基于仿真的城市路网动态分配矩阵估计方法

动态交通分配矩阵是离线状态下多时段OD矩阵估计问题中的一个重要的输入,它刻画了以前时段的OD流量与当前时段的路段检测流量之间的动态关系.对该矩阵的准确估计关系到OD矩阵的估计精度.对现有解析模型进行分析的基础上,提出基于计算机仿真的改进模型,并借助Transmodeler仿真器对此进行精确估计.实证研究表明,基于仿真的估计方法能够在考虑拥挤效应的情况下检测出车辆穿越检测器的时刻,从而对分配矩阵给出准确的估计.     

城市道路网络的行程时间可靠性

针对现有城市信号控制路网可靠度计算模型难以实用的缺陷,放弃对实时OD矩阵进行交通分配,以路网的各交叉口的真实流量和信号配时为基础,直接估计各个OD对之间的实时的行程时间及其可靠度.然后将城市道路网络视为多功能系统,根据可靠性理论中通用的多功能系统可靠度计算方法,构建了动态路网系统行程时间可靠度估计的框架模型,实现城市路网可靠度的实时估计.由于无须引入难以获取的动态OD矩阵数据,使得模型具有实用性.最后通过真实案例表明了模型的实用性.     

引入测速信息的雷达导引头无偏转换跟踪方法

为了满足先进地空导弹对精确弹目交会信息的需求,基于自适应卡尔曼滤波算法,提出了一种引入测速信息的雷达导引头无偏转换跟踪方法。在当前统计模型的基础上,利用递推遗忘最小二乘法估计当前加速度,得到了状态方程。在雷达测量模型的基础上,分析了极坐标系下与笛卡尔坐标系下位置、速度信息的无偏转换关系,推导了无偏转换量测误差协方差矩阵真实值和利用量测信息估计真实值的表达式,得到了量测方程。通过滤波得到的状态和误差估计信息,改进了真实无偏转换量测协方差矩阵的估计算法。仿真结果验证了所提跟踪方法在滤波精度和跟踪速度上的良好性能。     

交通仿真系统中车辆出发时间分布模式研究

对于交通仿真系统尤其是实时交通仿真系统而言,仅在具有准确的动态OD矩阵输入,并且每个动态OD流量中车辆出发时间间隔的分布模式有可靠估计的前提下,这些系统才可能准确地复现实际的交通状态.迄今尚不存在任何针对车辆出发时间分布模式的研究.将动态OD估计的每个时段细分为若干更小的等长度时间间隔,采用“直方图”逼近动态OD流量沿着这些子时段变化的轨迹,以便更准确地刻画车辆出发时间的分布模式；建立了OD流量在每个子时段内的分配比例的参数估计模型,并采用高效率的同步扰动随机近似(SPSA)算法对估计模型进行优化求解.针对美国加州I805号高速公路上一段拥挤的网络进行测试,表明本文的方法是十分有效和高效率的.     

基于矩阵重构的非相干分布源参数估计方法

针对现有非相干分布源参数估计算法计算量大等问题,提出了一种新的DOA和角度扩展估计算法.该算法利用空间频率近似模型下的非相干分布源协方差矩阵的结构特点.协方差矩阵可分为相位信息矩阵和幅度信息矩阵.对相位信息矩阵进行重构,对重构后的协方差矩阵利用MUSIC等传统方法即可实现DOA的估计;对幅度信息矩阵的各主次对角线上的元素均进行平滑得到幅度信息平滑向量,估计得到的DOA代入幅度信息中即可得到角度扩展的估计,从而实现非相干分布源DOA和角度扩展分离估计.计算机仿真验证了算法的性能.     

基于卡尔曼滤波的动态OD矩阵估计

建立了动态OD矩阵估计的状态空间模型,通过对路段车流量和行程时间的检测以估计时变的OD数据,并对其中关键的分配矩阵给出了解析的计算公式.采用扩大状态变量的卡尔曼滤波,得到了OD估计的实时递推算法.仿真实验表明算法非常有效.     

