运动车辆检测与跟踪方法

为提高城市智能交通综合管理能力,提出了基于视频分析的运动车辆检测与跟踪方法。在城市交通干道路面环境中,根据运动目标与道路背景统计特性的差异,基于贝叶斯概率准则,提出一个自适应背景更新算法,检测分离运动车辆目标前景,采用卡尔曼滤波器实现对视频序列中车辆目标的运动检测与实时跟踪,并对在重庆某交通干道的交通流视频进行检测。试验结果表明:该方法在常规视频分辨率下能实现实时处理视频,平均检测准确率为94%,具有较好的实时性与鲁棒性,能够实现城市交通环境中各类运动车辆的检测与跟踪。     

船载炮的射击误差分析及消除方法

基于船舶在海浪中运动模型，结合炮兵射击学原理，研究了船舶摇摆导致火炮基座运动以及杆臂效应导致子惯导初始对准误差等因素对火炮射击的影响，分析了传递对准消除对准误差角的效果。仿真表明，低射界射击情况下，纵摇和横摇对射击距离的影响随射程增大而减小；对射击方向而言，纵摇的影响随射程增大而减小，而横摇的影响则随射程增大而增大；由安装偏差所造成的杆臂效应产生的误差角对射击的影响也很明显，其影响随船舶振荡运动的幅度的增加而增大；采用基于卡尔曼滤波的传递对准能快速消除船载炮初始对准角误差，从而提高火炮初始装定射角的准确性。     

模糊自适应滤波在车载组合导航系统中的应用

文章针对车载GPS/DR组合导航系统工作环境复杂,其观测噪声相应复杂多变的特点,引入了一种基于模糊自适应控制的卡尔曼滤波算法。这一方法基于方差匹配的思想,通过模糊控制器在线调整观测噪声方差,以改变滤波器的自适应性,从而提高导航精度。文章最后对GPS/DR系统进行了仿真,结果表明采用此方法后的滤波精度优于常规Kal-man滤波的结果。     

基于三元阵的舰船水压场微弱信号检测方法研究

利用三元阵水压场同步测试系统一次海上实船水压场测试试验的三阵元数据开展了低信噪比实船水压场的特征提取和检测方法研究.结合三阵元,分别采用了自适应滤波方法和功率谱估计方法对所获得的试验数据进行分析处理.结果证明,基于自适应滤波和基于功率谱估计的三阵元联合浮动门限能量检测方法能有效抵消噪声干扰,所设计的浮动门限随海浪背景噪声的变化而调整,具有很好的适应性,能在低信噪比下达到较高的信号检测率.     

基于Unscented卡尔曼滤波器的地磁辅助组合导航

将船位推算与地磁测量相结合构成组合导航方法.首先建立了推算模型,然后利用Unscented卡尔曼滤波方法,直接将地磁测量的结果用于校正推算结果,进行导航定位.此方法不采用匹配方法进行定位,可进行实时定位,能适用于非线性和离散的地磁模型.仿真表明,此方法能减小定位误差,适用于基于船位推算和地磁定位的实时组合导航.     

卡尔曼滤波在潜艇垂直面运动控制器设计中的应用

潜艇低噪声操纵存在无效用舵现象。简要介绍了滤波信号的表示形式,在潜艇垂直面线性运动方程的基础上,得出了滤波信号的系统模型,并对其进行了离散化处理;将均方差最小线性递推滤波算法引入到输入信号的控制过程中,通过仿真证明对输入信号进行卡尔曼滤波能够提高输入信号的品质,用于工程应用。     

结构水下爆炸响应的恢复与冲击谱计算

由于传感器受高强度冲击作用,实测的结构水下爆炸响应信号可能偏离正常特征,为进一步分析响应信号带来困难.文中针对实测加速度信号的噪声特征,对信号采用SVD及ARMA滤波处理,先恢复真实的响应信号,然后在此基础上,给出正确的冲击谱计算结果.计算结果说明了SVD结合无相差滤波能够准确分离具有阶跃特征的低频噪声信号,对低频段的冲击响应谱计算精度有利.     

Quasi-dynamic estimation of o–d flows from traffic counts: Formulation,statistical validation and performance analysis on real data

The paper proposes a “quasi-dynamic” framework for estimation of origin–destination (o–d) flow from traffic counts, under the assumption that o–d shares are constant across a reference period, whilst total flows leaving each origin vary for each sub-period within the reference period. The advantage of this approach over conventional within-day dynamic estimators is that of reducing drastically the number of unknowns given the same set of observed time-varying traffic counts. Obviously, the gain in accuracy depends on how realistic is the underlying assumption that total demand levels vary more rapidly over time than o–d shares. Firstly, the paper proposes a theoretical specification of the quasi-dynamic estimator. Subsequently, it proposes empirical and statistical tests to check the quasi-dynamic assumption and then compares the performances of the quasi-dynamic estimator of o–d flows with both classical off-line simultaneous dynamic estimators and on-line recursive Kalman filter-based estimators. Experiments are carried out on the real test site of A4–A23 motorways in North-Eastern Italy. Results confirm the acceptability of the assumption of quasi-dynamic o–d flows, even under the hypothesis of constant distribution shares for the whole day and show that the quasi-dynamic estimator outperforms significantly the simultaneous estimator. Data also suggest that using the quasi-dynamic estimates instead of the simultaneous estimates as historical o–d flows improves significantly the performances of the Kalman filter, which strongly depends of the quality of the seed o–d flows. In addition, it is shown that the aggregation of quasi-dynamic o–d estimates across subsequent time slices represents also the most effective way to obtain o–d estimates for larger time horizons (e.g. hourly estimates). Finally, a validation based on an hold-out sample of link flows (i.e. counts not used as inputs in the o–d estimation/updating process) revealed the quasi-dynamic estimator to be overall more robust and effective with respect to the other tested estimators.     

基于卡尔曼滤波的4WD电动车辆寄生功率的测量技术

根据串励直流电动机工作特性,利用车辆行驶过程中较易测得的驱动电机工作电流及驱动轮转速,运用MATLAB/SIMULINK软件,建立基于卡尔曼滤波的驱动轮滑转率模型和寄生功率模型并进行仿真;通过道路试验对电动机工作电流和驱动轮转速的检测,实时预测驱动轮的滑转率与产生的寄生功率。结果表明,驱动轮滑转率和寄生功率的仿真结果与试验结果非常接近。     

存在车辆干扰的车道线识别

为避免道路上行驶的其它车辆对车道线识别的干扰,提出了一种结合车辆识别的车道线识别方法。融合雷达数据,车辆识别模块首先在图像中识别出车辆占据的区域;对于每一个车道线识别模块挑出的车道线候选点进行判断,去除处于车辆区域的车道线点;如果有效车道线点数目不足,则利用卡尔曼滤波的跟踪结果,确定符合最小风险函数的车道线位置。经过多种工况下的试验验证,该方法能够稳定地对车道线进行识别,准确地提取车道线参数,并且算法对车辆干扰有良好的抵抗能力。