基于联合粒子滤波的系统误差修正方法

在非线性滤波系统中,线性化误差和系统误差是影响滤波精度的两个主要因素.提出联合粒子滤波方法,在减少线性化误差的同时,能够实时估计系统误差的大小并自适应地消除其影响.说话人跟踪仿真实验结果验证了此方法的有效性.     

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.     

铁路轨道异物完整性检测与跟踪算法研究

针对野外复杂环境下轨道异物检测不完整问题,提出基于小波变换的像素过滤思想改进GMM,构建背景模型;为解决异物目标实施机动(转弯、加速或突然出现)时跟踪实时性差和准确率低的问题,分析Kalman滤波线性化误差,搭建BP神经网络修正 IMM的跟踪模型,实现轨道异物跟踪预测,并推导出非线性Kalman滤波关系.实验表明,改进GMM在正常天气下平均前景误检率降低了24.94个百分点,针对复杂恶劣天气平均前景误检率降低了33.76个百分点;建立BP神经网络-IMM-Kalman滤波模型不仅可以快速准确地对场景中的机动目标进行跟踪,而且比Kalman滤波和IMM更加平稳,误差更小.     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

融合序列形态学算子的城区LiDAR滤波方法

为解决单一形态学算子在LiDAR数据滤波中的准确性和自动识别问题,提出了一种融合序列形态学算子的城区LiDAR滤波方法.在顾及多种形态学算子优势互补特性和LiDAR不同地物数据特点的基础上,首先利用形态学开运算及白top-hat变换剔除低粗差噪声和树木、汽车、电力线等小型地物,然后利用形态学梯度查找大型建筑物边缘,最后利用连通性分析和二值形态学重建方法剔除大型建筑物,获得准确的地面与地物分类点.使用ISPRS提供的不同复杂度9组城区测试数据进行实验,结果表明,本文方法的Ⅰ类、Ⅱ类及总误差均值分别达到6.90%、3.33%和5.44%,整体分类与自动识别性能优于常规滤波算法.      

基于形态学滤波的图像伪边缘去除方法

针对传统边缘检测算子去除由噪声引起的伪边缘难的问题,提出了一种基于数学形态学滤波的图像伪边缘去除方法.该方法首先利用自适应中值滤波器对图像进行滤波,然后用Canny算子对图像进行边缘检测,对处理后的图像进行改进的τ-运算以去除伪边缘,从而得到较理想的图像边缘.仿真实验表明,该方法不仅有效地去除了由噪声引起的图像伪边缘,而且保留了完整的图像边缘,具有较小的均方根误差.     

自动检测系统非线性误差的神经网络校正方法

在自动检测系统中,由于传感器、放大器、A/D转换电路等存在非线性误差,使得检测系统存在非线性误差.非线性误差是系统误差,属于静态误差.为减少检测系统的测量误差,在自动检测系统中需要对非线性误差进行校正.讨论了一种采用FLANN神经网络进行非线性误差的校正方法.这种方法比采用整段校正、平方插值校正等方法具有更好的性能.     

单片机应用系统中的软件抗干扰措施

在液体浓度在线测试仪的研究过程中,利用单片机系统进行数据采集和处理,采用了三种软件抗干扰措施消除零点误差及零漂,去极值后平均值滤波法,比值滤波法.有效地消除了噪声的干扰,保证了系统在恶劣环境下稳定、精确地运行.     