网格环境下大规模交通仿真及应用研究

网格为大规模的交通仿真提供了高性能的计算资源.在网格环境下大规模仿真从模型的准确性、运算的高效性、系统的可用性等方面都得到了很大的提升.通过对海量流动车辆的GPS历史数据的整合,并结合实时GPS数据估计出大范围的时变OD矩阵.通过Web Service的应用使仿真成为一种互联网上的服务.通过并行计算使得后台的仿真计算能力得到了提升.     

基于水声通信延迟的多UUV协同定位算法

针对多水下自治机器人(unmanned underwater vehicle, UUV)协同定位过程中水声通信延迟造成的定位失效问题,提出了一种基于状态估计均方误差最小的延时扩展卡尔曼滤波(delayed extended Kalman filter, DEKF)定位误差修正方法。首先建立考虑水声通信延迟的系统状态方程,利用状态转移矩阵推导系统等效量测方程,然后给出多UUV 考虑水声通信延迟的扩展卡尔曼滤波(extended Kalman filter, EKF)定位方法并分析其不足;最后在EKF方法的基础上,分析量测信息延迟对状态估计的影响,建立系统真实量测模型,设计基于状态估计均方误差最小的DEKF 算法。仿真结果表明,该方法能够有效地修正多UUV 协同定位中由于水声通信延迟造成的定位误差,在工程实践中具有一定参考意义。     

基于量测补偿的多传感器分布式滚动时域估计

针对网络中单个传感器无法对目标状态完全观测的情况,基于量测补偿策略与滚动时域估计方法,提出了一种分布式估计算法。针对网络中单个传感器量测对状态不完全可观测的情况,令各传感器利用其对完全量测的预测来补偿实际量测;进一步针对传感器网络中所有传感器估计的一致性问题,令各传感器利用本身的量测和邻居传感器的传输信息对状态进行滚动时域估计,并在此基础上构造分布式的滚动时域估计优化问题和设计实施算法。仿真结果表明,在整个传感器网络全局可观测的前提下,该算法可以使得传感器网络中的所有传感器实现对目标状态的完整、准确估计。     

基于UD分解的改进型强跟踪滤波器

带多重次优渐消因子的强跟踪滤波器在计算舍入误差的影响下,估计状态的均方误差矩阵会失去非负定性,从而导致滤波发散的现象.在UD分解算法的基础上,提出了一种改进型带多重次优渐消因子的强跟踪滤波器.通过对引入渐消矩阵的一步预测均方误差矩阵进行UD分解,并将分解矩阵应用于滤波器量测信息的更新过程中,增强了算法的数值稳定性.此外,根据UD分解的结果给出了渐消矩阵的最小二乘解算方法,在提高渐消因子计算效率的同时摆脱了对先验知识的依赖性.仿真结果表明了算法的有效性.     

数据丢包的参数不确定下无人机滚动时域估计

针对网络中通信链路中断及系统参数不确定现象,研究了数据包丢失的参数不确定无人机系统状态估计问题,基于滚动时域估计理论和随机最小二乘理论,提出了一种分布式滚动时域估计算法。对于数据包丢失和参数不确定问题,采用已知概率的马尔可夫序列和系统矩阵扰动噪声进行建模。仿真结果表明,该算法的估计效果优于一种新的卡尔曼滤波算法。最后,研究分析了系统压缩量、数据包接收概率和时窗长度对所提算法估计性能的影响。在系统不确定性和丢包概率未知的情况下,适当增加时窗长度可以提高算法估计性能。     

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.     

Fast method for spreading sequence estimation of DSSS signal based on maximum likelihood function

To estimate the spreading sequence of the direct sequence spread spectrum (DSSS) signal, a fast algorithm based on maximum likelihood function is proposed, and the theoretical derivation of the algorithm is provided. By simplifying the objective function of maximum likelihood estimation, the algorithm can realize sequence synchronization and sequence estimation via adaptive iteration and sliding window.since it avoids the correlation matrix computation, the algorithm significantly reduces the storage requirement and the computation complexity. Simulations show that it is a fast convergent algorithm, and can perform well in low signal to noise ratio (SNR).     

