基于LM算法神经网络的PMSM转子位置估算

针对永磁同步电机控制中传统机械传感器容易故障或失效,常规无传感器转子位置估计方法实现复杂、计算量大、易受干扰等问题,提出了基于LM算法神经网络的永磁同步电机转子位置估算器.通过采集两相静止坐标系下电压、电流以及与转子位置相关联的数据集来创建估算器模型,针对标准BP神经网络算法收敛速度慢、效率低的问题,将采用LM算法对数...     

基于极大化思想的无人机安全避障域识别算法

为提高四轴飞行器避障的准确性与实时性，提出一种结合LK (Lucas-Kanade)光流法和极大化思想的四轴飞行器避障算法.首先，对四轴飞行器采集的视频流进行预处理，得到图像帧；其次，通过LK光流法剔除图像帧中光流小于阈值的角点，采用基于角点距离的聚类算法对角点进行分组，并计算出每组角点的外包轮廓；然后，利用基于极大化思想的安全避障域算法计算最优通行区域，进一步根据避障域求得偏差数据；最后，将偏差数据输入比例微分（PD）控制器得到控制信息，并发送控制指令使四轴飞行器及时调整飞行姿态，完成避障飞行.通过特洛（Tello）四轴飞行器进行不同场景的实验表明，本文所提出的算法计算每帧图像最优安全避障域平均所需时间为0.17 s，既满足无人机避障实时性要求，又解决了识别障碍物区域与计算安全避障域问题.     

基于多传感器数据融合算法的轴荷称重

为了提升轴荷动态称重系统在载荷任意位置加载时的称重精度，提出了基于多传感器的卡尔曼数据融合算法。通过分析均载与偏载下纯位移称重算法输出的称重数据，建立位移与车厢姿态角度关系的车厢数学模型；利用该模型建立位移与角度的卡尔曼数据融合算法；通过实车数据采集验证该算法的有效性。多传感器数据融合算法与单一位移称重算法相比，平均称重准确率提高了2.78%。     

分布式自适应网格交互多模型JPDA算法

将自适应网格交互多模型(AGIMM)算法和联合概率数据互联(JPDA)算法相结合,提出了用于多传感器多目标跟踪的分布式自适应网格交互多模型联合概率数据互联(DAGIMM-MSJP-DA)算法.该算法在航迹关联检验阶段结束后,融合中心采用模糊加权方法对不同传感器关于同一目标的各模型概率、各模型状态估计及其对应的估计协方差阵进行融合,从而得到关于目标的总体状态估计和相应的估计协方差阵,并将融合后的各模型概率反馈至各传感器以便进行统一的、更为精确的网格自适应调整.最后通过计算机仿真验证了该算法的有效性和正确性.     

城市道路交通动态检测数据融合算法实证研究

针对城市交通动态监测中单一类别交通检测器检测数据的局限性问题,基于城市交通数据检测系统不断完善的前提,依据城市交通运行状况分析需求,对多源动态交通检测数据融合算法进行实证研究,以地磁数据、GPS数据及视频数据作为数据源,运用多源数据融合法、基于LS-SVM的数据融合法和基于人工神经网络的数据融合法进行融合分析,并对比3种数据融合模型及其算法的性能,实证分析结果表明通过多源传感器数据融合处理后的数据比单一传感器数据质量有所提高,支持向量机和神经网络法的融合效果较为良好.     

小型四旋翼无人机建模与控制仿真

小型四旋翼无人机是一种具有六个自由度和四个输入的欠驱动强耦合飞行器,四只旋翼对称均匀分布在十字架结构的四个端点上,仅通过改变四只旋翼的转速即可改变飞行姿态.基于微型四旋翼无人机特有的机械结构和飞行原理,为提高其飞行性能和控制的稳定性,利用牛顿—欧拉方程,建立小型四旋翼飞行器的非线性动力学方程,并针对该模型设计一解耦PID四通道控制系统,且在Matlab/Simulink仿真平台上,对该PID控制系统进行仿真.仿真结果表明:通过改变旋翼的转速可实现四旋翼飞行器姿态的控制,同时该非线性模型和PID控制系统为其后续的四旋翼无人机的控制研究奠定了一定的基础.     

基于双路神经网络融合模型的高速公路雾天检测

高速公路天气状况实时监察对于高速行车安全具备重要意义,然而气象检测只能对大范围区域的气象情况进行预报,不能满足高速行车各个路段气象情况实时检测的需求. 为此,提出一种基于双路神经网络融合模型的高速公路雾天检测算法. 该算法基于双路深度神经网络融合模型,提取雾天图像的可视深度图以及暗通道图像两种视觉特征,并利用深度神经网络进行建模,获得初步分类结果;然后,再利用均值融合层进行分数融合. 为了全面评测该算法的性能,构建了一个覆盖多个省份高速公路的视频监控雾天数据集（express way fog detection dataset,EWFD）,该数据集能够全面涵盖国内高速公路的天气情况,并在该数据集上做了全面的分析对比实验. 实验结果显示,本文所提出的双路神经网络融合模型的雾天监测算法取得了93.7%的准确率,与国际前沿的检测分类算法101层残差网络（ResNet-101）相比,本文提出的算法准确率提高了10%以上.      

