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。     

基于Hessian特征的视网膜血管图像的增强滤波算法

提出了一种基于Hessian特征的视网膜血管图像的增强滤波算法,分析了Hessian特征值对各类形状的抑制和加强作用,将Hessian矩阵的特征值与特征向量应用于视网膜血管特征的响应函数及形态学和非线性扩散处理的各个环节,并选择合理的尺度空间范围和尺度空间增量,调节因子而平滑非线状区域和锐化增强血管区域,本文算法在同等准确率下具有较高的稳定鲁棒性。     

高阶紧致格式在非线性数值模拟中的应用

对比分析迎风型格式及中心耗散格式优劣性,采用傅里叶分析方法分析显式格式及紧致格式在波数空间可准确模拟的波数范围。通过编程研究6种紧致格式,其中为保证紧致格式在内点及边界点的一致性,采用高精度边界格式,加入了滤波运算和采用更小的CFL数来控制紧致格式的稳定性。数值试验表明,中心紧致格式有更小的耗散误差及色散误差;通过4阶Pade格式计算模型绕流,验证了边界处理的正确性,也更加认识到紧致格式有非常严格的稳定性限制。     

基于对称受限玻尔兹曼机的协同过滤算法

协同过滤算法在推荐系统中得到了广泛应用。其中具有代表性的是基于有向图模型的矩阵分解法和基于无向图模型的受限玻尔兹曼机。文中提出了一种基于对称受限玻尔兹曼机的协同过滤算法,该算法充分考虑并利用了推荐系统中用户和物品的对称性,通过对用户和物品分别建立了一个受限玻尔兹曼机,最后,采用回归算法对二者的结果进行融合处理。实验结果显示该方法与其他相关算法相比具有明显的优越性。     

加入粘弹性阻尼器的高楼桅杆风振响应分析

高楼顶部设桅杆是一种常见的结构形式以满足建筑功能的要求。为分析在风荷载激励下桅杆对主体结构的影响,以及高耗能粘弹性阻尼器对桅杆和主体结构的振动控制效果,根据Davenport风速谱理论,采用AR线性滤波法模拟出空间、时间相关的脉动风速时程,并采用ETABS有限元软件进行风荷载激励下的时程分析。结果表明,高耗能粘弹性阻尼器的加入使主体结构的桅杆放置层桅杆周围部分杆件的内力有了较大幅度的减小,桅杆的动力响应得到了有效控制。     

基于Rao-Blackwellised粒子滤波的岩石声发射信号去噪

针对声发射数据采集过程易受随机噪声干扰,提出了Rao—Blackwellised粒子滤波的信号降噪方法。在地震波模型的基础上,建立了声发射信号的状态空间模型。由于两者在某些方面有相通性,从而把降噪问题转为在状态空间模型下的滤波问题。首先,通过对构造信号的仿真实验,验证Rao—Black—wellised粒子滤波能够用于信号滤波;其次,利用Rao—Blackwellised粒子滤波,对石灰岩声发射信号进行降噪处理,并取得较好的滤波效果,从而为处理声发射数据提供一条新途径。     

����Kalman�˲������˸��ٷ����о�

应用视频处理技术对行人交通进行研究和分析受到广泛的重视和发展,已成为智能交通领域的研究热点之一,而行人跟踪是行人交通采集系统的基础,是后续交通参数提取,行为分析的前提.本文提出一种基于Kalman滤波的行人跟踪方法.首先,利用改进的混合高斯模型提取背景,并采用HSV颜色空间模型和目标重构方法得到消除阴影后的前景图像.其次,进行行人的特征提取,得到融合行人位置特征和形状特征的运动模板.最后,采用Kalman滤波对行人的运动轨迹进行预测,将检测到的目标与预测结果匹配,得到行人的跟踪匹配矩阵,根据匹配矩阵判断合并和分离的发生.试验结果表明,该方法不仅可以准确跟踪多目标,而且可以有效解决遮挡问题,具有很好的适应性和鲁棒性.     

多源数据融合的区问车辆速度预测算法研霸

不同的交通信息采集方式由于其硬件和采集条件的不同,数据的适用范围和准确性也不同。在短时交通预测中,对于来自于不同检测器的交通流数据进行融合,并在数据融合的基础上进行区间速度的预测,可以有效地改善预测结果的准确性和可靠性。文中提出一种基于卡尔曼滤波的数据融合和区间速度预测方法。在对数据进行预处理和交通状态划分的基础上,根据不同的交通状态,进行多源交通数据融合和区间速度的预测。研究确定了卡尔曼滤波方法中的各个参数,并使用人工神经网络的方法求解状态转移矩阵。算法验证结果表明,速度预测的精度在90％以上。     

基于探测车数据的路段行程时间估计

利用探测车数据进行路段行程时间估计面临着两类误差：采样误差和非采样误差,从而导致估计结果精度不高和可靠性差。在回顾已有估计方法的基础上,有针对性地引入了自适应式卡尔曼滤波,建立了相应的状态方程和观测方程,利用相似时间特征的历史数据标定了状态转移系数,并对滤波进行了求解。以实际数据对估计方法进行了验证,平均相对误差为13.13%。研究表明,自适应式卡尔曼滤波能够应用到基于探测车数据的路段行程时间估计中来,并具有估计精度高、收敛速度快、参数少、对初值不敏感等优点。     

基于自适应Kalman滤波的交通流量监测算法

提出一种基于车载无线通信模块的交通流监测原型系统,该系统将行驶中载有无线通信模块的车辆视为移动检测节点,以很小的代价实现对交通信息的获取.在此基础上提出一个具体应用:利用基站对道路上载有通信模块车辆的检测,结合设计的基于结果反馈的自适应Kalman滤波算法,及时准确地完成对路段上交通流量的检测.此外,还基于元胞自动机理论搭建了仿真平台,并验证了算法的有效性.