基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计EI北大核心CSCD

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆状态估计

本文中提出了一种基于改进的Sage-Husa自适应扩展卡尔曼滤波的车辆行驶状态估计算法。首先建立了非线性3自由度车辆估算模型和Dugoff轮胎模型。接着通过对纵向加速度、侧向加速度、横摆角速度和转向盘转角等低成本传感器信号的信息融合,实现对车辆行驶状态的准确估计。最后应用CarSim和Matlab/Simulink联合仿真对算法进行验证。结果表明:基于改进的Sage-Husa自适应扩展卡尔曼滤波的估计算法能比扩展卡尔曼滤波算法更准确、稳定地估计车辆行驶状态。     

线控转向汽车状态和路面附着系数的联合估计算法

线控转向( SBW)系统采用电子元件代替了转向盘到转向车轮之间的机械连接,其车轮回正力矩较传统汽车更容易获得.本文中通过建立SBW系统动力学模型和利用车轮回正力矩信息,采用双扩展卡尔曼滤波(DEKF)算法对汽车状态和路面附着系数进行联合估计.通过DEKF估算与CarSim仿真结果的对比,验证了联合估计算法的有效性.     

基于自适应模糊扩展卡尔曼滤波的车辆运动状态联合估计

为准确实时地获取车辆运动状态信息,满足车辆主动安全控制系统的需求,基于模糊控制器和扩展卡尔曼滤波（EKF）算法,采用非线性3自由度车辆动力学模型,提出一种基于自适应模糊扩展卡尔曼滤波（AFEKF）的车辆运动状态联合估计策略。首先利用EKF算法对待测量噪声的输入量联合估计得到所需的状态量,然后建立模糊控制器对其进行自适应调节,最后应用MATLAB/Simulink仿真平台建立14自由度车辆动力学模型对估计算法进行仿真和实车试验验证。结果表明：AFEKF算法能够准确有效地估计车辆的行驶状态,且与EKF算法相比,准确性和鲁棒性更好。     

异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

基于LO-EKF算法的分布驱动电动汽车状态估计的研究

本文中对分布式驱动电动汽车的状态估计进行研究。首先利用龙伯格状态观测器实时观测对车辆的状态估计影响较大的路面坡度,接着,提出了采用扩展卡尔曼滤波算法,以车辆ESP传感器所获取的数据信息作为观测值,对分布式驱动电动汽车的动力学状态变量进行估计。最后进行Carsim和MATLAB联合仿真。结果表明,基于扩展卡尔曼滤波和龙伯格观测器的车辆状态估计算法能较好的估算出车辆的相关动力学状态值,算法可行,收敛速度较快。     

基于遗传算法的改进AdaBoost算法在汽车识别中的应用

将遗传算法应用于以SVM为弱分类器的AdaBoost算法,产生了一种识别率高,泛化能力好的强分类器,本文称之为GA-AdaBoostSVM算法。该算法先训练多个支持向量机作为弱分类器,然后用AdaBoost算法将多个弱分类器组合成一个强分类器,在组合的同时采用遗传算法对各弱分类器的权值进行全局寻优。此算法特点在于:(1)传统的Ad-aBoost算法,对所有弱分类器的权值无法给出一个最优的组合,GA-AdaBoostSVM算法用遗传算法对弱分类器的权值进行全局寻优,得到的强分类器具有更高的识别准确率。(2)为提高强分类器的泛化能力,在训练弱分类器时,合理调整RBF核的参数,使各个弱分类器在准确率和差异性之间得到折中,从而提高整合后的强分类器的泛化能力。最后,通过试验与传统AdaBoostSVM进行对比,表明GA-AdaBoostSVM的优越性。     

遗传策略粒子群优化的粗糙集神经网络在崩塌落石灾害风险评估中的应用

本文提出一种运用遗传策略粒子群优化的粗糙集神经网络的崩塌落石风险评估智能方法。首先利用基于邻域粗糙集模型的属性约简方法对样本数据进行属性约简,然后采用遗传策略对粒子群优化算法进行改良,用该改良后的优化方法替代传统BP算法来训练神经网络的权值和阈值,再用训练好的神经网络对崩塌落石风险进行评估。仿真结果表明:该方法降低了神经网络结构的复杂性,减少了网络训练时间,提高了预测精度。     

电动汽车用锂电池模型参数辨识方法研究

利用二阶RC电池等效模型,分别运用最小二乘拟合法、扩展卡尔曼滤波法和遗传优化扩展卡尔曼滤波法3种模型参数辨识方法对某型磷酸铁锂电池充放电过程中的回弹电压外特性进行参数辨识,通过对比分析得出遗传优化扩展卡尔曼滤波法的辨识精度更高。     

