测方法研究

在对高速公路进出城路段交通拥堵现象产生原因进行分析的基础上,基于径向基神经网络的思想,建立了适用于高速公路城市化路段的短时交通量预测模型,为高速公路服务水平判定、交通控制与诱导提供理论依据和技术支持。最后,以京津塘高速公路城市化路段为例,对建立的模型进行效果验证,结果证明所建立的方法是有效性的、可行的。     

随机系数矩阵卡尔曼滤波

作者考虑了状态转移矩阵和量测矩阵是随机阵的线性离散时间动态系统的状态的线性最小方差递推估计问题,即随机系数矩阵卡尔曼滤波,说明了该系统可化为过程噪声和量测噪声均依赖于状态,而转移矩阵和量测矩阵是非随机阵的线性动态系统,从而证明了新系统的状态的最小方差估计问题仍有卡尔曼滤波形式.     

基于小波分析的短时交通流非参数回归预测

短时交通流预测是交通诱导与控制的关键技术之一.传统的预测方法难以预测短时状况下具有较强不确定性的交通流.根据交通流信号在不同的时频域空间的不同特性,提出一种组合小波分析和非参数回归的短时交通流预测方法,并对其原理进行了详细分析和描述.首先对交通流时序信号进行多分辨率小波分解,然后对低频和高频分量分别进行单支重构.在此基础上,引入非参数回归对各频率部分分别进行预测,组合各频率空间的预测分量获取预测结果.实验结果验证了该方法的有效性和可行性.     

卡尔曼滤波在大坝动态变形监测数据处理中的应用

详细地讨论了离散线性系统的卡尔曼滤波模型的建立及相应的精度评定公式，通过对某大坝动态变形监测数据的卡尔曼滤波处理和结果分析，发现卡尔曼滤波值、预报值与原始观测值数据曲线的变化趋势非常接近，说明所建立的卡尔曼滤波模型是合理的、可靠的，可以较好地模拟动态目标系统的变化规律。同时，卡尔曼滤波模型能够实时、快速地处理大量动态变形数据，并能有效地改善动态变形监测数据的精度。