基于压缩感知的稀疏多径信道估计

提出了一种基于压缩感知理论的稀疏多径信道估计方法。利用训练序列设计了一种简化的Toeplitz结构观测矩阵,证明了观测矩阵满足限制等距特性,可以作为压缩感知的观测矩阵。根据此矩阵的近似正交性特点对正则化迭代硬阈值算法进行简化,并引入精英策略提出一种归档正则化迭代硬阈值估计算法。仿真结果表明,该估计方法相对于迭代最小二乘法具有更优的性能,且提出的归档正则化迭代硬阈值算法兼具收敛速度快和稳定性高的优点。     

适于交通在线控制OD矩阵的一种估计方法

适于交通在线控制ＯＤ矩阵的一种估计方法周晶，徐南荣（东南大学管理学院，南京２１００１８）ＡｎＥｓｔｉｍａｔｉｏｎＭｅｔｈｏｄｏｆＯＤＴｒｉｐＭａｔｒｉｘｆｏｒＴｒａｆｆｉｃＯｎｌｉｎｅＣｏｎｔｒｏｌＺｈｏｕＪｉｎｇＸｕＮａｎｒｏｎｇ（Ｍａｎａｇｅｍｅ...     

基于CORDIC的滑窗最小二乘递推算法

针对最小二乘算法涉及对数据自相关矩阵求逆,若直接求逆则计算量比较大,且求逆过程对误差比较敏感,有限字长效应明显的问题,提出一种基于Givens旋转的滑窗RLS实现方法,并且给出了CORDIC实现的方法,提高了基于QR分解的最小二乘算法实现的计算效率和数据吞吐率,使其适应于需要极高采样率的应用,并且该算法能够以滑窗形式的样本作为输入,比传统的Givens算法能够适应更多的应用环境。仿真结果验证了该方法的有效性。     

平方根递推更新GMP-PHDF

传统高斯混合粒子概率假设密度滤波器(Gaussian mixture particle probability hypothesis density filter,GMP PHDF)采用先验状态转移概率密度作为重要性密度函数,会出现粒子退化问题。而递推更新高斯滤波器依据测量函数梯度渐进式地进行状态更新,可获得更为接近于真实分布的后验估计,但其协方差矩阵易非正定而导致递推中断。对此,本文首先分析平方根递推更新高斯滤波器(square-root recursive update Gaussian filter,SR-RUGF)的实现思路,并给出基于容积卡尔曼滤波(cubature Kalman filter,CKF)的SR RUGF实现步骤。在此基础上,利用SR RUGF为GMP PHDF构建重要性密度函数,进而提出基于平方根递推更新的GMP-PHDF(square-root recursive update GMP-PHDF, SRRU-GMP-PHDF)算法。仿真结果表明,算法可以很好地利用量测信息,获得更高精度的估计结果。     

基于改进BP神经网络的公交线路OD矩阵推算方法

公交线路OD矩阵是公交线路优化设计调整的基础性数据，针对传统解析模型对输入数据敏感性高造成OD推算效果不理想的缺陷，提出了以改进BP神经网络为基础，根据公交站点上下客数据建立公交线路OD矩阵的推算模型，并设计了OD推算神经网络。进而基于算例数据，应用数值试验对神经网络设计的核心参数进行了标定并给出OD推算的计算结果。算例分析结果表明，使用此方法能显著提高预测的精度，推算结果更具可靠性且更能反映公交线路的需求分布状况。     

滑窗式无偏多平台无源定位算法

针对纯方位系统单机动平台在不具有比机动目标更高一级的机动运动时,无法满足系统可观测性的问题,提出了一种适用于多平台的无源定位算法。该算法根据目标与平台之间的几何关系得到一个包含目标初始位置和分量速度的伪线性方程组。为减少求解方程组的计算量,保证定位的实时性,对常规的最小二乘法进行了加滑窗处理。通过对观测向量和系数矩阵的分析,证明了算法对目标状态的估计具有无偏性。仿真实验验证了算法的有效性,并讨论分析了平台运动的速度和方向等因素对算法定位性能的影响,得到了保证算法定位性能的平台与目标相对运动关系。