全文获取类型
收费全文 | 108篇 |
免费 | 7篇 |
专业分类
公路运输 | 23篇 |
综合类 | 25篇 |
水路运输 | 62篇 |
铁路运输 | 4篇 |
综合运输 | 1篇 |
出版年
2024年 | 1篇 |
2023年 | 3篇 |
2022年 | 5篇 |
2021年 | 4篇 |
2020年 | 10篇 |
2019年 | 4篇 |
2018年 | 2篇 |
2017年 | 8篇 |
2016年 | 4篇 |
2015年 | 4篇 |
2014年 | 10篇 |
2013年 | 8篇 |
2012年 | 4篇 |
2011年 | 2篇 |
2010年 | 5篇 |
2009年 | 9篇 |
2008年 | 2篇 |
2007年 | 3篇 |
2005年 | 5篇 |
2004年 | 6篇 |
2003年 | 3篇 |
2002年 | 1篇 |
2001年 | 2篇 |
1998年 | 2篇 |
1997年 | 2篇 |
1996年 | 1篇 |
1995年 | 1篇 |
1992年 | 1篇 |
1991年 | 1篇 |
1989年 | 1篇 |
1988年 | 1篇 |
排序方式: 共有115条查询结果,搜索用时 31 毫秒
71.
72.
交叉口瞬时交通流量预测的自适应卡尔曼滤波模型 总被引:1,自引:0,他引:1
提出了一个交叉口瞬时交通量预测的带时间窗自适应卡尔曼滤波模型(Adaptive Kalman Filter Model,AKFM);详细阐述了模型的理论基础、建立过程、推导步骤及状态转移矩阵;并通过C++实现了AKFM和传统卡尔曼滤波模型(Traditional Kalman Filter Model,TKFM);最后,通过实际交叉口的检测数据对该模型与传统卡尔曼滤波模型进行了比较分析及评价.实验结果表明,AKFM模型是稳定有效的,预测精度优于TKFM. 相似文献
73.
准确估计锂离子电池荷电状态(SOC)对于突破电动汽车发展瓶颈,推动电动汽车商业化至关重要。针对动力电池模型参数辨识问题,提出基于遗忘因子的递推最小二乘法(FRLS)的模型参数在线识别方法。实时测量动力电池电流和电压数据,在线辨识模型参数并实时更新,实时反映电池内部参数的变化过程,对电池动态特性进行实时模拟。针对容积卡尔曼(CKF)滤波过程中对噪声敏感的问题,提出一种基于随机加权思想的自适应容积卡尔曼滤波(ARWCKF)方法。相比于常规CKF容积点权值始终不变,通过引入随机加权因子,自适应调整容积点权值并对系统噪声、状态向量及观测向量进行预测,抑制系统噪声对状态估计的干扰,避免因容积点权重值固定所带来的误差。针对CKF算法在容积点计算过程中由于状态方差矩阵失去正定性导致的平方根分解无法使用的问题,提出基于奇异值分解的容积点计算方法,克服由于先验协方差矩阵负定性变化而导致的滤波精度下降等问题,并进行多种工况、温度下不同SOC初值的对比验证。结果表明:所提出的基于遗忘因子的递推最小二乘法的在线参数辨识及ARWCKF滤波方法具备良好的估计精度及收敛能力,最大电压估计误差不超过40 mV,SOC估计误差不超过1%。 相似文献
74.
75.
76.
为有效解决复杂行驶工况下车辆耦合侧倾运动状态无法精确获取,进而对车辆系统操纵稳定性与乘坐舒适性兼顾优化无法提供准确输入的难题,本文中设计了基于车辆垂向与横向耦合动力学的双非线性状态观测器算法,以实现复杂行驶工况下车辆耦合侧倾运动状态的实时准确估计。首先,建立了路面激励模型与整车系统垂向与横向耦合动力学模型;接着,利用无迹卡尔曼滤波方法(UKF)与非线性模糊观测(T-S)理论,设计了非线性状态观测算法,以在不同路面激励工况下对车辆系统簧载质量与侧倾状态进行联合估计;最后,运用CarSim■动力学软件,对比分析了在标准A级与C级路面上进行J-turn试验工况下,采用联合状态观测器(UKF&T-S)实时估计车辆侧倾角与侧倾率的观测精度。结果表明,本文所设计的UKF&T-S观测器可有效估计车辆侧倾状态,且与CarSim■仿真数据相比识别状态标准偏差不超过10%。 相似文献
77.
78.
79.
卡尔曼/粒子滤波器在船用组合导航中的应用 总被引:1,自引:0,他引:1
采用将全球定位系统GPS(Global Positioning System)与捷联惯性导航系统SINS(Strapdown Inertial Navigation System)进行组合导航的方式,组合后系统性能将优于GPS或SINS单独使用时的任一系统。介绍了基本粒子滤波器算法原理并对卡尔曼/粒子组合滤波器在船用GPS/SINS组合导航中的实现形式及算法特点进行了研究。仿真结果表明,对于船用SINS/GPS组合导航问题,卡尔曼/粒子组合滤波器能够获得较高的滤波精度,满足实际船用导航要求。 相似文献
80.
为了准确获取分布式驱动电动汽车状态参数信息,满足车辆稳定性控制系统的需求,提出一种基于蚁狮算法的无迹卡尔曼滤波状态参数估计器。针对无迹卡尔曼滤波(UKF)过程中噪声协方差矩阵的不确定性,采用蚁狮优化算法(ALO)对其进行寻优,并引入奇异值分解(SVD)的方法来维持噪声协方差矩阵的正定性,此外,基于指数加权最小二乘法对车辆侧偏刚度进行辨识并将其作为状态参数估计器输入。基于MATLAB/Simulink和CarSim联合仿真平台,建立分布式驱动电动汽车参数估计模型,分别进行双移线工况和正弦迟滞工况仿真,并基于A&D5435快速原型开发平台进行双移线工况实车试验。仿真与试验结果表明:相比于SVDUKF算法估计结果,双移线仿真工况下,基于ALO-SVDUKF算法估计得到的质心侧偏角和横摆角速度的均方根误差分别降低了55.7%、30.7%,正弦迟滞仿真工况下,均方根误差分别降低了58.1%、85.1%,且在车辆处于极限失稳状态时仍能维持较好的估计效果;双移线试验工况下,横摆角速度的估计值与实际测量值之间的均方根误差仅为0.938 4(°)·s-1;提出的基于ALO-SVDUKF算法的分布式驱动电动汽车状态参数估计器能够有效提高质心侧偏角和横摆角速度的估计精度,可为车辆稳定性控制提供精确的状态信息。 相似文献