Target tracking in standoff jammer using unscented Kalman filter and particle fiter with negative information

To handle the problem of target tracking in the presence of standoff jamming （SO J）, a Gaussian sum unscented Kalman filter （GSUKF） and a Gaussian sum particle filter （GSPF） using negative information （scans or dwells with no measurements） are implemented separately in this paper. The Gaussian sum likelihood which is derived from a sensor model accounting for both the positive and the negative information is used. GSUKF is implemented by fusing the state estimate of two or three UKF filters with proper weights which are explicitly derived in this paper. Other than GSUKF, the Gaussian sum likelihood is directly used in the weight update of the GSPF. Their performances are evaluated by comparison with the Gaussian sum extended Kalman filter （GSEKF） implementation. Simulation results show that GSPF outperforms the other filters in terms of track loss and track accuracy at the cost of large computation complexity. GSUKF and GSEKF have comparable performance; the superiority of one over another is scenario dependent.     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.     

基于ARIMA模型的外汇汇率时间序列预测研究

利用数据挖掘技术分析外汇汇率时间序列,从时间序列中获得正确的、隐含的、潜在的信息对于金融领域研究具有重要的现实意义。通过数据挖掘中的ARIMA模型,以某银行的外汇汇率时间序列为研究对象,采用差分方法和建模规则,对外汇的卖出价进行了建模与预测。通过与逐步自回归预测模型相比较,ARIMA模型对外汇汇率时间序列数据具有很强的预测能力。     

面向在线地图的GCN-LSTM神经网络速度预测

为从路网速度中完整提取路段速度的时空特征,实现高精度路段速度预测,通过调用在线地图的路径规划应用程序接口,采集路段的在线地图速度;利用图卷积神经网络(GCN)提取空间特征,利用长短期记忆(LSTM)神经网络提取时间特征,建立面向在线地图的GCN-LSTM神经网络,提取路段速度的时空特征,预测路段速度;为测试面向在线地图的GCN-LSTM神经网络表现,并评价在线地图下GCN-LSTM神经网络的优势与面向检测器速度预测模型的可替代性,以局部路网为例分析模型表现,并对比在线地图下不同模型的表现与不同数据源下近似模型的表现。研究结果表明:GCN-LSTM神经网络在训练集和测试集上的平均绝对误差(MAE)均低于5,均方根误差(RMSE)均低于6,平均绝对百分比误差(MAPE)均低于30%,训练误差和测试误差均处于较低水平,总体表现良好;GCN-LSTM神经网络的路段MAPE服从Gumbel分布,均值均落在19%±4%之间,85%分位点均落在34%±5%之间,2项指标均处于较低水平,个体表现良好;在面向在线地图的速度预测模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,在面向在线地图的速度预测中具有一定优势;在近似模型中,GCN-LSTM神经网络的MAE、RMSE、MAPE以及MAPE拟合曲线均值、85%分位点最低,总体和个体表现均为最佳,则面向在线地图速度预测的可靠性高,可代替面向检测器的速度预测。      

高速受电弓滑模半主动控制

为解决人工磁瓦表面缺陷检测质量不稳定的问题,提出了一种自动检测磁瓦表面缺陷的方法.首先利用磁瓦轮廓长度、面积等几何特征及轮廓匹配的相似度作为特征向量,采用支持向量机进行初次分类;然后再利用对凸凹缺陷的分析,得到缺陷数量和面积作为特征向量,采用最小均方误差分类器进行二次分类;最后对上述2步结果做与运算,得出最终判断.实验表明本方法可以达到正确识别率约为91.80%,错误接受率约为0.75%,正确拒绝率约为14.00%.      

高速列车气动性能低温风洞试验

采用低温风洞试验对比了中国高速列车HST、法国高速列车TGV和德国高速列车ICE3的气动性能; 基于EN 14067和TSI标准在铝质材料模型上测试了不同侧偏角下列车阻力、升力和倾覆力矩; 利用粒子图像测速技术测量了列车周围流场, 得到了高速列车与空气的相互作用机理和气动现象; 采用计算流体力学方法模拟了高速列车实际运行情况, 并与低温风洞试验流场测试结果进行了对比。研究结果表明: 0°~10°侧偏角下列车阻力系数绝对值从大到小依次为HST、ICE3、TGV, 侧偏角为0°时, 3种列车的阻力系数分别为0.223、0.166、0.140;0°~5°侧偏角下列车升力系数绝对值从大到小依次为TGV、ICE3、HST, 且数值均接近0, 其中ICE3、HST为正升力, 列车受压向轨面力, TGV为负升力, 列车受上浮力; 0°~5°侧偏角下列车倾覆力矩系数绝对值从大到小依次为TGV、HST、ICE3, 侧偏角为0°时, 3种列车倾覆力矩系数分别为0.021、0.019、0.011;HST高速列车由于头部双层造型设计, 在头部曲面过渡处出现流动分离, 增大了列车摩擦阻力和压差阻力, 导致列车阻力系数比TGV和ICE3偏大一些, 但阻力系数在高速列车头型设计技术要求限值0.25之内, 且升力和倾覆力矩性能较好, 列车具有良好的稳定性, 满足高速列车头型气动设计的工程需求。      

