Multi—Agent系统在飞行冲突探测与解脱中的应用

介绍了Multi—Agent系统在飞行冲突探测与解脱中的具体应用,将航空器看作具有各自目标如目的地、到达时间和服务标准等的智能体,提出采用协作式多智体协商技术来有效解决冲突问题,并建立了基于Multi—Agent系统的飞行冲突探测与解脱模型。航空器Agent之间可通过航空器数据链通信,采用单调让步协议（MCP）协商,自动就冲突解脱方案达成一致,在保证安全间隔的同时实现空域容量的有效利用。     

用概率神经网络对水电边坡稳定性预测

概率神经网络(PNN)是一种训练速度快、结构简洁明了、应用广泛的人工神经网络,该方法采用贝叶斯分类决策理论建立系统的数学模型,以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点。阐述了PNN的基本结构及其训练算法,提出了基于PNN的水电边坡稳定性预测方法,并采用免疫进化算法(IEA)对高斯型函数的标准偏差σ进行参数优化。理论分析和实例结果验证了基于IEA-PNN的水电边坡稳定性预测方法的正确性和有效性。     

模拟驾驶环境下驾驶人分心状态判别

为了探寻驾驶人分心判别方法,构建了驾驶人分心状态判别模型。首先设计分心模拟驾驶试验,采集正常驾驶和发送语音信息过程中的驾驶绩效特征和驾驶人眼动特征数据,建立驾驶人分心状态判别指标备选集;其次,采用基因选择算法对备选指标进行筛选,得到29个备选指标的重要度排序;然后,依次选取重要度较高的部分指标作为BP神经网络的输入指标,利用遗传算法（GA）全局搜索的性能优化BP神经网络的初始权值和阈值,将优化后的GA-BP神经网络作为弱分类器,再将多个弱分类器组合成Adaboost强分类器,建立基于Adaboost-GA-BP组合算法的驾驶人分心状态判别模型;最后,利用模拟驾驶器试验平台采集的数据计算不同判别指标数量下模型的性能,从而确定最优判别指标,并对模型进行验证和评价。结果表明：模型最优判别指标为重要度排序中前14个指标;模型能够准确识别驾驶人分心状态,判别精度为95.09%;与BP神经网络算法、GA-BP神经网络算法和Adaboost-BP神经网络算法相比,Adaboost-GA-BP组合算法在准确率、精准率、召回率、F₁值和ROC曲线等模型性能方面均最优。建立的模型能够有效判别驾驶人分心状态,可为驾驶人分心预警系统和分心控制策略提供依据。     

基于(SAGA-FCM)-PNN的交通状态判别方法研究

为了提高城市道路交通状态判别的正确性与稳定性,研究了一种基于遗传模拟退火算法改进的FCM算法与概率神经网络(PNN)结合的短时交通流状态判别方法.针对传统FCM算法会收敛到局部最优解的问题,利用遗传模拟退火算法对其进行改进,优化算法初始聚类中心;将已分类的数据分为训练集与测试集对概率神经网络(PNN)模型进行训练与测试,通过对径向基函数的扩展速度的优化提高PN N算法的准确性;并利用厦门市城市道路地磁检测数据对模型进行实例验证及性能分析.结果表明,文中方法能够有效的实现交通状态的判别,且能够得到全局最优解;同竞争神经网络模型、GRNN模型、SVM模型相比,文中模型的交通状态判别正确率分别提高2.1%,4.5%,2.7%,且具有更好的稳定性.      

基于子波能量和神经网络分类器的机动车车型识别

为了使交通管理系统能进行可靠的机动车分类,研究了轿车、轻型越野车和货车3种机动车目标的声信号,提出了一种采用子波分解后不同尺度上声信号能量作为特征向量的特征提取算法,并设计了kNN(k近邻)分类器和改进BP神经网络分类器用于目标分类。目标识别和分类试验结果表明:所提出的特征提取算法能够很好地体现不同类型目标之间的差异,提取的特征向量稳健;设计的改进BP神经网络分类器的分类精度可达92.6%,且分类效果优于kNN分类器。     

基于支持向量机的夹紧力控制阀质量分类

提出了采用支持向量机对CVT夹紧力控制阀进行质量分类的方法.并设计了相应的提取夹紧力控制阀性能特征参数的试验方案与夹紧力控制阀SVM多类分类器.利用试验得到的性能参数对SVM分类器进行训练,然后分别使用训练成熟的SVM分类器与RBF神经网络分类器对夹紧力控制阀进行质量分类.结果表明,采用SVM分类器的分类准确率明显高于RBF神经网络分类器.     

