基于Kalman滤波的ARIMA-NAR神经网络模型

深基坑变形监测在城市建设安全施工中显得越来越重要.鉴于监测数据不可避免地存在噪声及单个预测模型存在的预测残差问题,为提高基坑监测预测精度,以兰州市某深基坑监测中具有明显沉降的ZJ52为例,采取一种基于Kalman去噪的ARIMA-NAR神经网络组合模型进行预测分析.结果发现,经Kalman去噪后建立的ARIMA-NAR组合模型的预测结果的平均绝对误差、平均相对误差和残差方差分别为0.43、0.04、2.23 mm,预测结果均优于单一的ARIMA和NAR神经网络模型的预测结果,预测精度较好,其结果可为本项目的安全施工提供可靠指导.     

基于SV模型的行程时间预测

行程时间的波动性分析及预测是道路交通网络研究的重要内容,为有效预测出行者行程时间,本文基于实际路段行程时间数据构建随机波动率模型,利用马尔科夫链蒙特卡洛方法求解模型参数,使用标准随机波动率(SV-N)模型和厚尾随机波动率(SV-T)模型对行程时间进行预测。结果表明:在刻画对路段行程时间波动率特征的效果上,厚尾随机波动率模型优于标准随机波动率模型;在行程时间预测上,厚尾随机波动率模型更能准确地进行实时预测。本文方法对行程时间预测具有实时性,可对实际路段行程时间进行在线预测及对交通出行者的路线规划提供理论依据。     

基于卡尔曼滤波的高速道路行程时间动态预测

首先介绍了卡尔曼滤波的算法，并定性说明了其优点－动态性、实时性。然后使用卡尔曼滤波法和传统的预测方法分别对同一观测数据进行了观测和对比，从而定量证明了卡尔曼滤波的高精度性，研究成果对于开发交通信息诱导系统和动态交通分配均具有较大的意义。     

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Matlab的Kalman滤波建模及仿真

为了验证多模交互卡尔曼滤波对机动目标的跟踪能力,基于Matlab平台,从基本卡尔曼滤波方程入手,建立了交互多模卡尔曼滤波模型,通过对机动目标的仿真,给出了仿真曲线和结果,验证了交互多模卡尔曼滤波在对机动目标跟踪的优良性能。     

基于随机松弛时间的行程时间可靠性计算模型*

提出了基于随机松弛时间的行程时间可靠性动态计算模型。研究了交通系统内部车辆间相互干扰作用对行程时间可靠性的影响。运用交通流动力学理论建立模型,证明了模型的各项异性,并基于蒙特卡洛和欧拉折现法设计相应的求解算法。模型能够较好地反映给定交通供需条件下的行程时间可靠性退化规律,量化交通流内部车辆间相互干扰对行程时间可靠性的影响。算例分析表明车辆间相互干扰程度的加剧会引起行程时间可靠性退化轨迹的明显改变,干扰越剧烈,动态行程时间可靠性的退化速度越快、达到稳定状态时的行程时间可靠性水平越低。拓展了传统行程时间可靠性计算模型仅考虑外部供需的局限性,探讨了交通流松弛时间的随机波动对行程时间可靠性的影响。所建模型和方法可以为高速公路、城市快速路、主干道等大型设施的动态行程时间可靠性预测提供理论依据和实践参考。     

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.     

基于行程时间可靠性的随机交通网络均衡模型

考虑现实条件下交通网络的不确定性状态,提出了从确定型网络到不确定型网络状态下出行者路径选择行为的改变,及基于行程时间可靠性的路径选择模型。并将可靠行程时间的路径选择行为纳入到随机交通网络平衡分配模型中,证明了模型的等价性和唯一性。在一个小型测试网络上对模型分配结果进行了测试,测试结果与经验相吻合,表明模型具有较好的现实可行性。     

基于Kalman滤波的供水管网水力模型用水量动态估计

节点用水量的动态估计是供水管网水力模型动态更新的主要工作，以扩展Kalman滤波(EKF)为代表的数据同化方法已被应用于管网水力模型参数动态校核和估计中，但现有研究未考虑用户节点24 h用水模式对节点用水量估计的影响。该文研究了节点用水模式先验信息对EKF方法节点用水量动态估计结果的影响。根据用户24 h的用水模式和t时刻用水量估计值预测t+1时刻节点用水量，并采用t+1时刻管网测量数据校正t+1时刻节点用水量预测值。案例管网的应用结果表明：与现有研究中应用的EKF方法相比，考虑用水模式的扩展Kalman滤波(IEKF)方法对应的用水量估计平均绝对百分比误差降低了15.93%,节点用水量时变曲线的Nash-Sutcliffe效率(NSE)系数值提高了0.40,且2种方法的计算时间相近；与推断测量Kalman滤波(IMKF)相比，IEKF方法对应的用水量估计平均绝对百分比误差降低了12.20%,节点用水量时变曲线的NSE系数值提高了0.35,计算时间缩短了99.8%。在节点用水量估计问题中，考虑用水模式可以显著提高EKF方法的计算精度。     

基于Kalman滤波的灰色模型在沉降预测中的研究

针对沉降观测数据存在各种扰动,以及GM(1,1)模型的不足,提出卡尔曼滤波GM(1,1)模型,通过卡尔曼滤波去噪后,再利用GM(1,1)模型进行预测。由实验数据可得,改进模型的后验误差比值、小误差概率以及精度等级分别为0.108 0、100%、一级,而原有的3种模型中只有3次指数平滑接近改进模型,但改进模型的后验误差比值更小;从残差看,改进模型的预测残差比原有模型都小,这表明改进模型提高了沉降预测的精度。     