大鼠心肌组织中雄激素受体的免疫组化研究

目的 观察增龄和性腺发育对雄性大鼠心肌组织中雄激素受体密度的影响。方法 采用免疫组织化学和图像分析法检查性成熟前、成年去性腺、成年和老龄雄性大鼠心肌组织中雄激素受体密度，观察增龄及性腺对雄性大鼠心肌组织中雄激素受体密度的影响。结果 去性腺成年组心肌组织中雄激素受体的免疫反应性最高，其次为老龄组，二者均高于性成熟前组和正常成年组，后2组无显著性差异。结论 性成熟前后性腺发育对雄鼠心肌组织中雄激素受体的密度无明显影响，老龄及去性腺均使雄鼠心肌组织中的雄激素受体密度显著增高。     

基于K 近邻和支持向量机的醉酒驾驶识别方法的对比分析

醉酒驾驶严重威胁道路交通安全,对醉酒驾驶进行准确识别意义重大.利用驾驶模拟舱进行驾驶实验,提取醉酒驾驶和正常驾驶的驾驶行为参数.首先,通过方差分析和均值分析选取方向盘转角作为识别特征,并采用滑动数据窗求取方向盘转角均值序列,构建识别特征参数;然后,分别采用K近邻(KNN)和支持向量机(SVM)对驾驶状态进行识别,得到两种分类方法在不同道路线形的最高识别准确率及其相对应的最优数据窗;最后,对两种分类方法进行了对比分析.结果表明,SVM对醉酒驾驶的识别性能优于 KNN;数据窗对KNN的识别准确率影响显著,对SVM的识别准确率影响不明显.     

汽油替代物辛烷值预测与组分比例确定模型

基于响应曲面法(response surface methodology, RSM),建立了用于预测甲苯掺比燃料(toluene reference fuel, TRF)替代汽油燃料的辛烷值和确定其组分比例的数学模型,并应用该模型的一阶模型(first order model, FOM)、二阶模型(second order model, SOM)和三阶模型(third order model, TOM)预测TRF辛烷值和确定TRF组分比例.结果表明:在已知组分比例下,用FOM模型和TOM模型在预测对应TRF法辛烷值和马达法辛烷值时,预测结果远优于FOM模型;在已知TRF法辛烷值和马达法辛烷值条件下, TOM模型预测TRF构成比例的相对误差在8%以内,优于SOM模型,表明基于RSM建立的TOM模型能够准确的预测TRF燃料辛烷值和确定TRF燃料的构成比例.      

��·������ս�ͨ��Ԥ�⼼���Ż���Ӧ���о�

为更准确掌握公路接入段日交通量变化趋势,提高扰动路段交通量预测精度,利用曲线拟合法,建立观测路段基年交通量时间序列模型,结合ACF、PACF图例,应用ARIMA技术和Logistic回归曲线拟合方法,进行模型的识别、细化,而后进行参数估计和模型诊断,确定最佳交通量预测模型,完成模型优化。实例应用结果表明,利用ARIMA技术和Logistic回归曲线拟合方法优化的模型比不考虑观测交通量自相关内容的模型预测精度高,预测误差均值仅为1.53%。     

INVESTIGATION ON THE DYNAMIC RESPONSE PERFORMANCE OF A NOVEL THREE-WAY SOLENOID VALVE

In order to meet the increasinglystrict emissionstandards andi mprove the perfor mance of diesel en-gines,using electronic control systemin diesel en-gines becomes more and more popular.In the com-mon-rail injection system of diesel engines,injec-tion ti ming and injection duration are controlled bythe solenoid valve.The perfor mance of common-rail injection systemis directly deter mined by thesolenoid valve[1-2].A novel high-speed three-waysolenoid valve used in the common-rail injectionsyste…     

