基于LS-SVM的船舶动力定位有限时间控制器设计

为解决船舶模型存在的具有任意不确定性特征的船舶动力定位控制问题,基于有限时间Lyapunov理论提出一种非奇异快速终端滑模控制策略(NFTSMC),提高系统的收敛速度和抗干扰能力。针对模型不确定性问题,利用最小二乘支持向量机(LS-SVM)的非线性函数逼近技术进行补偿控制,引入"最小参数"技术,将在线学习参数减少到1个,解决"维数灾难"问题。仿真对比结果表明,提出的控制策略具有较高的优越性。     

卫星定位轨迹最小二乘拟合适应性分析

卫星定位技术在列控系统深入应用,轨道信息数字化是其中的关键问题。提出一种基于卫星轨迹最小二乘拟合的轨道数据采集方法,并针对地理坐标系距离计算和非线性映射两个问题,提出3个假设条件。当待拟合的卫星定位数据满足这3个假设条件时,可以使用最小二乘方法获得轨道的近似最优解。     

考虑不同路面附着情况的整车质量估计方法研究

利用带有遗忘因子的递推最小二乘估计,实现了一种整车质量估计方法,该方法考虑了不同路面附着情况对整车质量估计过程的影响,通过引入路面特征系数,实现了算法对不同路面附着情况的适应。基于Matlab/Simulink编写辨识算法并在CarMaker中完成仿真测试,测试结果表明所实现的辨识方法对整车质量估计的精度可控制在10%之内。此外,由于递推最小二乘估计方法和卡尔曼滤波方法之间的内在联系,通过推导表明了递推最小二乘估计方法是状态转移矩阵为单位阵的卡尔曼滤波方法的特殊形式,为2种估计方法的工程应用形式及调试过程提供了更全面的信息。     

考虑集结延误的列车编成辆数问题研究

货车集结是不可避免且耗时较长的技术作业环节，编成辆数与车辆集结延误时间密切相关.针对编成辆数问题，建立描述车辆在调车场集结过程的批到达批服务排队模型，分析车辆集结队长及延误时间等指标，并从经济角度求得最优最小编成辆数.结果表明，最优最小编成辆数受车组到达规律、车流到达强度和列车发车时间间隔影响.到达车组大小满足指数分布时，采用最优最小编成辆数策略节省经济效益优于几何分布和负二项分布；车流到达强度较小时，节省经济效益更显著；列车出发时间间隔分布满足几何分布时，效益优于负二项分布和均匀分布.     

基于原位悬臂梁试验的模型冰弹性模量研究

弹性模量作为模型冰的基本力学特性之一,在模型试验过程中影响冰层与结构的相互作用过程.另外,弹性模量与抗弯强度的比值是评估模型冰质量的重要指标.本文基于中国船舶科学研究中心的小型冰水池采用的原位悬臂梁试验对模型冰的弹性模量进行试验研究.试验时对冰梁外端部加载,利用接触式位移传感器记录冰梁五个不同位置的动态挠度,然后通过最小二乘法拟合冰梁的挠曲线以求得模型冰的弹性模量,拟合的同时考虑冰梁所受的浮力影响,进而对加载力进行修正.基于上述方法,研究加载速度和回温时间对模型冰弹性模量的影响,同时基于试验结果对弹性模量和弯曲强度之间的关系以及它们的比值进行了探讨.     

软件故障树分析在铁路自动售票系统服务中的应用

以铁路自动售票系统应用服务为例,应用软件故障树分析法进行分析.根据铁路自动售票系统应用服务的特点,建立该系统应用服务的失效模型,采用最小割集分析法,确定影响系统应用服务失效的主要因素,从而在以后的设计过程中采取有效措施防止错误或故障的发生,达到提高铁路自动售票系统应用服务稳定性的目的.     

基于曲线拟合和网络拓扑的综合地图匹配算法

为了使车辆导航系统能给人们提供精确可靠的车辆位置信息,提出了1种减少车辆定位误差的综合地图匹配算法.该算法将基于曲线拟合和网络拓扑关系的2种地图匹配算法结合起来,采用误差圆法、最小二乘法及投影法,解决基于曲线拟合算法在靠近的平行路段匹配率不佳的问题.用北京市物流电动车的GPS数据进行多个样本的实验验证,匹配率均在95%以上,单点平均匹配时间在5 ms以内,与基于曲线拟合的地图匹配算法相比,综合算法复杂度降低,准确度和实时性提高.结果表明,综合算法可以应用到实际地图匹配工作中,尤其对于相互靠近的平行路段有明显的优势.      

基于灰色自适应粒子群LSSVM的铁路货运量预测

为了提高铁路货运量的预测精度及建模速度,将灰色预测模型(GM(1,1))、最小二乘支持向量机(LSSVM)和自适应粒子群优化(APSO)算法相融合,建立了灰色自适应粒子群最小二乘支持向量机(GM-APSO-LSSVM)预测模型.通过灰色预测模型中的灰色序列算子,弱化原始数列随机性,挖掘数列中蕴含的规律,利用最小二乘支持向量机计算简便、求解速度快、非线性映射能力强的特点进行预测,并采用自适应粒子群算法优化选择LSSVM参数.对我国铁路货运量的实例分析表明:用该模型得到的评价指标RMSE、MAE、MPE和Theil不等系数分别为0.062 8、0.052 3、0.016 2和0.010 7,均小于其它模型,预测性能好;用APSO算法搜索LSSVM最优参数的时间为55.656 s,比传统交叉验证法减少了10.462 s;2006~2009年的预测相对误差分别为0.39%、-1.67%、1.44%和4.75%,适用于铁路货运量的短期预测.