神经网络在交通流信息融合中的应用

在城市交通控制系统中可利用数据融合技术获得准确的车辆状态和身份估计,并将相关信息用于交通管理的决策.应用人工神经网络的方法在多传感器信息融合的基础上,提出了一种基于信息融合思想的神经网络模型,并通过实际验证了其有效性及可靠性.     

基于四元数的声压振速联合方位估计算法

常规MUSIC波达方向估计算法的缺点是不能处理相干信号.针对这一情况,文中引入了四元数理论,建立了二维矢量水听器的四元数输出模型,并在此基础上提出了一种声矢量阵声压振速联合方位估计算法.与常规MUSIC方位估计算法相比,该算法利用了四元数紧凑的数据表达形式和较强的正交性约束能力,降低了内存需求和运算复杂度,在不经过任何预处理的情况下可以分辨相干目标.同时,由于利用了声压振速的组合指向特性,算法抗各向同性干扰的能力较强.仿真实验证明了算法的有效性.     

基于小波去噪和最优权重信息融合的短时交通量预测

针对实际交通系统时变复杂的特征和交通流变化的不确定性,应用小波分析理论,对原始交通数据进行了消噪处理,使消噪后的数据更能反映交通流的本质及变化规律。信息融合技术可以对不同传感器数据进行综合处理,去除冗余、克服歧义,得到比任何单个数据源更全面、更准确、更可靠的信息。综合考虑道路交通量预测的实时性、准确性和可靠性,运用基于小波分析的去噪和现代信息融合思想,提出了一种基于小波去噪和最优权重的信息融合预测方法,并用实际数据进行验证。实证分析的结果表明,该方法能够有效提高交通量的预测精度。     

基于BP神经网络拟合的二次相关时延估计

在TDOA无源时差定位中,外界噪声对定位时延估值精度的影响很大.二次相关时延估计算法虽然具有良好的抗噪能力,但随着信噪比的降低,抗噪性也会下降.将BP神经网络引入二次相关时延估计,基于BP神经网络拟合二次相关时域函数曲线,以提升二次相关时延估计的准确度.仿真结果表明,基于BP神经网络拟合的二次相关时延估计算法在低信噪比条件下具有较高的时延估值精度.     

基于多尺度Kalman滤波的多传感器数据融合

通过分析多尺度动态系统模型,提出了一种基于小波变换的Kalman多传感器数据融合算法。该算法结合了Kalman滤波的实时性、递归性和小波变换的多尺度特性,能对多传感器的观测数据有效地融合。算法首先将最细尺度上观测数据滤波后得到的估计序列小波分解到各尺度上;然后在各尺度上,利用该尺度上的传感器观测数据对小波分解系数进行更新;最后利用小波重构,达到更新原始估计序列的目的。仿真实验表明,该算法具有很好的数据融合效果。     

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足，提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer)，该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先，对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模，并合并各周期数据作为模型输入。其次，搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征，融合特征后输出预测值。最后，采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据，预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响，开展模型精细化调参实验，基于所得最优参数组合验证和评估模型 。 结果表明 ，相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN (Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型，本文提出的GRU-Transformer模型预测精度最高，具有较好的实用性。     

铁路轨道几何参数捷联惯性测量基准的建立

为建立高精度铁路轨道几何参数的测量基准,针对传统陀螺稳定平台的不足,研究了基于捷联惯性技术的轨道几何参数测量基准的建立方法.通过分析轨道超高的基本测量原理,指出高精度姿态矩阵的解算是基于捷联惯性技术建立轨道几何参数测量基准的关键.为此,根据刚体运动学理论,建立了列车运动姿态、位置和速度微分方程;采用基于旋转矢量和四元数的方法分析了姿态矩阵解算中姿态、位置和速度的计算问题;采用多子样算法对姿态计算中的“圆锥误差”、速度计算中的“划桨误差”进行了补偿.仿真结果表明,基于多子样算法的捷联惯性基准建立方法能有效减小惯性测量系统随时间累积的计算误差,显著提高系统的精度.     