交通流预测的马尔科夫粒子滤波方法研究

智能交通系统中,短时交通流预测是实现先进的交通控制和交通诱导的关键技术之一.针对目前马尔科夫交通流量预测模型在精度方面的不足,以及交通流量随机性、波动性的特点,提出马尔科夫粒子滤波交通流预测模型.一方面,将对交通流量预处理后的样本数据应用于马尔科夫模型中预测未来交通流量,能够较好地描述交通流量的变化趋势;另一方面,针对该预测结果精度的不足及对非线性预测不稳定的缺点,引用粒子滤波算法,将预测结果及权值进行不断更新,以及样本重选样过程,经过多次迭代,使样本粒子更加逼近真实预测值,从而提高预测精度.最后,以北京昌平区某检测器检测到的交通量进行仿真,将预测结果与传统马尔科夫链进行误差对比分析.结果表明,本文提出的马尔科夫粒子滤波交通流预测模型 5 min间隔误差为6.14%、1 h间隔误差为6.04%,预测精度高,具有更好的适用性和稳定性.     

轿车车身制造尺寸质量控制界限的设定研究

针对车身尺寸小样本检测的实际情况，引入小波变换进行滤波，把车身尺寸的原始检测数据经过小波滤波后，分离出趋势项信号与波动项信号，在一定程度上弥补了小样本检测带来的误差，在此基础上对车身制造尺寸质量的控制界限进行修正，给出了应用实例。     

基于粒子滤波的跟踪算法研究

在非线性条件下,扩展Kalman 滤波（ EKF）的应用最为广泛。但是,由于它采用了Taylor展开的线性变换来近似非线性模型,因而存在计算量大、实时性差、估计精度低等缺点。粒子滤波（ PF）用一些带有权值的随机样本（粒子）来表示所需要的后验概率密度,并通过这些粒子的加权来估计目标运动的状态,从而得到基于物理模型的近似最优数值解,具有精度高、收敛速度快等特点。通过仿真实验将PF与EKF的性能进行了对比,并且研究了噪声协方差与粒子数对PF的影响。 PF与EKF的对比实验结果表明,在强非线性条件下,PF比EKF跟踪精度更高,误差更低。     

��������С���任��GPS��̬�˲����㷨

针对应用卡尔曼滤波器进行车辆GPS导航信号的动态滤波时难以建立精确的数学模型以及传统小波变换在实时性方面存在不足,提出了基于提升小波变换的GPS动态滤波新算法.该算法采用提升小波变换对车辆GPS导航信号进行分解;用3σ准则和多项式插值方法对各层提升小波变换系数进行粗差探测与数据修复;采用模平方软阈值去噪算法对各层提升小波变换系数进行去噪;最后进行提升小波逆变换,从而实现车辆GPS导航信号的动态滤波。仿真实验结果表明,该算法的导航定位精度优于卡尔曼滤波算法;虽然在导航定位精度方面稍比传统小波变换算法的性能高,但比传统小波变换算法速度快一倍;显然该算法对车辆GPS导航系统是有效的.     

零相位数字滤波器在非平稳信号处理中的应用

研究零相位数字滤波器在进行非平稳信号滤波时的特点．选用一种典型带通零相位数字滤波器,以非平稳调幅信号作为滤波器输入,进行仿真分析．将零相位数字滤波器与小波包分解重构和经验模态分解方法的滤波能力进行了比较．探讨了零相位数字滤波器在处理非平稳调幅信号时存在的过渡过程,及对滤波结果幅值和频率的影响．论述了滤波误差与滤波器参数、输入信号特性和信噪比等因素的关系．提出了分段零相位滤波器方法,改善了滤波器性能．最后,以一个实测的振荡信号对上述分析进行了验证．为在非平稳信号处理中,正确使用零相位数字滤波器提供了参考．     

三齿轮联动双曲柄环板式针摆行星传动中针摆传动误差分析的新思路

传统的分析减速器整机传动误差的方法通常是以误差独立作用原理为基础,采用微分法和原始误差等效作用法求解,它没有考虑误差的相关性,也不清楚各时刻误差的变化情况.使用不同于传统理论计算的方法,在建立存在各种误差时针摆啮合的坐标系基础上,将针摆啮合传动的过程从数学的角度来定义,并建立可以求出每一时刻输出转角的误差值的数学模型,同时对减速器中的针摆传动部分的传动误差进行了分析.这种方法吸取了实验法的一些优点,同时又克服了它的不足.     

