高速公路事故路段车速空间分布与排队特性仿真

在微观交通流仿真环境下,建立双向四车道、双向六车道及双向八车道高速公路事故路段仿真模型,模型中每个车道间隔10m设置1个检测器,测量断面运行车速,根据仿真结果绘制高速公路事故路段车速空间分布图,以确定事故现场上游的危险路段,并对各车道车速样本拟合,获得车速空间分布模型.在事故现场端面设置排队计数器,测量排队长度,改变事故现场几何特征及输入交通流量,获得各交通流量下的平均排队长度和最大排队长度,确定车辆排队能否自行消散的临界交通流量.研究结果为确定交通事故的时间和空间影响范围提供理论依据,也为制定限速方案和其他管理措施提供参考.     

基于卡尔曼滤波算法展开的飞行目标轨迹预测

目标轨迹预测是保证目标航行安全、规划飞行航迹和搜寻空中目标等任务的关键技术，在军事和交通管制等方面具有重要意义。针对传统飞行目标轨迹预测方法模型较为简化且预测精度较低的问题，提出了基于卡尔曼滤波算法展开的深度神经网络模型，用于飞行目标的轨迹预测任务。该模型通过长短时记忆(long short-term memory, LSTM)网络从目标的航迹数据中学习目标的运动状态，再利用卡尔曼滤波算法对LSTM预测的目标状态估计值进行动态修正，其有效结合了卡尔曼滤波算法和深度神经网络各自的优势。在仿真数据和真实数据上的实验验证了所提模型较其他网络模型对飞行目标轨迹预测的准确性和有效性优势。     

基于简化路网模型的卡尔曼滤波多步行程时间预测方法

针对目前多步行程时间预测方法研究较少,存在未来一段时间内的观测值不能及时得到的问题,提出基于简化路网模型的卡尔曼滤波多步行程时间预测模型和算法.综合运用上游路段、当前路段的实时和历史行程时间数据,从历史数据中寻找与当前日期交通状况最接近的历史日期,解决卡尔曼滤波未来一段时间内没有观测值而无法进行多步预测的问题.实验表明,算法能够合理地预测未来几个时段的路段行程时间,有效地避免了时滞性.同时,多步行程时间预测算法的精度高(尤其是4步以内,均等系数达到0.9以上), 是一种可行的预测方法.     

基于支持向量机的武器系统费用预测分析

采用了一种基于支持向量机的武器系统费用预测方法,计算结果表明,这种方法有效解决了神经网络方法出现的过拟合、网络结构难以确定等问题,与传统的方法相比较,有更好的泛化能力,因而该方法可以作为研究此类问题的新途径.     

广珠高速公路交通量预测

研究了广州到珠海高速公路交通量预测,重点探论了出行发生量预测、ＯＤ交通量预测与交通量分配所用方法。文中得到的预测结果已经成功地为交通部门采用。     

多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 ,建立的新型装备费用预测模型具有更好的预测精度     

基于知识发现的火箭武器研制费用预测

小样本的火箭武器研制费用预测通常难于应用线性回归方法,而灰色理论方法在实际中仍不能较好地解决费用与武器特征参数间存在的非线性问题。提出了融合粗集理论和神经网络预测火箭武器研制费用的新方法,利用粗集知识约简后的特征要素作为神经网络的输入,实现火箭武器研制费用的预测,并用实例证明了基于粗集-神经网络的费用预测精度高于灰色模型预测精度。     

预测误差方差约束下的稳态离散卡尔曼滤波

在预测与滤波领域中，指标要求常常直接表现为状态分量的预测误差方差的上界形式。本文研究稳、暂态指标约束下的离散系统卡尔曼滤波问题，即设计滤波增益，使每个状态分量的预测误差方差不大于各自预先给定值，同时滤波矩阵满足给定的区域极点约束。本文给出了期望滤波增益的存在条件及其解析表达式。数值例子说明了本文设计方法的简单性与有效性。     

基于深度学习的节假日高速公路交通流预测方法

准确的预测节假日期间高速公路交通流量，能够为节假日高速公路应急管理提供重要的数据基础。利用深度学习的理论框架建立了LSTM-SVR 预测模型，利用BP 神经网络对样本数据进行处理，再将LSTM 捕获的数据特征输入SVR 回归层中实现交通流预测。选取“ 十一” 黄金周前后时段，利用位于丽江市的交调站流量监测数据对LSTM-SVR 模型进行验证，并将LSTM-SVR 模型与其它模型预测效果进行对比。发现LSTM-SVR 模型在节假日不同时段、天气、流量状态下的高速公路交通流预测中有较好的适用性。     

基于卡尔曼滤波的极限学习机在线盲均衡算法

针对正交振幅调制(quadrature amplitude modulation,QAM)信号,在预测方法的盲均衡框架下,基于卡尔曼滤波(Kalman filter,KF)提出了一种新的神经网络在线盲均衡算法.采用复数型极限学习机(complex extreme learning machine,C-ELM)作为非线性...     

