城市轨道交通兼容性车载系统阶梯形目标速度的平滑跟踪控制研究

[目的]针对城市轨道交通兼容性车载系统中目标速度消息周期大于车载控制周期以及消息间隔不固定的特殊现象,提出了一种双周期速度跟踪算法来实现阶梯形目标速度的平滑跟踪目的。[方法]根据目标速度序列特点,引入了巡航状态和估计状态等2个控车状态,对列车站前减速过程进行识别。分别对消息周期和车载控制周期时刻的目标速度进行相应处理：当收到目标速度的消息周期时,基于卡尔曼滤波算法计算参考速度、参考加速度的估计值;当未收到目标速度的车载控制周期时,基于上述估计结果推算出车载控制使用的参考速度。考虑到目标速度消息滞后以及列车响应延时的特性,设计了拟平行参考速度跟踪控制策略。以上海轨道交通2号线为例,对参考加速度估计效果和不同运营等级场景下的控车效果进行了分析。[结果及结论]案例表明,上述算法可以克服目标速度消息周期长且间隔不固定所带来的控车工况频繁切换问题,避免了兼容性车载系统阶梯形目标速度曲线跟踪过程中控制命令饱和以及速度曲线凹坑现象,实现了列车在站前减速过程中的平稳控制,提高了乘客舒适度,减少了列车制动损耗,节约了牵引能耗。     

基于改进反步滑模控制算法的拖轮自主靠泊控制

[目的]针对拖轮的自主靠泊控制问题,研究基于虚拟船领导的目标跟踪控制策略在拖轮自主靠泊中的应用。[方法]首先,将拖轮的自主靠泊过程转变为虚拟拖轮和实际拖轮的目标跟踪控制过程;然后,设计靠泊系统的运动学模型,考虑靠泊场景中的特殊环境干扰,使用反步法和滑模控制法（SMC）设计全回转尾推进拖轮的自主靠泊控制器,提供了3种不同的滑模面设计并使用李雅普诺夫函数进行稳定性验证;最后,采用仿真实验的方式,通过靠泊轨迹、速度误差和距离误差来对控制的效果进行验证。[结果]仿真实验结果表明,设计的拖轮自主靠泊控制策略以及控制器在拖轮自主靠泊场景中具有较好的效果,面对系统的不确定干扰有较好的表现。[结论]该控制策略以及靠泊控制器的适用性以及鲁棒性较好,以全新的角度实现了拖轮自主靠泊控制,为后续拖轮的靠泊控制研究提供了新的方向。     

基于资源约束的地铁运营施工任务调度研究

针对地铁运营施工资源有限、时间严格、任务繁重等特点,本文以地铁运营施工任务调度为研究对象,建立运营施工调度优化模型与算法。模型以任务优先级、施工人员和施工工区限制等为约束条件,以完工时间最小化、施工人员工作负荷均衡化为目标;设计一种联合线性规划与资源交叉(CPLEX-ROC)的混合求解算法;通过对某实际地铁运营线路展开案例研究,验证模型和算法的可行性与先进性。案例研究结果表明：相较于人工调度、遗传算法(GA)、教学优化算法(TLBO)方法,最大完工时间分别降低32.90%、15.11%和10.75%;施工人员工作负荷均衡指标相较GA、TLBO分别优化了15.44%和10.62%。计算结果验证了本模型能够提升地铁运营施工任务整体作业效率,同时实现施工人员工作负荷均衡。     

数据融合技术在航海避碰决策支持系统中的应用

在航海避碰决策支持系统中引入数据融合技术,给出了系统的数据融合处理模型,并将数据融合技术与人工智能技术相结合,分别建立了基于ＤＳ证据理论、神经网络技术和模糊理论的目标识别模型、会遇状态估计模型及碰撞威胁估计模型。     

用于目标检测和精确定位的水下机器人视觉系统

基于目标检测和精确定位的ＡＵＶ（Ａｕｔｏｎｏｍｏｕｓ Ｕｎｄｅｒｗａｔｅｒ Ｖｅｈｉｃｌｅ）视觉系统是水下智能机器人感知水下环境信息、进行自主作业的关键技术。本文着重介绍了视觉系统的工作原理、模块结构、特征提取和目标检测与定位算法。最后给出了仿真试验结果,以说明系统工作的有效性和实用性。     

信息融合理论和技术在舰载S&D系统中的应用研究

应用信息融合理论和技术研究舰载S&D(Search & Detection)系统中多传感器雷达的多机动目标跟踪问题,可极大地增强系统跟踪目标的能力,改善和提高系统的跟踪精度.仿真结果表明,使用的几种融合算法都可大大提高系统跟踪精度,同时还可提高系统的可靠性.     

基于深度神经网络的船舶图像识别检索研究

对船舶图像进行快速准确识别在军民领域都有广泛应用,随着船舶种类的增多、图像质量的提高,传统的卷积神经网络进行船舶图像识别需耗费大量时间。本文对深度神经网络的原理进行分析,并在此基础上研究基于深度神经网络的船舶图像识别流程,对船舶图像预处理技术进行研究,建立船舶图像训练集和测试集,对YOLOV2、卷积神经网络和本文算法的平均识别时间和识别准确率进行分析,最后研究3种算法的训练次数对识别准确率的影响。本文研究的深度神经网络船舶图像识别算法,在平均识别时间以及识别准确率上具有一定优势。     

双缓动平台时延下的纯方位定位测角误差分析

水下双缓动平台协同探测可实现对水声目标纯方位定位和跟踪。针对双探测平台接收目标信号因传播时延导致探测时间未配准、方位测量偏差的问题,根据缓动平台的实际应用场景,建立目标运动模型和二维探测空间几何分布,构建一种基于不同时延条件的方位测量误差分析模型,并详细分析得出目标和双平台不同分布场景下的最大测角误差结果,该模型物理意义明确、直观简单,仿真和实测实验结果验证测角误差模型的准确性,并得出双平台探测时延下目标方位测角的误差分布规律。     

基于WPES与MEEMD的船用主机振动研究

为揭示船用长冲程低速柴油机健康状态下的振动特征,采用小波包能量谱（Wavelet Packet Energy Spectrum, WPES）和改进的总体平均经验模态分解（Modified Ensemble Empirical Mode Decomposition, MEEMD）结合的特征提取方法,对典型推进工况下低速机的表面振动信号进行3层小波包分解和重构。通过对能量占比较大的节点采用MEEMD方法进行分解,获得IMF1分量频谱。研究结果表明,在40%以下的较低发动机负荷时,各单次燃烧循环的振动波动较小,振动幅值基本一致。提升至50%以上发动机负荷时,燃烧引起振动波动明显增强。50%工况下,中高频能量占总能量的41.51%,为主要振动源。     

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。