单相SAPF系统谐波电压检测与控制的仿真

为了改善用户侧电压质量与谐波问题,通过分析单相串联型有源电力滤波器（SAPF）的结构、原理及特点,提出了单相SAPF系统谐波检测的方法;同时借鉴单相SVPWM技术原理,将开关模式优化的SVPWM技术应用于单相SAPF系统中,提高了系统波形控制精度;利用Matlab软件,建立了基于上述谐波检测和系统波形控制的单相SAPF系统的仿真模型,并利用该模型对动态电压跌落与闪变等电压故障状态进行了动态补偿的仿真.仿真结果显示：本文提出的SAPF滤波系统不但具有良好的滤波性能,而且可以保障负载不受系统电压故障的影响,具有良好的工程应用前景.     

面向车路协同孪生仿真测试的多尺度滤波同步方法

为提升车路协同孪生仿真测试系统的同步性能，明确了孪生主体的运行机理，分析了影响系统同步性能的干扰因素，建立了孪生状态同步映射模型; 针对孪生状态采样的时钟异步问题，设计了时钟误差估计策略，修正了孪生仿真测试系统的量测时间偏差; 在此基础上，结合卡尔曼滤波原理，引入多尺度滤波器更新机制，建立了考虑同步采样误差的量测噪声模型，提出了多尺度滤波同步优化方法; 最后，在搭建的孪生仿真测试原型系统中，选取NGSIM数据集的车辆轨迹开展试验。研究结果表明:在不同车辆速度条件下，提出的多尺度滤波同步优化方法能够保持良好的同步性能; 在横向坐标同步方面，平均绝对误差小于1 mm，99.5%的绝对误差控制在8 mm以内; 在纵向坐标同步方面，平均绝对误差小于9 mm，99.5%的绝对误差控制在38 mm以内; 在速度同步方面，平均绝对误差小于2.8 cm·s-1，99.5%的绝对误差控制在24 cm·s-1以内; 在偏航角同步方面，平均绝对误差小于1.1×10-3 rad，99.5%的绝对误差控制在1.1×10-2 rad以内; 与航迹推算方法相比，提出的方法能够在横向坐标、纵向坐标、速度和偏航角方面平均提升30.0%的同步精度，能够有效解决孪生主体的状态异步问题，可保障车路协同孪生仿真测试系统的实时同步与精准运行。      

车联网环境下公交路径交通状态估计方法研究

传统感应线圈的交通状态估计方法已无法满足准确性和实时性的状态估计需要,为此提出了基于联网公交车辆实时速度的交通状态估计模型。所提模型借助实时信息采集系统的高效性和准确性的优势,对道路交通运行状态进行估计,同时利用卡尔曼滤波算法对交通状态变量进行更新。基于历史观测数据对更新后的交通状态变量进行修正,进而得到交通状态的估计值。通过采集数据并进行大量的实验,研究结果表明：基于联网公交实时速度的状态估计模型,在各种交通环境条件和占有率下,估计值误差指数（变异系数） 均小于15%,最大仅为13.15%;状态估计修正模型与状态估计模型相比,估计值误差指数下降了2%,总体误差优化性能提升了11.87%。在确保实时性和高效性的同时,基于联网公交车辆实时速度的交通状态估计模型解决了传统道路交通状态估计方法准确性低的问题。     

行程时间异常值处理方法研究

基于车牌识别数据可以得到较为准确的行程时间数据,但是由于识别系统自身原因、驾驶员路径选择行为、停车行为等因素的影响,行程时间数据中存在不少的异常值,剔除异常值才能将所得数据应用于实际研究和服务.在详细分析了行程时间异常值产生原因的基础上,提出了基于异常值数据表现以及行程时间分布特征的异常值剔除方法,最后以北京市的车牌识别系统数据为例,验证了方法的适用性.