基于Kalman滤波算法的视频跟踪技术在交通道路中的应用

Kalman滤波是目标跟踪系统中比较常用的一种跟踪算法,本文将自适应波门跟踪与Kalman滤波跟踪算法相结合,克服了以往跟踪算法计算量大,目标识别错误,目标丢失等问题。并利用了MATLAB对Kalman滤波算法建模仿真,验证滤波跟踪效果明显,能够满足系统的实时准确跟踪的要求。     

基于Kalman滤波的多用户检测算法

研究了码分多址(code d ivision mu ltip le access,CDMA)存在很强的多址干扰(mu ltip le access interference,MAI)时,基于Kalm an滤波的盲自适应多用户检测算法,并与基于LMS,RLS滤波的自适应多用户检测算法相比较.通过仿真实验,可以看出该算法收敛速度快,抑制多址干扰性能好.计算机仿真实验表明,将Kalm an滤波应用到CDMA多用户检测中,能够有效地抑制多用户干扰,并且收敛速度较快,稳定性好.     

基于Kalman滤波的Fuzzy系统参数估计

模糊系统在现代工业、模式识别与人工智能、自动控制中起着重要的作用。论文研究了复模糊系统的参数估计 ,提出了用经典的 Kalman滤波来估计模糊系统参数的一种新方法。在实例分析中 ,将复模糊系统用于通信信道均衡 ,用专家知识对信道输出建立一个模糊规则库 ,可以提高算法的速度和准确率。用该文给出的经典的 Kalm an滤波与传统的迭代最小二乘 RL S法比较 ,结果是该文的方法不仅误码率比 RL S方法低 ,而且收敛速度更快 ,更加利于硬件实现。     

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滤波的飞行冲突探测

基于飞行途中的随机影响及观测仪器的随机误差的考虑,从随机框架的角度提出了Kalman滤波作为冲突探测的一种方法．该方法不仅从模型上保证了更接近飞机的实际飞行情况,而且理论和计算机模拟结果也都表明该方法不但能对明显存在冲突的态势给出准确的预报,对于那些由于随机因素而产生的潜在冲突也能给出一定概率的预报．     

基于进化算子的季节时间序列模型

目的对传统季节时间序列模型进行分析研究,提出一种新的季节时间序列模型。方法引入遗传与免疫算子,并结合电力产量序列和航空序列模型进行仿真试验。结果建立了一个新的时间序列模型。结论仿真试验结果证明了基于进化算子的季节时间序列模型是一种操作简便、易于实现的有效模型。     

离散时间分布参数系统的一种Kalman滤波

通常在讨论离散时间分布参数系统的最佳滤波时,都假定了观测矩阵 H(k)是确定性的。本文去除了这一限制,推广到它可以是关于由观测向量(z(0),…,z(k—1))生成的σ一域可测的情形,得到了相应的滤波递推式。该式与 Kalman滤波公式是很相似的,文献中假设 H(k)为确定性时所得到的结论只是本文的特例。我们还证明了当系统动态方程中含有关于σ(z(0),…,z(k))可测的控制项F(k,x)时,该系统的最佳滤波由两部分组成,其中一部分是略去控制项后按己得到的滤波递推式计算,而另一部分不必滤波就可直接递推计算。作为一个应用,我们得到了没有控制项而动态噪声与量测噪声相关时的滤波式。     

基于收费数据的高速公路行程时间可靠性估计模型

高速公路收费数据易于获取,且蕴含多种交通信息。本文利用收费数据分析高速公路客货车行程时间分布,提出客货车行程时间分布的差异,分别构建客货车行程时间可靠性估计模型,并对模型进行试验分析。利用MATLAB对直接求取的客货车行程时间和模型求取的客货车行程时间进行正态分布和对数正态分布曲线拟合,结果表明:客货车的行程时间分布均符合正态分布;利用本文模型求取的行程时间分布比直接使用出入口收费站时间差求取的行程时间分布具有更小的SSE和RMSE以及更大的R-square。最后,对客货车行程时间的可靠性区间,即置信区间进行比较,结果表明:在同一置信水平下,利用本文模型求解的行程时间具有更小的行程时间区间分布,即更好的稳定性。     

基于元胞自动机模型的应急车辆行程时间

针对应急车辆通行时交通流参数难以实时获取的问题,提出以仿真手段模拟交通运行,进而探讨随机交通条件下应急车辆行程时间的计算。在分析有应急车辆的混合交通流运行特性的基础上,增加车辆类型,引入应急车辆影响区域和普通车辆让行概率2个参数,修改车辆换道与速度更新规则,建立了双车道交通流元胞自动机模型。利用MATLAB进行数值模拟,生成不同交通密度条件下的应急车辆行程时间,并与现有计算公式进行对比分析。研究结果表明:应急车辆仅干扰其所处位置的车流运行,对双车道总体流量没有影响,在密度位于0.12~0.36范围内优先通行效果较好;在密度较小(≤0.08)或较大(≥0.24)时,应急车辆行程时间随着行驶距离的增加呈现近似正比例的增加,且密度越大,增长的斜率越大。研究发现现有针对应急车辆的距离-行程时间函数适用于低密度及高密度交通条件,而在0.12~0.20密度范围内失去效用。     

基于Kalman 滤波的Camshift 运动跟踪算法

提出将Camshift与Kalman滤波相结合的方法.首先,通过二次搜索来调整搜索窗口的位置和大小,保证Camshift跟踪的可靠性;然后,在Camshift算法的基础上,通过卡尔曼滤波对搜索窗口进行运动预测,保证实时跟踪.实验结果表明,在图像背景复杂且目标不规则运动的情形下,采用此方法仍能有效地跟踪到目标.在真实视频数据上的实验结果表明该方法具有很好的应用前景.