出租汽车保有量的自适应过滤法预测

为了提高出租汽车公司的效益,减少城市路面交通量,降低空气污染,通过运用自适应过滤法对出租汽车保有量进行较为准确的预测,其结果可为出租汽车合理规模的确定与管理决策的制定提供科学依据。     

相机视频图像自适应对比度增强系统的研制

介绍了基于图像处理方法的自适应对比度增强系统的组成、工作原理、硬件电路设计与软件设计.针对监察相机工作环境照度变化范围大的特点,提出一种改进的灰度直方图均衡化方法.应用此方法所研制的系统,能够自适应于多种光照条件下获得的低对比度图像,自动进行对比度调整,改善监察相机输出视频图像的质量.对于清晰图像,经调整后图像质量至少无明显降低.     

基于Matlab的自适应滤波器设计

滤波器在电子设备中已得到广泛的应用,而自适应滤波器可以不必事先给定信号及噪声的自相关函数,它可以利用前一时刻已获得的滤波器参数自动地调节现时刻的滤波器参数,从而实现最优滤波。介绍了自适应滤波器原理,并对LMS自适应算法进行了分析,最后用Matlab对自适应低通滤波器进行了仿真和实现,并分析了该自适应滤波器的性能。     

基于数据融合技术的路段出行时间预测方法

为了精确预测路段出行时间,分析了国内外基于多数据源的路段出行时间预测方法的优缺点,应用自适应卡尔曼滤波算法,通过融合环形线圈检测器数据和浮动车数据,建立了路段出行时间估计模型,在交通高峰期和事故情况下,比较了采用基于环形线圈检测器、浮动车和自适应卡尔曼滤波3种出行时间预测方法预测路段出行时间的平均绝对百分比误差。比较结果表明:基于自适应卡尔曼滤波算法融合了来自环形线圈检测器和浮动车的数据,预测值更接近实测值,预测精度高。     

基于形态学滤波的图像伪边缘去除方法

针对传统边缘检测算子去除由噪声引起的伪边缘难的问题,提出了一种基于数学形态学滤波的图像伪边缘去除方法.该方法首先利用自适应中值滤波器对图像进行滤波,然后用Canny算子对图像进行边缘检测,对处理后的图像进行改进的τ-运算以去除伪边缘,从而得到较理想的图像边缘.仿真实验表明,该方法不仅有效地去除了由噪声引起的图像伪边缘,而且保留了完整的图像边缘,具有较小的均方根误差.     

基于自适应阈值的车辆边缘提取算法研究

实际道路视频图像背景复杂多变,给车辆边缘检测带来困难.提出用最大类间方差法求边缘检测算子的阈值,并给出具体迭代求解过程,得到的阈值能随图像背景的变化而变化,具有自适应性.实验结果表明了算法的可行性和有效性.     

带有死区补偿的欠驱动AUV深度控制

由于舵桨联合操控的水下机器人舵机传动系统死区非线性的存在,严重影响了某水下机器人的深度控制效果。文章以该水下机器人为研究对象,同时考虑了其欠驱动的运动特性及外界有界干扰和模型参数摄动,设计了具有自适应补偿功能的PID控制器,利用Lyapunov稳定性理论,证明在该控制器作用下,该控制系统是全局稳定的。最后进行了仿真实验。实验结果表明该控制器具有很好的控制效果,是行之有效的。     

BP神经网络和卡尔曼滤波相结合的船舶运动跟踪

在海洋运输中,船舶是重要的物资运送平台。船舶运动跟踪作为优化海洋交通环境的前提之一,正受到越来越多的研究。由于海洋情况越来越复杂,沿海运输船舶数量增多,导致传统的船舶跟踪方法不再适用,急需一种高性能的船舶运动跟踪方法。本文正是基于这项需求,开发出BP神经网络和卡尔曼滤波相结合的船舶运动跟踪算法,并对其进行仿真验证。此方法具有速度快、噪声抑制能力强和自动化程度高的特点。从仿真结果看,本方法的性能优越,易于推广使用。     

电动汽车用永磁同步电机自适应PI控制仿真分析

为提高永磁同步电机矢量控制系统的响应速度,提高系统鲁棒性,文章使用一种自适应比例积分（PI）矢量控制策略对传统矢量控制进行改进。文章根据一款混合动力电动汽车用永磁同步电机的相关参数建立了电机模型和传统矢量控制仿真模型;设计了基于BP神经网络的自适应PI控制器,对传统矢量控制模型进行了改进;最后对两种控制系统转矩突变的工况进行了仿真对比和分析。结果表明：与传统矢量控制策略相比,设计的基于BP神经网络的自适应PI矢量控制策略能够有效提高系统的响应速度,增强控制系统的鲁棒性,满足了车用电机的使用要求。     

基于双向自适应门控图卷积网络的交通流预测

针对路网交通流时空依赖上的高度复杂性以及数据污染的现实性,基于图神经网络构建一种新型时空融合交通流预测模型。考虑交通流数据中的缺失、异常与噪声,模型首先对数据进行特征重构与融合,在保持时序特性的前提下,以滑动时间窗口平滑交通流特征信息,做好数据准备。考虑交通流的实际有向性,主体模型采用正、反双路网络设计以分向学习交通流时空特征的有效表示。双路网络结构相同,以轻量有效的因果卷积作为模型的时序特征提取器,以多层自适应门控图卷积神经网络作为模型组件提取空间特征,实现信息的自适应聚合与传播,再通过纵向信息聚合层轻量化地实现不同局部视野下的信息融合,基于注意力有效权衡两路网络的信息贡献并将其聚合,建立双向自适应门控图卷积网络交通流预测模型。在真实交通流基准数据集PEMS03、PEMS04、PEMS07和PEMS08上进行模型的有效性验证,结果表明,所建模型在4个数据集上3个预测精度指标均优于基线模型。同时,相较于最先进的基线模型时空同步图卷积网络与时空融合图神经网络,所建模型能以数倍甚至数十倍比例的参数轻量化与低训练时间代价获得更高的预测精度。