水面高速无人艇运动极短期预报技术

采用基于时间序列的乘积季节ARIMA(求和自回归移动平均)模型以及无人艇模型规则波试验数据,研究了水面无人艇运动极短期预报技术。采用经趋势差分和季节差分后的ARMA(自回归移动平均)模型,运用最小信息准则和白噪声检验方法,验证所选择的最佳模型,并对无人艇进行了20步极短期运动预报。计算结果表明:无人艇船模加速度、升沉、纵摇的前10步短期预报最大误差均不超过6%,随着预测步数的增加,误差有扩大的趋势,加速度的后10步短期预报最大误差达到16.68%。可见,极短期预报技术有效。     

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。     

雄激素受体在大鼠睾丸发育过程中的表达及雄激素对其表达的调节作用

目的　研究发育不同阶段及二甲磺酸乙烷 (EDS)干预的雄性SD大鼠睾丸内雄激素受体 (Androgenreceptor,AR)的分布、发育模式及雄激素调控。 方法　采用免疫组织化学ABC法 ,并应用图像分析测定AR的视物平均光密度 ,以其表示核内AR相对含量。结果　特异性AR免疫染色见于睾丸间质细胞、肌样细胞、支持细胞、精原细胞、血管壁平滑肌细胞及内皮细胞。间质细胞中AR相对含量随大鼠年龄而变化 :2 1d龄居中 ,35d龄最高 ,90～ 1 2 0d龄最低 ,各组间均有显著性差异 (P <0 .0 5或P <0 .0 1 )。肌样细胞在 3个年龄组大鼠均有很强的AR表达。应用EDS消除成年大鼠内源性睾酮后 ,睾丸内所有AR阳性细胞的免疫染色均显著减弱 ,外源性睾酮替代治疗后免疫染色程度可恢复至对照组水平。结论　雄激素可促进青春期大鼠间质细胞的功能与分化 ;肌样细胞在精子发生过程中有重要作用 ;睾丸内AR的表达受内源性睾酮的调控。     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.     

基于混合深度学习的地铁站进出客流量短时预测

针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入,利用二维 CNN 与 ResNet 组成深层神经网络,捕捉站点间的空间特征,同时利用一维 CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证. 结果表明,相比现有传统的预测模型(ARIMA,SVR,LSTM,CLTFP,ConvLSTM),本文 ResNet-CNN1D模型具有更好的预测精度.     

浅谈所需CNS性能及其参数指标的发展

所需通信导航监视（CNS）性能的研究对在可接受的安全目标水平（TLS）和空域环境下安全间隔标准的确定具有重要意义。本文首先探讨了所需CNS性能在国内外的研究现状,然后介绍了所需通信性能（RCP）、所需导航性能（RNP）和所需监视性能（RSP）的概念,最后分别给出了各性能的参数指标,为建立基于CNS性能的平行航路和交叉航路下的碰撞风险评估模型奠定了基础。     

基于ARIMA模型的全球跨国快递业务量预测

快递是交通运输行业中的新兴子行业,其发展具有长趋势性和短周期性。对全球跨国快递业务量进行分析和预测。数据来源是四大快递公司的季度跨国快递包裹量,跨度为2001年1季度至2010年4季度,考虑到原始数据为非平稳时间序列,运用时间序列分析方法中的ARIMA模型,对原始序列进行差分处理,根据自相关和偏相关函数的特性,确定模型中的各项参数,最终可以选择ARIMA(1,1,1)(1,1,1)4作为模型,该模型可以得到较为理想的结果。     

城市道路交通流短时预测及可靠性分析

为了捕捉交通流随机波动导致的交通流短时预测的不确定性,利用反映预测波动的异方差对可靠性进行量化预测;基于时间序列及其异方差理论,构建了以单整自回归滑动平均ARIMA(0,1,1)模型为均值方程的城市道路交通流短时预测的广义自回归条件异方差GARCH(1,1)模型. 通过ARCH LM检验证实,GARCH(1,1)模型能够有效捕捉并消除ARIMA(0,1,1)模型的异方差性.结果表明:基于GARCH(1,1)模型的城市快速路流量预测的MAPE值不高于10%,城市快速路及主干道速度预测的MAPE值为7.86%~10.24%;与ARIMA(0,1,1)模型预测的固定置信区间相比,在自由流交通状况下,GARCH(1,1)模型在有效预测前提下的预测置信区间更窄;在交通拥挤状况下,GARCH(1,1)模型能够通过放大预测置信区间宽度减少无效预测.      

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.