基于神经网络的公交车辆行程时间预测模型研究

城市公交丰辆行程时间预测是公共交通信息服务和运营调度的重要内容,要求较高的实时性和准确性。本文以智能交通运输系统为背景,通过分析公交车辆的行驶特性,基于改进的神经网络模型,建立了公交车辆动态行程时间预测模型,并对比了三种不同输入变量方案的神经网络预测模型,表明该模型具有良好的适用性。此外,将该方法与卡尔曼滤波法的行程时间预测模型进行比较,结果表明,基于神经网络的动态行程时间预测模型精确度较高。     

基于小波卡尔曼滤波的加速度计降噪方法

针对GF-INS中加速度计降噪的实际问题,提出了一种非零均值观测噪声小波卡尔曼滤波算法.在非标准观测噪声条件下,利用滑动数据窗内的小波变换实时在线估计出观测噪声的方差和均值,作为标准卡尔曼滤波的修正信息,从而实现了标准卡尔曼滤波算法的扩展.实验结果表明,在观测噪声为非标准噪声且统计规律未知的条件下,该自适应降噪方法能获得较好的滤波效果,加速度计信号的噪声方差强度减少了3个数量级.     

大型客车横向稳定性仿真分析

为了给营运客车横向稳定状态监测提供理论依据,针对极限工况下状态参数的临界值仿真结果,进行了营运客车稳定区域边界条件的研究。基于非线性三自由度车辆模型建立了基于扩展卡尔曼滤波（EKF）的状态参数估计器,对营运客车的质心侧偏角和横摆角速度进行实时估计,并利用Trucksim验证估计值具有较好的一致性和状态跟随能力。基于MATLAB/Simulink建立非线性七自由度车辆模型,分析不同行驶状态参数对质心侧偏角-质心侧偏角速度（β-β）相平面稳定区域边界的影响,基于仿真数据确定了以车速、前轮转角和路面附着系数为变量的稳定区域边界条件,结合状态估计模型获得以β-β决定的控制变量。在Trucksim中进行连续正弦方向盘转角输入标准稳定性试验,通过分析营运客车行驶过程中控制变量的曲线变化趋势是否超出稳定区域边界确定车辆的运行状态。结果表明：营运客车以60 km·h^-1车速、小方向盘转角行驶在低附着系数（μ=0.3）路面和高附着系数（μ=0.85）路面时,横摆角速度对驾驶人的意图（方形盘转角曲线趋势）有很好的跟随能力,具有较小的延迟响应,车辆处于稳定状态,此时控制变量曲线一直处于稳定区域内;当相同工况下以大方向盘转角输入时,横摆角速度已经不能很好地跟随驾驶人意图,且低附着系数路面下,在3.5 s左右时方向盘转角已经回正,但横摆角速度仍位于最大值,具有较大的延迟,营运客车发生急转侧滑;高附着系数路面下第2.5 s和第6.2 s左右车辆发生严重偏移,车辆处于失稳状态,而对应时刻的控制变量曲线部分超出稳定边界,验证了营运客车横向稳定状态判据的准确性。     

基于低空风预测模型的救援航迹修正规划方法

针对低空救援航迹易受到侧风影响难以获得准确的航迹规划路径问题,采用数据融合方法预测低空风,修正航空器的低空规划航迹.首先,将飞行区域内的国际交换站作为观测点,通过应用基于无迹卡尔曼滤波（UKF）的数值气象预报释用技术,将观测点的风速、风向记录数据与预报值进行融合,建立低空风预测模型;其次,利用该模型,校正预报数据的系统误差,得出修正的风预测值;最后,结合航空器的爬升率、巡航速度等性能参数与所经航路点的风速、风向信息,依据速度矢量合成原理,修正各航路点的过点时刻.仿真实验表明,与传统的卡尔曼滤波预测方法相比,由UKF方法预测得到的风速、风向RMSE分别减少了12.88%与17.50%,对初始规划航迹的修正更为精确.      

舰船惯性导航与阿尔法组合导航技术及仿真

介绍了阿尔法导航系统的特点,依据离散线性系统的卡尔曼滤波公式,提出了一种惯导/阿尔法组合导航的方法,具体阐述了信息融合数学模型的建立和滤波实现,并利用Matlab软件进行了仿真和结果分析.     

伪距GPS/INS组合导航系统的多模型自适应卡尔曼滤波器设计

对多模型自适应估计滤波进行了仿真研究.仿真结果表明,多模型自适应估计滤波可以克服单一模型卡尔曼滤波器在对真实系统状态参数发生变化时的滤波误差过大甚至发散的问题,对于环境的变化具有较强的适应性,整体上可提高组合导航系统的导航精度.     

基于前端开发框架的舰船运动姿态数据监测系统

利用运动姿态监测结果为舰船可靠航行提供决策依据。为此,设计了基于前端开发框架的舰船运动姿态数据监测系统。系统设施层中,利用MEMS陀螺仪芯片与3轴MEMS加速度计采集舰船运动姿态信息,并将所采集信息传送至业务逻辑层;业务逻辑层利用控制子层和管理子层为用户提供姿态数据监测服务;控制子层中的姿态解算模块,依据传感器信息采集结果,利用卡尔曼滤波算法解算舰船运动姿态信息。基于此,利用Bootstrap的前端开发框架,通过viewport元数据标签完成前端UI设计,为用户提供可视化的人机交互界面,将姿态解算结果利用用户界面层为用户展示。测试结果表明,该系统对舰船航行运动姿态的监测结果与实际结果极为接近,适用于实际工作。     

改进的中心差分卡尔曼滤波水下被动目标跟踪

中心差分卡尔曼滤波是目标跟踪领域中常用的非线性滤波方法之一,但在单站的纯方位目标跟踪中,有时受观测站的运动轨迹、观测噪声等影响,中心差分卡尔曼滤波会出现滤波不稳定甚至发散的情况。针对这一问题,本文提出一种基于奇异值分解平方根的中心差分卡尔曼滤波改进方法。通过采用QR分解和奇异值分解2种不同的方式计算协方差的平方根,代替协方差矩阵参与运算,增强算法的稳定性。通过3种不同情形下的仿真结果均表明,所提方法与常规的中心差分卡尔曼滤波和经典的平方根无迹卡尔曼滤波方法相比,具有最低的均方根误差。     

融合毫米波雷达与深度视觉的多目标检测与跟踪

针对现有融合毫米波雷达与传统机器视觉的车辆检测算法准确率较低与实时性较差的问题,本文中对多目标检测与跟踪进行研究。首先,利用阈值筛选和前后帧数据关联方法对毫米波雷达数据进行预处理,进而提出一种用于毫米波雷达数据跟踪的自适应扩展卡尔曼滤波算法。然后,为提高目标检测精度与速度,基于采集到的实车数据集训练卷积神经网络,完成深度视觉的多车辆检测。最后,采用决策级融合策略融合毫米波雷达与深度视觉信息,设计了一种用于复杂交通环境下前方车辆多目标检测与跟踪的框架。为验证所设计的框架,进行了不同交通环境下的实车实验。结果表明:该方法可实时检测跟踪前方车辆,具有比融合毫米波雷达与传统机器视觉的车辆检测方法更好的可靠性与鲁棒性。     

基于RFID和IMU技术的室内定位方法研究与应用

针对在室内停车场等GPS信号较差的工况,行驶车辆无法实时获取准确定位的问题,文章结合RFID和IMU两种定位技术,使用卡尔曼滤波器耦合该两组定位系统信号,并将该方法应用在某款车型上,结果表明在室内停车场能够获得实时准确的位置信息.