基于UIC标准的动态数据统计特征对比

为了更好地进行动态仿真的试验对比,提出了一种基于UIC 518的动态数据处理方法.为了满足动态数据采样的频谱成份要求,以最小直线采样段和完整曲线采样段的方式进行动态数据处理,并以2m采样间隔和置信度0.15％或99.85％的形式给出采样最大值和采样均方差最大值,进一步克服了目前分析段采样制度所存在的忽略低频成份的不足....     

基于K均值和不变矩的粒子滤波视频目标跟踪

针对传统的粒子滤波算法存在的粒子退化现象和需要大量粒子才能保证状态预估计的精度,导致视频序列目标实时跟踪难以实现的问题进行了研究,提出了一种基于K均值和不变矩的粒子滤波实时目标跟踪算法。首先对最初采样的粒子集采用K均值算法进行聚类,将N个粒子分配到K个聚类中心;然后将不变矩算法引入到粒子的选取中,通过与上一帧目标位置最接近的三类聚类中心进行不变矩匹配,选择其中与目标模块最接近的那一类进行粒子滤波跟踪运算。实验结果表明文中提出的改进算法能够很好的解决粒子退化的问题,只需要采用较少的粒子就能达到很好的跟踪精度,大大的减少了计算量,改善了粒子滤波的实时性的问题。同时,在一定程度上解决了目标跟踪中相似背景的干扰和目标遮挡的问题。     

稳定跟车状态驾驶风格识别及迁移特性

为探究高速工况稳定跟车状态下不同类型驾驶人的跟车特性及驾驶风格识别方法,选取20名驾驶人开展实车驾驶试验,采集自然驾驶状态下的自车速度、跟车间距、跟车时距等指标,基于雷达数据等确定稳定跟车事件提取规则。通过耦合分析稳定跟车状态下的驾驶行为指标分布规律及跟车特性,选取跟车间距、跟车时距及加速踏板开度为聚类指标,使用K均值聚类算法对301段稳定跟车事件进行聚类分析,并根据不同风格类型出现的频数及所占比例将驾驶人划分为3种风格类型(保守型、一般型、激进型)。最后通过CART决策树方法对聚类结果进行验证,进一步分析长时间稳定跟车状态下驾驶风格的迁移特性。研究结果表明：随自车速度增大,跟车间距与加速踏板开度亦呈现增大趋势,且在不同速度区间下均具有显著性差异。不同速度区间下的跟车时距均值无明显变化,稳定分布于2.57～2.72 s。CART决策树验证驾驶风格聚类划分结果总体吻合率达99.7%。不同风格驾驶人的车速与油门踏板开度、跟车间距与跟车时距均存在显著性差异。随时间推移,保守驾驶人更加趋于保守,激进驾驶人更加趋于激进,一般驾驶人则相对较为稳定。研究结果可为高级别自动驾驶系统跟车控制策略及参数的...     

中国港航股指走势月度分析（2011年9月）

1中国A股码头上市公司指数走势2011年1—8月,全国规模以上港口累计完成货物吞吐量59.7亿t,同比增长13.4%,其中,外贸货物吞吐量18.0亿t,同比增长9.4%;沿海港口完成货物吞吐量40.7亿t,同比增长13.1%;内河港口完成货物吞吐     

基于单亲遗传算法和模糊C—均值算法的混合聚类算法

介绍了基于单亲遗传算法和模糊Ｃ－均值算法的混合聚类算法,克服了模糊Ｃ－均值算法的局部最优问题以及采用普通遗传算法聚类时搜索速度和聚类精度的矛盾。实际运算表明,算法是有效的。     

结合EMD和功率谱熵的船舶轴频电场线谱提取

为实现强海洋背景噪声中的微弱船舶轴频电场信号检测,提出了一种结合经验模态分解(Empirical Mode Decomposition,EMD)和窄带子区间功率谱熵的线谱提取新算法.首先,利用EMD方法从含噪信号中分解出一组有效固有模态函数(Intrinsic Mode Functions,IMFs),对各有效IMF的功率谱进行子区间划分;其次,定义并计算各子区间的能量峰值熵比(Energy Peak Entropy Ratio,EPER)特征;最后,通过对轴频信号和环境噪声物理特征差异的分析,结合K-均值聚类方法进行特征量的筛选,实现线谱提取.海上实测数据的处理结果表明,相比于直接的功率谱分析,算法的线谱可提取下限降低了6.7 dB.     