基于卡尔曼滤波的交叉口动态O-D反推模型与算法

交叉口各进出口道之间的实时转向交通量是信号控制系统重要的输入数据,也是难以获得的数据.针对已有模型收敛速度较慢、无法满足实际系统应用需要的问题,提出了基于卡尔曼滤波的状态空间模型,设计了顺序卡尔曼滤波进行求解,并采用裁切和标准化对反推结果进行了修正.实例研究表明,模型和算法具有较高的效率和准确性,能够为实时自适应信号控制系统的开发提供支持.     

基于无师GFMM神经网络的公路工程工时定额测算方法研究

论述了工时定额的概念及影响因素、常用的工时定额制定方法、线性神经网络模型的不足。提出了一种模糊极大极小人工神经网络模型的工时定额测算方法,该方法不仅具有一般神经网络的优点,可以输入n维模糊量,而且能够直接处理模糊变量。同时,网络的训练采用无师学习方法,使得模型能够应付新出现的影响因素,从而可以解决新技术、新工艺的出现对工时定额的动态影响。     

路面附着系数的自适应衰减卡尔曼滤波估计

为了获得实时、准确的路面附着系数，进一步提高观测路面附着系数算法的精度和收敛速度，结合非线性车辆动力学模型和轮胎力修正模型，搭建分布式驱动电动汽车联合仿真平台，提出一种基于自适应衰减无迹卡尔曼滤波的路面附着系数观测算法。该算法设计与各轮对应的路面附着系数观测器，应用协方差匹配判据对观测器发散趋势进行判别，设计自适应加权系数修正预测协方差，以增强新近观测数据的利用率；同时采用次优Sage-Husa噪声估计器对未知的系统过程噪声进行估计，抑制观测器的记忆存储长度，调整过程噪声和测量噪声的均值与协方差，提高观测器的跟踪能力。利用分布式驱动电动汽车分别进行高、低附着路面和对开路面直线制动试验，并将自适应衰减无迹卡尔曼滤波路面附着系数观测器的观测结果与无迹卡尔曼滤波观测值、参考路面附着系数进行比较和分析。结果表明：高附着路面条件下，所设计的算法估计误差可控制在0.64%以内；低附着路面条件下，所设计的算法估计误差可控制在1.03%以内；对开路面条件下估计误差可控制在1.26%以内；自适应衰减无迹卡尔曼滤波算法相比无迹卡尔曼滤波算法响应速率更快，具有更高的估计精度和较强的自适应能力，估计结果整体上维持稳定，能够适应各种不同路面的估计。     

基于BP神经网络的列车制动控制仿真研究

针对列车制动过程存在的复杂性、非线性、时变性、不确定性等因素,通过分析影响建立BP神经网络模型的主要因素,建立了用于列车制动控制的BP神经网络模型。以货物列车为仿真对象,在Matlab环境中进行了仿真研究。仿真结果表明,该方法控制安全性好、停车误差小,基于BP神经网络的智能算法运用于列车制动控制是可行的。     

基于Kalman滤波的城市环路交通流短时预测研究

在介绍现有的主要交通流预测方法的基础上，阐述了基于卡尔曼滤波（Kalman）的预测模型及其具体算法。结合城市环路的交通运行特性，构建了基于卡尔曼滤波的交通流短时预测模型，并根据北京市三环路的实际数据对模型进行验证。实证数据表明．所建立的交通流动态实时预测模型的预测效果比较理想，算法的实时性也满足实际预测系统的要求，可应用于交通流预测及交通智能控制。     

基于共同配送策略的公路货运网络优化问题

为取得公路货运网络的规模经济,提出采用共同配送模式来优化公路货运网络。针对已有运输网络设计模型中对运费函数和路径选择分析的不足,提出包含分段费用函数和最短运输路径选择的公路货运枢纽网络设计模型。通过实例计算,采用共同配送模式的公路货运网络中的货物周转量比采用传统的"点-点"网络模式中的货物周转量增加38.07%;而前者的干线公路运输费用却比后者下降了26.48%。结果表明,采用共同配送模式有利于实现公路货运网络的规模经济,文中提出的运输网络设计模型能较好用于公路货运网络优化中。     

A vehicle ABS adaptive sliding-mode control algorithm based on the vehicle velocity estimation and tyre/road friction coefficient estimations