基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

车车通信环境下基于驾驶意图共享的车辆避撞预警算法

针对传统基于距离或时间的车辆避撞预警算法存在较高误警率的问题，考虑在避撞预警算法中引入驾驶意图共享的概念，提出了基于实际外场复杂车车通信V2V（Vehicle-to-vehicle，V2V）环境下的车辆跟驰避撞预警算法。基于LTE-V构建外场V2V环境，将车辆行驶过程描述为一个时间序列的隐性马尔可夫随机过程，借助隐马尔可夫模型（Hidden Markov Model，HMM）建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系模型，并给出基于Viterbi算法的驾驶意图预判求解方法，将驾驶意图作为特征因子集成到安全距离模型中，提出基于驾驶意图共享的避撞（Driving Intention Based Collision Avoidance，DI-CA）预警算法。利用构建的V2V试验环境，实现了匀速、加速、减速和紧急制动等4种驾驶意图，以及相对速度和相对距离增加、减小、保持不变等9种组合的车辆行驶状态试验数据获取，并利用试验数据对所提出的DI-CA预警算法进行实证分析。结果表明：所提出预警算法能够针对不同驾驶意图提供有效的车辆碰撞预警。在此基础上将4种驾驶意图下的DI-CA预警算法与Mazda预警算法求得的安全距离进行了对比分析，所提出的DI-CA预警算法的平均预警正确率为84%，高于Mazda预警算法的78%，而DI-CA预警算法的平均误警率和漏警率分别为5%和16%，均明显低于Mazda预警算法，说明所提出的DI-CA预警算法在提升预警效果的同时明显降低了误警率和漏警率，可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的可能碰撞事故发生。最后，总结并给出了驾驶意图共享理论应用于车辆避撞预警的研究展望。     

基于HMM和SVM级联算法的驾驶意图识别

为降低先进驾驶员辅助系统的误警率,提出了利用不同任务下"人-车-路"参数的差异性识别驾驶意图的方法。在模拟驾驶仪系统中开展实验,记录了12名受试者的驾驶样本1 150组,对比车道保持意图、换道意图和超车意图样本的差异,确定了6个参数的驾驶意图识别指标体系。运用HMM和SVM级联算法建立驾驶员驾驶意图识别模型。结果表明:基于该算法的识别准确率达95.84%,明显高于HMM或SVM单一算法,且单次平均识别时间为0.017s,满足驾驶员对突发性事件反应时间的要求。     

基于视频识别的互通合流区交通冲突空间分布

为深入研究高速公路互通合流区交通冲突空间分布特征,克服传统数据采集的条件限制,弥补断面数据采集的缺点,利用无人机视频采集高精度、区域连续的多车辆轨迹数据,并运用OpenCV视频自动分析系统和Matlab扩展工具,依据帧间差分法和时空上下文视觉跟踪算法原理,进行车辆识别与跟踪,记录采集范围内车辆每一帧的微观车辆运动数据。运用交通冲突识别指标TDTC(Time Difference to Collision)同时识别同车道和异车道冲突,将交通冲突分为严重冲突、中度冲突和一般冲突,并使用累计频率法确定严重冲突与中度冲突的阈值为3.1 s,中度冲突与一般冲突的阈值为7.8 s。依据地面坐标绘制直观的交通冲突空间分布图,并进行了量化统计分析。发现在靠近互通合流区匝道出口处及合流区末端是交通冲突比较集中且交通冲突比较严重的区段;整个互通合流区的严重冲突率呈现先增后减再增加的趋势;主线交通量比匝道交通量对交通冲突率空间分布的影响大,匝道大车比例比主线大车比例对交通冲突率空间分布的影响大。