基于FCD的旅行时间估计算法研究

根据FCD(Floating Car Data浮动车数据)的特点建立基于FCD旅行时间估计的Kalman滤波模型以及BP神经网络模型,运用上述两种模型进行路段旅行时间短时预测,路段平均旅行时间为输入变量,输出预测路段的旅行时间,并用实测数据进行分析验证.结果表明,针对路段短时旅行时间估计,Kalman滤波模型方法的预测精度要优于BP神经网络方法.     

基于粒子滤波的约束目标被动跟踪研究

为提高约束条件下的二维机动目标被动跟踪性能,提出了一种约束下的粒子滤波方法(CPF).使用转弯率概念建立了被动跟踪模型,阐述了非线性粒子滤波的基本过程;通过设定地域和机动性能约束条件,抛弃约束外粒子,并对粒子分布和权重进行调整;利用CPF进行了目标跟踪仿真实验,与无约束的粒子滤波跟踪进行了对比,分析了轨迹跟踪性能,比较了跟踪误差.仿真结果表明,CPF能够稳定跟踪,并且具有更高的跟踪精度.     

基于优化PSO-BP算法的耦合时空特征下地铁客流预测

为提高地铁客流预测的准确性,以西安地铁1号线为例,分析了地铁客流的耦合时空特征,提取了影响地铁客流变化的5个主要因素,包括节日、非节日、时间段、站点和天气,构建了反向传播(BP)神经网络,预测了地铁客流;利用引入自适应变异与均衡惯性权重的粒子群优化(PSO)算法,优化了BP神经网络,形成了考虑复杂因素影响的地铁客流预测系统;选取了换乘站、非换乘站的首站与中间站,引入天气、节日、非节日因素,对比了不同时间段下的BP神经网络模型,优化了PSO-BP神经网络模型的预测误差。研究结果表明:考虑天气、节日、非节日因素,换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了40.13%、31.46%和23.89%,较分时段的BP神经网络模型分别平均下降了17.50%、17.86%和17.32%;非换乘站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差和平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了16.50%、20.99%和32.59%,较分时段的BP神经网络模型分别平均下降了11.48%、12.10%和17.73%;各站点分时段优化PSO-BP神经网络模型预测的平均绝对误差、均方根误差、平均绝对百分比误差,较不分时段的优化PSO-BP神经网络模型分别平均下降了24.37%、24.48%和29.69%,较分时段的BP神经网络模型分别平均下降了13.49%、14.02%和17.59%,因此,利用考虑多影响因素的优化PSO-BP神经网络模型能提高地铁客流预测的准确性。      

基于智能Agent的车辆自适应跟踪技术

为了研究复杂环境下快速移动车辆目标检测与跟踪问题,提出了基于知识库的智能Agent自适应图像分割与滤波算法,建立了帧间差异积累动态矩阵自适应背景模型,在跟踪过程中,设计了改进的SSD算法预测初始迭代点,根据Jensen不等式推导了具有自适应核窗宽迭代更新的M eanSh ift算法,实现了对视频车辆目标的自适应智能跟踪.实验结果表明,该算法能有效、准确地跟踪视频中的运动目标,自适应能力强;与其他算法比较,跟踪误差降低了54.4%,平均跟踪时间延长了41.3%.     

基于均值平移和自适应预测的运动目标跟踪

针对运动目标跟踪算法不足之处,提出结合改进的均值平移与自适应预测的目标跟踪算法,基于Bhattacharyya系数值进行Kalman滤波器与粒子滤波器之间的切换.引入Kalman滤波器为Mean Shift算法估计初始点,在跟踪稳定的情况下进行模板更新,根据Kalman残差大小判定是否发生遮挡：部分遮挡情况下即结合Kalman滤波器实现对快速运动目标的实时跟踪;完全遮挡情况下结合均值平移和粒子滤波进行鲁棒跟踪.实验证明,改进的算法可以有效地提高跟踪算法的效率,并且能很好地解决遮挡问题.     

机动目标跟踪的一种新的方差自适应滤波算法

针对"当前"统计模型自适应滤波算法跟踪非机动或弱机动目标时存在跟踪精度不高以及受目标机动加速度极限值先验设置的制约等问题,提出了一种方差自适应滤波算法,该方法利用新息与加速度变化量之间的关系,实现了加速度方差的实时估计和自适应调整,能更好地适应目标非机动和强机动的各种情况,避免了"当前"统计模型在目标非机动或弱机动时加速度方差过大而带来的跟踪精度不高的问题;同时也避免了对目标加速度的极限值设定.理论分析和仿真结果表明,相对于"当前"统计模型,无论是跟踪常速运动目标还是跟踪强机动目标,本算法都具有较高的跟踪精度.仿真结果验证了算法的有效性.     