基于自然选择粒子群的时钟同步算法

为了提高无线传感器网络的时钟同步精度,避免因不可靠数据和网络拓扑结构变化在同步过程中产生的同步误差,建立了基于自然选择粒子群融合算法仿真模型.首先,采用卡尔曼滤波算法,将多个传感器的测量数据进行局部滤波处理,去除测量数据中最底层的冗余信息,提高测量数据的准确性;其次,采用自然选择粒子群算法建立数据融合模型,计算网络的最优融合估计;最后,对自然选择粒子群融合算法模型进行仿真,结果表明:该算法的融合模型不仅能够对网络中的5个节点时钟进行有效融合,而且可以提高节点晶振的时偏和频偏的融合精度,形成一个具有较高稳定度的虚拟时钟,其时偏和频偏的融合精度主要集中范围分别为10-5和10-7,与传统自适应融合算法相比较,它的时偏和频偏融合精度提高了1个数量级.     

循环神经网络模型下道路碳排放浓度预测

以湖南省永州市永州大道基本路段CO₂浓度时序数据为研究对象,旨在实现道路CO₂浓度的实时预测。测得用于模型训练和预测精度计算的路段CO₂浓度数据,利用Savitzky-Golay滤波器对数据进行平滑去噪,在调试并建立循环神经网络最优模型结构的基础上,引入多元预测模型(MLR、SVR、BP)和时序预测模型(BP、RF、RNN、LSTM、GRU)进行预测性能对比,为路段CO₂浓度的实时预测提供参照。结果表明：时序预测模型相比于多元预测模型具有更好的预测效果,特别是循环神经网络模型中的GRU表现出较高的预测精度,其次是LSTM,最后是RNN;循环神经网络模型在处理路段CO₂浓度时序数据的训练和预测任务中具备突出性能,能够实时且精准预测道路路段CO₂浓度。     

长大隧道施工中有轨运输轨道高低不平顺估计

针对长大隧道施工中有轨快速运输轨道高低不平顺检测方法缺乏便捷高效性问题，通过轴箱垂向加速度和轨道高低不平顺之间的关联关系，并结合长短记忆神经网络(LSTM)和门控循环单元神经网络(GRU),建立LSTM与GRU融合的轨道高低不平顺估计模型。结果表明：利用LSTM-GRU模型估计的高低不平顺幅值和对比值变化趋势基本相同；估计值和对比值的差值最大为1.38 mm,占最大幅值的8.84%;其中差值在15%(1.02 mm)以内的数量占样本总数的86.4%。LSTM-GRU模型相对LSTM模型，训练时间下降37.51%;相对于GRU模型，高低不平顺均方根误差下降30.77%。针对长大隧道施工过程中的有轨运输，LSTM-GRU模型不仅能保证估计精度，还能明显降低估计时间，对长大隧道施工有指导意义。     

基于矢量传感器阵列的二维波达方向估计研究

矢量水听器由声压传感器和质点振速传感器复合而成,可以空间共点、同步测量声压和质点振速的各正交分量.相对于声压水听器阵来说,矢量阵获取声场中更多的信息,利用矢量阵所获得的速度场的信息可去除目标方位估计中的模糊.多重信号分类(MUSIC)算法是通过对数据协方差矩阵进行本征分解获得信号空间谱估计的方法.文中采用矢量水听器均匀线阵研究了利用MUSIC算法对声源进行二维角度估计,通过对声压水听器和矢量水听器阵MUSIC算法的仿真对比得出结论:声矢量阵比声压阵具有更好的波达方向估计性能.另外,文中还采用空间平滑技术对相关信号源进行解相关从而得到良好的二维波达方向估计性能.     

基于MHPSO优化GRU神经网络的短时交通流预测

为提高短时交通流量预测精度及预测效率,首先提出一种PSO改进算法(MHPSO),把PSO种群结构设置为多层,将种群中上层粒子作为下层粒子的吸引粒子,将吸引粒子对粒子本身的吸引能力考虑在内,修改粒子速度更新方程以增强种群粒子之间的交互能力,从而有效地避免其陷入局部最优,提升算法的寻优速度及精度;然后利用MHPSO对GRU神经网络的参数进行优化;最后利用基于MHPSO优化的GRU神经网络构建短期交通流预测模型.实验结果表明:基于MHPSO优化的GRU神经网络模型在短时交通流预测中具有更高的预测精度,预测效率得到显著提升.     

基于小波和RBF神经网络的多传感器时间对准算法研究

提出利用小波降噪和RBF神经网络进行时间对准算法,该方法先对采集到的数据进行降噪处理,为下一步操作提供准确数据;然后利用RBF神经网络将不同传感器采集不同采样周期的数据对应到同一个时间点上,进行多传感器时间对准,为后面数据特征提取和数据融合提供高精度数据支持。通过仿真结果与其它方法的对比可得该方法运算速度快,具有数据修正能力和精确度高的特点,适用于多传感器的时间对准。