面向智能船舶的容错卡尔曼融合估计方法

针对智能船舶多传感器系统因未知海洋环境干扰和设备间干扰等因素导致的一个或数个传感器产生随机间歇性故障从而导致融合估计结果出现偏差甚至失真的问题,设计1种基于四分位滤波的容错方法,并针对该方法导致的观测时滞问题设计1种预报方法,提前预报观测值,进而抵消容错方法导致的时滞问题。此外,针对多传感器之间的互协方差难以准确估计的问题,采用CI融合估计方法进行融合估计。为验证算法的有效性和融合估计的精度,对带有间歇性故障的两传感器系统进行仿真试验,并与按矩阵、按对角阵和按标量3种分布式融合估计方法得到的结果进行对比。4种方法的均方误差系数大小对比结果显示,对于带间歇性故障的多传感器系统,设计的融合滤波不仅具有鲁棒性,而且具有较高的融合精度。     

基于粒子群算法的水下多元线阵阵形有源校正方法

针对存在阵元位置误差的水下多元线阵,提出一种基于粒子群优化算法的远场有源阵形校正方法.该方法选用2个辅助源分时工作方式,利用无条件最大似然方位估计算法构建目标函数,并通过粒子群算法对阵元位置进行寻优.利用该方法对均匀线阵进行性能仿真实验.结果表明:该方法稳健性好、校正精度高,具有一定的应用前景.     

基于新型磁链观测器的无速度传感器感应电机控制技术研究

提出一种由补偿式的二阶带通滤波器电压磁链观测模型,基于该补偿电压模型,构成新的磁链估计器.为了解决磁链观测器多平衡状态的问题,提出以提高磁链估计精度的方法、对不同类型感应电动机磁通观测器的控制技术进行研究.对传统的模型参考自适应速度估计方法进行改进,基于补偿式二阶带通滤波器电压磁链观测模式作为参考模型,速度估计的精度提高.同时对基于新型磁链观测器的无速度传感器感应电机控制技术进行研究,然后通过仿真验证.     

一种新型自适应误差估计方法

对当前两种主要的自适应误差估计方法－基于残值的误差估计方法和基于应力修匀的误差估计方法作了详细的分析比较。在此基础上，从工程角度提出了一种新型自适应误差估计方法，通过分析和数值算例证明了它的有效性和可靠性。     

交通事故侦测中占有率的改进灰色预测

在交通事故侦测的统计预测算法中引入灰色理论的实践证明，灰色预测是占有率短期预测的可行方法，同时二重估计改进的预测方法可合理地提高交通事故预测的准确性。     

基于客观测度与主观估算的出行疲劳研究

出行舒适度是影响交通方式选择的要素之一,但由于缺少合理的量化方法,其评价长期停滞于定性描述,难以科学反映不同交通方式的服务水平差异。就典型出行环节进行疲劳测定实验,采集不同情况下出行者在单位时间内的客观体能消耗及其对出行疲劳的主观感受;采用自由模量幅度估计估算出行疲劳的主观感受,并与客观体能消耗进行对比。结果显示,车辆行进方式、乘车姿势、乘客负重、车内拥挤程度等均对体能消耗有显著影响,且客观体能消耗与主观感受之间存在显著差异。最后,利用实验结果以北京市和中山市为例进行案例分析,结果表明,在交通方式选择过程中,体能消耗对出行者产生的影响不亚于出行时耗。     

鱼雷拖曳线列阵及其目标方位跟踪算法研究

使用拖曳线列阵可以有效提高自导鱼雷远程搜索目标的能力,而能否精确跟踪目标方位将直接影响到鱼雷的实战效果。本文首先研究了一种鱼雷用拖曳线列阵自导系统的组成原理及实现方法,然后研究了一种子空间跟踪算法,并在此基础上提出了一种自适应Root-MUSIC算法,该算法可用于对时变的信号波达方向进行实时跟踪估计。仿真计算结果验证了该算法具有很好的跟踪效果。     

神经网络在多目标分布式融合中的应用研究

提出了适合分布式多传感器多目标(MSMT)数据融合估计算法，对这种推广的分层融合估计算法进行了数学推导和描述，研究了利用神经网络进行MSMT跟踪融合的网络结构和算法，进行了计算机模拟仿真。仿真结果表明神经网络融合估计可提高跟踪精度，并且这种融合方法是有效的。     

基于自回归条件异方差转换指标的非线性损伤识别

为了解决时域非线性损伤的识别问题,基于自回归条件异方差（ARCH）模型的基本理论给出了ARCH模型建模的定阶方法及模型参数估计的极大似然估计法;分析了结构非线性损伤的特性,提出了基于ARCH模型的非线性损伤识别原理;考虑到基于自由度的损伤指标难于判断损伤位置,故提出了一种自回归条件异方差转换指标;在测量误差和模型误差的影响下,使用3层框架结构的非线性损伤试验来验证该损伤指标的有效性. 试验结果表明:非线性间隙距离为0.05 mm和0.10 mm时,损伤位置第3层的自回归条件异方差转换指标值比传统的倒谱测距转化指标值高21.7%以上;当非线性间隙距离为0.20 mm时,第3层的自回归条件异方差转换指标值比倒谱测距转化指标值高3.7%.      

基于多时间尺度的城市轨道交通短时OD估计

基于状态空间模型构建了城市轨道交通短时OD估计的多模型组合方法,估计早晚高峰期间15 min内进站客流的去向目的站.组合模型以不同时间尺度下的进站客流分流率为状态变量,并利用历史数据预估其中通勤客流的分流率,然后通过交互多模型算法加权融合不同时间尺度下的分流率估计结果.以北京地铁为案例,研究表明:早高峰期间的15 min分流率估计误差的平均值和最大值分别为16.4%和21.8%,晚高峰期间分别为22.7%和24.6%,比既有文献的估计误差减小了约一半.本文的研究成果可为实时的线网客流分布预测提供更准确的输入数据,以辅助运营管理部门实现客流预警和应急响应.