基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

����Kalman�˲������˸��ٷ����о�

应用视频处理技术对行人交通进行研究和分析受到广泛的重视和发展,已成为智能交通领域的研究热点之一,而行人跟踪是行人交通采集系统的基础,是后续交通参数提取,行为分析的前提.本文提出一种基于Kalman滤波的行人跟踪方法.首先,利用改进的混合高斯模型提取背景,并采用HSV颜色空间模型和目标重构方法得到消除阴影后的前景图像.其次,进行行人的特征提取,得到融合行人位置特征和形状特征的运动模板.最后,采用Kalman滤波对行人的运动轨迹进行预测,将检测到的目标与预测结果匹配,得到行人的跟踪匹配矩阵,根据匹配矩阵判断合并和分离的发生.试验结果表明,该方法不仅可以准确跟踪多目标,而且可以有效解决遮挡问题,具有很好的适应性和鲁棒性.     

基于改进 BP 神经网络的铁路货运量预测

在分析铁路货运量预测方法的基础上,针对标准BP神经网络的不足,提出改进的BP神经网络预测模型。首先,利用动态陡度因子来改变激励函数的陡峭程度,以此来得到更好的激励函数响应特征以及更好的非线性表达能力;其次,利用附加动量因子,通过对以前经验的积累,既降低了神经网络对误差曲面的局部细节敏感特性,又较好的遏制了神经网络易于限于局部最小的缺陷;最后,采取改变学习率的方法,给定一个较大的学习率初始值,在学习的过程中学习率不断减小,网络最终趋于稳定。改进BP算法既可以得到更优的解,还能够缩短训练时间。利用全国铁路货运量的相关数据对改进BP神经网络进行了验证。验证的结果表明,改进的BP神经网络预测模型在相对误差和迭代次数上有较大改善,对铁路的货运量预测很有效。     

改进MOG-LRMF 的铁轨动态异物检测

针对复杂铁路环境下动态入侵异物检测精度低和抗扰能力差等问题，提出一种基于改进MOG-LRMF算法的铁路轨道异物入侵实时检测方法. 引入仿射变换，对视频序列可能出现的抖动进行预校正处理；分析MOG-LRMF模型特点，利用MOG模型对视频帧中的背景进行建模，用前一帧背景中学习到的知识对当前帧背景进行预测，优化MOG-LRMF参数求解模型；利用EM算法对改进MOG-LRMF模型进行参数求解，实现背景在线实时更新. 实验结果表明，改进的MOG-LRMF算法在光照充足、光线较弱、相机存在抖动、背景复杂及存在多个目标情形下都能提高目标检测精度，具有较好的抗干扰性、鲁棒性和快速性.     

基于多模型和辅助粒子滤波的机动目标跟踪算法研究

机动目标跟踪的本质是随机动态混合系统中的状态估计问题,其难点在于每一时刻运动模式的高度不确定性.在实际问题中,系统状态往往还呈现非线性、非高斯、不完全观测的特点.文中将多模型理论和辅助粒子滤波算法相结合,提出了一种新的机动目标跟踪算法——MM APF.仿真结果表明,该算法与传统的交互多模型——扩展卡尔曼滤波算法、辅助粒子滤波算法相比,在计算量相当的情况下,具有更高的滤波精度和较好的稳定性.     

基于推广卡尔曼滤波的无源定位系统仿真

在现代电子战、信息战环境中，由于利用目标辐射电磁信息的无源探测定位系统具有自身隐蔽和探测距离远等优点，因此它具有重要的应用价值，并已成为当今非线性跟踪与估计研究领域的热点问题、针对无源定位中状态空间模型非线性和程度较高所引起的滤波发散问题，分析总结了推广卡尔曼滤波(EKF)次优递推滤波过程，最后给出滤波方程及仿真结果．     

基于 UKF 非线性人眼跟踪的驾驶员疲劳检测

为解决驾驶员疲劳检测算法中头部快速移动、人眼非线性跟踪以及实际疲劳表情的识别问题,提出了一种新的基于UKF眼跟踪算法的驾驶员疲劳检测方法.根据近似非线性函数的概率分布比近似其函数更容易的原则,利用UT无迹变换,选择一组确定的Sigma点集逼近驾驶员人眼运动状态的后验概率密度函数,进行人眼非线性跟踪.在驾驶员人眼非线性跟踪基础上,通过计算PERCLOS值,进行现实驾驶条件下驾驶员疲劳的跟踪检测.实验结果表明,该方法不仅可以增强对驾驶员头部旋转、快速移动以及光照变换的鲁棒性,而且可以比传统的Kalm an滤波算法提供更精确的计算估计.     

