基于AR-EMD方法的扩展非平稳船舶运动极短期预报AR模型

准确的极短期预报技术能够提高对船舶摇荡运动敏感的海洋特种作业安全性和效率。自回归（auto-regressive,AR）预报模型由于其自适应性强、计算效率高而被广泛应用于船舶运动的极短期预报研究。但该模型基于平稳随机假设,因而在非平稳船舶运动的极短期预报中存在困难。针对非平稳船舶运动极短期预报,文章提出一种基于AR-EMD方法的扩展AR模型,称为EMD-AR预报模型。其中,AR-EMD方法是指在经验模态分解（empirical mode decomposition,EMD）的过程中,采用AR预报的方法处理端点效应问题。 EMD-AR预报模型将非平稳信号分解成若干平稳的固有模态函数分量及余项,然后对各个分量分别用AR模型预报,得到最终的预报结果,以此克服非平稳性对AR预报模型的影响。研究基于船舶试验数据将EMD-AR模型与线性AR模型、非线性支持向量机回归（support vector regression,SVR）预报模型进行对比分析,结果表明,AR-EMD方法能够有效处理船舶运动非平稳性对AR预报模型的影响,提高该模型的预报精度,且EMD-AR模型预报性能较线性AR模型和非线性SVR模型更优。     

一种基于DSP的实时图像处理仿真技术

海面运动舰船目标的定位检测是军事图像处理领域的一个重要方向,同时海面对光线的折射放射对检测的准确性造成了干扰。本文重点对目标检测法进行研究,分析了算法利弊。为解决目标检测算法对于目标背景的敏感度问题,以及提高算法的实时性,把小波变换运用到目标运动检测中,通过小波变换更新图像背景框图,使实时图像在可变模板背景进行运动物的提取。最后,设计基于DSP的仿真系统,通过实验证明新的方法能较好解决因背景更新以及目标物变形造成的检测误差,提高检测精度。     

基于小波变换的机械振动故障诊断系统的研究

小波变换具有良好的时频局部性质.论文介绍了小波变换的基本理论,阐述了小波变换用于机械振动信号的奇异性检测以发现机械故障的原理.根据对振动信号小波变换的系数模极值点来定位奇异信号,检测机械故障.给出了系统实现的硬件框图和软件流程.试验表明,系统可以发现故障机械振动信号带有的奇异性,实现旋转机械的故障诊断.     

粘连蚕卵图像分离算法研究

针对蚕卵图像中存在的粘连或者部分重叠现象,本文提出了一种新的分离方法。该方法先采用模糊C均值聚类算法将蚕卵图像从背景中分割,然后采用模糊距离变换得到模糊距离图像,最后使用分水岭算法将粘连或者部分重叠蚕卵分离。实验证明,此法能够将粘连颗粒物图像有效分离。     

半潜式起重船波浪载荷预报

采用数值分析软件Sesam/HydroD对某半潜式起重船在航行状态和起重作业状态下的波浪载荷进行长期预报和短期预报.在航行状态下,预报得到的最大波浪弯矩和剪力分别为规范值的1.4倍和2.0倍,用于进行结构疲劳评估(超越概率为10-2)的波浪弯矩最大预报值约为用于进行结构强度评估(超越概率为10-8)的波浪弯矩最大预报值...     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

隧道爆破信号主分量特征提取与毫秒延期识别研究

为了准确揭示隧道爆破振动信号所包含的反映爆破特征参数的重要信息,通过EMD分解与交叉小波变换组合分析方法对实测爆破信号进行分析,得到各分量与原信号的相关性系数,从而准确判别出信号的主分量。再依据相关性系数对包含主分量在内的相关分量重组并进行Hilbert变换取模值,精确识别出隧道采用的各段别雷管的毫秒延期时间。结果表明： 组合方法确定的主分量及相关分量重组信号能够突出爆破信号的主要特征,对隧道爆破信号的分析效果好。     

Spatiotemporal traffic forecasting: review and proposed directions

This paper systematically reviews studies that forecast short-term traffic conditions using spatial dependence between links. We extract and synthesise 130 research papers, considering two perspectives: (1) methodological framework and (2) methods for capturing spatial information. Spatial information boosts the accuracy of prediction, particularly in congested traffic regimes and for longer horizons. Machine learning methods, which have attracted more attention in recent years, outperform the naïve statistical methods such as historical average and exponential smoothing. However, there is no guarantee of superiority when machine learning methods are compared with advanced statistical methods such as spatiotemporal autoregressive integrated moving average. As for the spatial dependency detection, a large gulf exists between the realistic spatial dependence of traffic links on a real network and the studied networks as follows: (1) studies capture spatial dependency of either adjacent or distant upstream and downstream links with the study link, (2) the spatially relevant links are selected either by prejudgment or by correlation-coefficient analysis, and (3) studies develop forecasting methods in a corridor test sample, where all links are connected sequentially together, assume a similarity between the behaviour of both parallel and adjacent links, and overlook the competitive nature of traffic links.     

城市交叉口交通流特征与短时预测模型

时间尺度大于15 min的城市交通流预测模型已无法满足交通信号实时控制和交通信息实时发布的需求,通过对广州市中心区交叉路口交通流长期观察和数据采集,分析了各种时间尺度的交通流特性,提出以路口信号周期作为时间尺度,绿灯流率作为变量的ARIMA(p,d,q)短时交通预测模型。以1个和3个信号周期的时间尺度为例,对城市交叉路口不同时间段交通流进行建模和预测。结果表明ARIMA(p,d,q)预测模型结构稳定,算法简单,时间尺度为3个信号周期的预测模型可以很好地保持交通流特征,均方根误差为0.015 9,预测精度较高。     

道路网短期交通流预测方法比较

介绍了用于短期交通流预测的两大类模型:统计预测算法和人工神经网络模型.对其中各种模型的特征进行了比较,将历史平均模型、求和自回归滑动平均模型(ARIMA)、非参数回归模型、径向基函数(RBF)神经网络模型与贝叶斯组合神经网络模型,应用于一个真实路网的短期流量预测,比较了各模型的预测结果.结果表明,组合神经网络模型预测误差最小,可靠性最高,是一种对短期交通流预测的有效方法.