一种抗野值的Kalman滤波器

在目标跟踪系统中,由于杂波的存在,往往使跟踪检测数据中含有大量、成片的野值,造成系统跟踪精度下降。本文通过对检测数据中新息特性的分析,给出了检测数据中野值的判定方法,通过重新构造状态估计来消除野值的影响。仿真结果证明了该方法可有效的剔除野值,提高跟踪系统的跟踪精度。     

基于滑模估计器和卡尔曼滤波的PMSM速度估计

针对永磁同步电机(PMSM)无传感器的控制问题,提出了一种结合滑模估计器和扩展卡尔曼滤波(EKF)两种方法优点的混合估计器。混合估计器解决了滑模估计器对于反电动势具有较大"畸变"的电机速度估计效果差的缺点。混合估计器建立了一个3阶EKF滤波器,把反电动势高次谐波分量作为系统和测量噪声处理。降阶后的EKF参数调节变得比传统的EKF估计器相对容易很多,在反电动势有"畸变"单纯滑模估计器估计效果很差时,估计效果依然很好。对滑模估计器、传统EKF估计器和混合控制器三种估计效果做了比较,阐明了混合估计器的优缺点。     

H∞鲁棒滤波器与Kalman滤波器的对比

通常Kalman滤波技术应用得比较广泛 ,然而在系统模型和噪声统计特性存在不确定性的条件下 ,Kalman滤波的应用就受到了一些限制。H∞ 滤波可有效地解决Kalman滤波所遇到的问题 ,不仅估计精度高 ,而且还具有鲁棒性。简要介绍了H∞ 滤波技术和Kalman滤波技术 ,设计了H∞ 鲁棒滤波器和Kalman滤波器 ,并分 3方面对二者的性能进行了比较分析。     

Modelling of a Class of Nonstationary Time Series with Kalman Filter Using Moving Window

In this paper a method for modelling and forecasting of a class of nonstationary time series with Kalmnan filter using moving window is proposed. The procedure of the method is as follows: in terms of parameter estimation during recursive process by using LSM, the state space equation is constructed, then the Kahnan filter using moving window is made to get the data with reduced level of observation noise. Finally, the precise parameter estimation can be obtained by using the LSM again. The algorithm is carried on recursively. Good results for estimating and forecasting are shown by simulation, examples. The algorithm of Kalman filter using moving window proposed by us is introduced in this paper, which can guarantee the precision and convergence of Kalman filter.     

Systolic阵列实现解耦Kalman滤波计算

本文从并行的观点出发,分析了利用脉动阵列实现对解耦Kalman滤波的计算,并对计算步处理器的利用率等方面也进行了分析,说明了其实现的有效性。     

基于IEK-PF的多传感器序贯融合跟踪

针对粒子滤波中得到优化的重要性密度函数比较困难的问题,将迭代扩展卡尔曼滤波和序贯融合与粒子滤波相结合,应于雷达和红外多传感器目标融合跟踪.利用基于迭代扩展卡尔曼滤波的序贯融合算法得到的系统状态更新矩阵和误差协方差矩阵来构造粒子滤波的重要性密度函数,使重要性密度函数能够融入最新观测信息的同时,更加符合真实状态的后验概率分布.仿真结果表明基于序贯融合的迭代扩展卡尔曼粒子滤波(IEK-PF)能提高状态估计的精度.     

一种新的去偏转换测量Kalman滤波算法研究

采用引入虚拟项方法推导出转换测量误差均值和协方差的解析表达式,利用全部测量数据,给出了转换测量误差均值及其协方差在均方意义下的最佳估计,提出了一种新的去偏转换测量Kalman滤波算法.将该算法用于研究滤波精度要求较高的遭遇段导弹跟踪问题,并进行了Monte Carlo仿真.结果表明:该算法位置和速度估计的均方根误差小,滤波精度高,滤波器的实际估计误差和估计协方差匹配性好,算法置信度高,即使测量噪声较大时仍然保持良好的滤波性能.     

基于转换测量卡尔曼滤波算法的目标跟踪研究

在去偏转换测量中,先以目标的真实位置为条件求出真实的偏差和协方差阵,然后以传感器的测量为条件对真实偏差和协方差求取期望,这种方法求得的转换测量的偏差和协方差阵会引入附加的误差,因而不够精确。针对这种情况,直接以传感器的测量为条件求取转换测量的偏差和协方差阵,这种方法不仅精确而且简单。仿真结果表明算法的有效性。     

基于卡尔曼/粒子组合滤波器的组合导航方法研究

粒子滤波在组合导航系统非线性非高斯条件下的滤波估计中获得广泛关注,但捷联惯导误粒子组合滤波算法,采用卡尔曼滤波和粒子滤波分别对系统的线性和非线性状态进行估计,降低粒子滤波器状态维数,避免维数灾难.采用系统残差采样法的规则化粒子滤波器,有效缓解粒子贫化问题,并减少计算负担.仿真结果表明卡尔曼/粒子组合滤波方法的估计性能与粒子滤波相当,但计算复杂度前者要低得多.     

基于多模型方法的自适应卡尔曼滤波

针对一类观测噪声统计特性未知的离散时间系统设计一种多模型自适应卡尔曼滤波器。基于多个不同的固定观测噪声协方差阵建立多个固定模型卡尔曼滤波器,将多个固定模型卡尔曼滤波器和一个常规自适应卡尔曼滤波器共同组成多模型自适应卡尔曼滤波器。针对每一个滤波器建立一个基于输出误差的指标切换函数,每一个采样时刻将指标切换函数取得最小值的滤波器的状态估计值切换为系统的当前状态估计值。仿真结果表明,与常规的自适应滤波器相比,此方法可以极大地改善滤波器的滤波效果。