云模型的舰船维修成本建模与预测

通过对舰船维修成本的准确建模和预测,降低维修成本,提高舰船维修质量,保证舰船良好工况,提出一种基于K均值指标聚类划分和粒子群优化的云模型下舰船维修成本建模和预测方法。以舰船维修的材料开销、人工开销、舰船寿命周期折损以及配件成本等参数为约束指标,采用K均值聚类算法进行维修成本指标系数聚类划分,将成本最优问题转化为聚类中心最短问题,并以此为优化目标函数,采用粒子寻优算法进行最优解求解,通过线性插值方法进行拟合计算避免解向量陷入局部最优,实现云模型的舰船维修成本预测。仿真结果表明,采用该方法进行舰船维修成本预测的准确性较高,维修效率和质量得到提高。     

城市道路客货冲突识别模型——以北京市为例

针对城市道路客货混行状态下货运车辆静态限行管理政策与货运时空需求不匹配的问题,建立客货冲突识别模型量化评估混合交通流中货车对客车运行状态的影响。以北京市五环内路网为例,首先根据货车流量占用道路通行能力所表现出的分级特征,划分出不同的场景;然后分别建立基于货车流量、路段速度及道路通行能力的客货冲突识别模型,并将获得的客货冲突指数1～10平均划分为5级;最后针对北京市东五环快速路和新发地区域路网,利用模糊C均值聚类进行道路运行状态判别。实例研究结果表明,东五环客货严重冲突的时段为7:00—9:00和14:00—20:00,处于轻度冲突以上的时段占88%,最高与最低的冲突指数之间相差3倍以上;新发地道路随着等级的降低,客货冲突程度呈逐渐增加的趋势,且各等级道路有区分上下行的客货冲突分布特征。模型对客货冲突的识别结果符合实际客货冲突产生的原理,可以反映出各等级道路客货冲突水平的差异,实现对路段客货冲突水平的动态识别。     

基于ILMD算法的风电齿轮箱早期故障诊断研究

在新能源形势的推动下,风电产业的发展日新月异。然而,风电齿轮箱作为关键组成部分,其运行状态直接影响到整个风电场的稳定性和效率,为及早识别齿轮箱故障,文章提出了一种改进局部均值分解算法(Improved Local Mean Decomposition,ILMD),可对生产运维提供有效诊断指导。结果表明,通过ILMD算法可以有效抑制LMD的模态混叠现象,进而准确识别出齿轮早期磨损故障。     

考虑站点脆弱性的城市轨道交通应急救援点选址方法

为提高城市轨道交通系统应对突发事件时的处置效率，在考虑站点脆弱性的基础上提出一种城市轨道交通应急救援点选址方法。首先，综合客流特征、线网拓扑结构和周边已有应急资源分布情况，构建城轨站点脆弱性评价指标体系，将站点脆弱性量化为站点脆弱度指数并引入灰色关联分析法进行计算；其次，构建以覆盖水平最大、平均救援响应时间最短和建设成本最低为目标的区域级应急救援点选址模型，并在计算覆盖水平时引入K均值聚类算法，对站点脆弱性进行分级；最后，依托西安市地铁网络实际数据进行实例验证。结果表明：考虑站点脆弱性后，应急救援点总数反而减少，且选址结果更为理想；4种目标权重设置下，考虑站点脆弱性后的线网覆盖水平依次增加3.49%,2.75%,4.16%和3.63%，平均救援时间依次减少7.25%,6.56%,12.48%和4.89%，建设成本依次减少3.57%,7.41%,4.17%和6.45%。该方法能够更加科学合理地识别城轨线网中的高脆弱性站点，得到的应急救援点选址方案对线网中边缘站点的覆盖效果更好。