3D human motion tracking by using interactive multiple models

Of different model-based methods in vision based human tracking, many state of the art works focus on the stochastic optimization method to search in a very high dimensional space and try to find the optimal solution according to a proper likelihood function. Seldom works perform a framework of interactive multiple models (IMM) to track a human for challenging problems, such as uncertainty of motion styles, imprecise detection of feature points and ambiguity of joint location. This paper presents a two-layer filter framework based on IMM to track human motion. First, a method of model based points location is proposed to detect key feature points automatically and the filter in the first layer is performed to estimate the undetected points. Second, multiple models of motion are learned by the prior motion data with ridge regression and the IMM algorithm is used to estimate the quaternion vectors of joints rotation. Finally, experiments using real images sequences, simulation videos and 3D voxel data demonstrate that this human tracking framework is efficient.     

基于低空风预测模型的救援航迹修正规划方法

针对低空救援航迹易受到侧风影响难以获得准确的航迹规划路径问题,采用数据融合方法预测低空风,修正航空器的低空规划航迹.首先,将飞行区域内的国际交换站作为观测点,通过应用基于无迹卡尔曼滤波（UKF）的数值气象预报释用技术,将观测点的风速、风向记录数据与预报值进行融合,建立低空风预测模型;其次,利用该模型,校正预报数据的系统误差,得出修正的风预测值;最后,结合航空器的爬升率、巡航速度等性能参数与所经航路点的风速、风向信息,依据速度矢量合成原理,修正各航路点的过点时刻.仿真实验表明,与传统的卡尔曼滤波预测方法相比,由UKF方法预测得到的风速、风向RMSE分别减少了12.88%与17.50%,对初始规划航迹的修正更为精确.      

基于RBF神经网络的交通流数据修复研究

完整的传感器数据是交通管理和控制的基础,但由于传感器自身或传输线路故障等原因,常常导致数据缺失,亟需对传感器缺失数据进行修复。鉴于此,以离散和连续缺失的线圈检测器交通流量数据为研究对象,构建基于RBF神经网络的数据修复模型。并将其结果与利用非线性回归模型、BP神经网络模型进行修复的结果相比较。RBF神经网络模型在离散缺失3 个数据、连续缺失3 个数据和连续缺失5 个数据情况下,平均百分比绝对误差分别为0.67%, 0.66%和1.33%,修 复值和实测值的总体相关性为0.992,修复精度优于非线性回归模型和BP神经网络模型。研究结果表明,RBF神经网络模型与其他方法相比可更精确地进行交通数据修复。     

一种机动目标的自适应跟踪算法

通过分析"当前"统计模型采取固定机动加速度最大值在目标跟踪中的不足,引入模糊逻辑技术,提出了一种基于"当前"统计模型的自适应跟踪算法.该算法实现了目标机动加速度最大值随机动特性的自适应调整,从而实现了系统状态噪声方差的自适应调整,提高了系统的跟踪性能.对两种典型的目标机动形式进行了Monte Carlo仿真研究,结果表明了新算法对于解决机动目标跟踪问题的有效性.     

Optimal Sensor Decision Based on Particle Filter

Introduction Multi-sensor tracking technique has receivedmuch attention in recent years. Many tracking sys-tems involve basically active (radar) and passive(infrared tracking) subsystems. The main disad-vantage of infrared search and tracking is the prob-lem of observability and filtering divergence. Actu-ally, quite a lot of research activities have beendone in this field and some researchers more thanonce simulated the feasibility of the approach[1,2].The main idea of the methods is as foll…     

A study of maneuvering control for an air cushion vehicle based on back propagation neural network

A back propagation (BP) neural network mathematical model was established to investigate the maneuvering control of an air cushion vehicle (ACV). The calculation was based on four-freedom-degree model experiments of hydrodynamics and aerodynamics. It is necessary for the ACV to control the velocity and the yaw rate as well as the velocity angle at the same time. The yaw rate and the velocity angle must be controlled correspondingly because of the whipping, which is a special characteristic for the ACV. The calculation results show that it is an efficient way for the ACV's maneuvering control by using a BP neural network to adjust PID parameters online.