A sliding-mode observer is designed to estimate the vehicle velocity with the measured vehicle acceleration, the wheel speeds and the braking torques. Based on the Burckhardt tyre model, the extended Kalman filter is designed to estimate the parameters of the Burckhardt model with the estimated vehicle velocity, the measured wheel speeds and the vehicle acceleration. According to the estimated parameters of the Burckhardt tyre model, the tyre/road friction coefficients and the optimal slip ratios are calculated. A vehicle adaptive sliding-mode control (SMC) algorithm is presented with the estimated vehicle velocity, the tyre/road friction coefficients and the optimal slip ratios. And the adjustment method of the sliding-mode gain factors is discussed. Based on the adaptive SMC algorithm, a vehicle's antilock braking system (ABS) control system model is built with the Simulink Toolbox. Under the single-road condition as well as the different road conditions, the performance of the vehicle ABS system is simulated with the vehicle velocity observer, the tyre/road friction coefficient estimator and the adaptive SMC algorithm. The results indicate that the estimated errors of the vehicle velocity and the tyre/road friction coefficients are acceptable and the vehicle ABS adaptive SMC algorithm is effective. So the proposed adaptive SMC algorithm can be used to control the vehicle ABS without the information of the vehicle velocity and the road conditions.     

基于RFID电子车牌数据的公交行程时间预测方法

为了给公交优先信号配时系统提供足够的"思考"时间和准确的控制依据，基于重庆市RFID电子车牌数据提出了一种采用自适应渐消卡尔曼滤波和小波神经网络组合模型动态预测公交行程时间的方法。综合分析公交行程时间的动态和静态影响因素，选取的模型输入参量为标准车流量、路段车辆平均行程时间、平均车速离散性和前班次公交行程时间。利用RFID电子车牌系统采集重庆市鹅公岩大桥路段车辆行驶数据，选取3 000组实际运行数据完成公交行程时间预测模型的训练，另筛选50组数据验证模型的有效性和准确性。研究结果表明：组合模型可动态自适应预测公交行程时间，预测值平均相对误差为3.23%，绝对误差集中在8 s左右，明显优于2种单一模型和基于传统GPS数据的公交行程时间预测模型，可认为选择RFID电子车牌数据作为组合模型的输入，能够明显改善模型预测精度；组合模型预测值的残差分布更为集中、鲁棒性较好，泛化能力强。选择平均绝对误差值、均方根误差值和平均绝对百分比误差作为模型评价指标，结果进一步表明，组合模型的综合预测效果明显优于单一的自适应渐消卡尔曼滤波和小波神经网络。研究方案可为先进公交信息化系统提供良好的技术支撑。     

Sideslip angle estimation based on input–output linearisation with tire–road friction adaptation

An adaptive sideslip angle observer considering tire–road friction adaptation is proposed in this paper. The single-track vehicle model with nonlinear tire characteristics is adopted. The tire parameters can be easily obtained through road test data without using special test rigs. Afterwards, this model is reconstructed and a high-gain observer (HGO) based on input–output linearisation is derived. The observer stability is analysed. Experimental results have confirmed that the HGO has a better computational efficiency with the same accuracy when compared with the extended Kalman filter and the Luenberger observer. Finally, a road friction adaptive algorithm based on vehicle lateral dynamics is proposed and validated through driving simulator data. As long as the tires work in the nonlinear region, the maximal friction coefficient could be estimated. This algorithm has excellent portability and is also suitable for other observers.     

基于状态空间模型的道路交通状态多点时间序列预测

以多点的道路交通状态为研究对象,把道路交通状态单点预测向多点同时预测扩展,提出了基于状态空间模型的道路交通状态多点时间序列预测方法。首先,利用道路交通状态的多点时间序列数据建立多维自回归模型,转化状态空间模型形式,接着利用EM算法估计状态空间模型参数,从而得到多点道路交通状态的状态空间模型;其次,根据时间序列数据估计系统状态,利用卡尔曼滤波算法进行一步预测,补充新的数据并更新系统状态递推预测;最后,利用某城市快速路上相邻6个交通检测器采集的多点时间序列数据验证模型的有效性,并与卡尔曼滤波单点预测方法相对比。结果表明:该模型是可行和有效的。     

基于遗传神经网络的货运量预测的研究与实现

针对BP网络和遗传算法的缺陷，提出了一种新的遗传神经网络优化模型，可以用来同时优化BP神经网络的网络结构和权值阈值，叙述了该算法的设计过程。利用该算法对货运量进行预测，并与标准的BP算法预测结果进行比较，计算结果表明，该算法的预测精度大大高于标准的BP算法的预测精度。