短时傅里叶变换在船舶欠定稀疏源信号盲分离中的应用

信号采集和信号处理对船舶等海上作业平台具有非常重要的意义,在船舶综合导航、通信和货物运输等方面有广泛应用。随着工业技术水平的提高,对于复杂噪声信号和稀疏源信号的处理得到了长足发展。本文基于短时傅里叶变换,系统分析船舶欠定稀疏源信号的盲分离过程,并对该欠定信号盲分离的优化算法进行研究。     

基于短时傅里叶变换的岩石声波信号分析方法研究

针对岩石声波信号离散、非平稳，含有较多突变分量等特性，提出一种基于短时傅里叶变换的时频分析方法。通过合理选择窗函数、加窗长度以及窗移动步长，对岩石声波信号进行时频分析，提取相关声学参数。结果表明:短时傅里叶时频分析能很好地显示信号时域和频域局部特征，能够清楚地描述声学参数（频率、振幅等）变化。     

视觉刺激情感变化β波同步分析

针对由视觉刺激产生情感变化问题,运用事件相关去同步化和同步化方法分析不同情感的视觉刺激下左右脑前额和中央区域的活动状态和活动强度.通过去同步化和同步系数零一法标记特定时间段来判断受刺激阶段的活动状态,并在此基础上通过左右脑功率谱差值绝对值判断活动区域的强烈程度.结果表明视觉刺激为高兴时,男性和女性大脑活动区域相同但前额区域左右脑活动强度有区别;视觉刺激为不高兴时,男性两区域均为活动状态但强度有区别,女性两区域均为惰性状态.进而推断出:男性对高兴和不高兴的视觉刺激反应均比较明显而女性只对高兴的视觉刺激明显.     

短时交通流预测研究

对短时交通流进行了混沌识别,表明其具备混沌特性,利用重构相空间的嵌入维数确定神经网络的结构,建立了基于混沌理论的交通流神经网络模型,理论上验证了该方法对短时交通流预测的有效性。     

基于Gaussian-支持向量回归机的高速公路短时交通量预测

针对高速公路短时交通量的实时性、波动性和非线性的特点,将支持向量回归机(SVR)应用于高速公路短时交通量预测,并采用Gaussian损失函数来代替ε-不敏感损失函数,对原始序列进行降噪处理,为了更好的优选SVR模型参数,采用遗传算法(GA)进行参数优选,建立了基于GA优化的GA-Gaussian-SVR高速公路短时交通量预测模型,将本路段前几个时段交通量、天气因素和出行日期作为影响因素输入,结合实例进行了仿真预测.结果表明该方法可有效应用于高速公路短时交通量预测.     

一种改进的短时交通流多步自适应预测算法

实时、准确的短时交通流量预测是智能交通系统(ITS)中的一个关键问题。本文先介绍一种基于AR(p)模型的线性最小方差自适应预测算法。它采用带遗忘因子的递推最小二乘方法进行参数估计,采用基于线性最小方差预报原理的Astrom预报算法进行预报。在该算法的基础上提出了一种改进的多步自适应预测方法。新算法增加了误差补偿项,能较好地满足时变模型的预测要求。针对大量实测数据进行仿真实验,结果表明:改进算法在应用于时变性强的短时交通流量多步预测时具有较好的预测性能,而且其预测性能优于线性最小方差预报算法。     

基于有向图卷积与门控循环单元的短时交通流预测方法

为了充分挖掘快速路交通流时空特性,解决当前城市快速路交通流预测存在交通流时空特性挖掘不充分等问题,进一步提高城市快速路短时交通流的预测精度与效率,研究了基于有向图卷积神经网络和门控循环单元的组合模型（directed graph convolution network-gate recurrent unit,DGC-GRU）的城市快速路短时交通流预测方法。该方法提出空间相关性矩阵并将其引入图卷积神经网络中,构建有向图卷积神经网络用于表征交通流的有向性和流动性。将交通流参数输入有向图卷积神经网络后得到有向图卷积算子,并将有向图卷积算子引入门控循环单元,通过有向图卷积神经网络捕捉交通流的空间特性,通过门控循环单元捕捉交通流的时间特性,输出快速路交通流预测结果。选取西雅图环形快速路感应器检测数据进行实例分析,对比模型预测效果。结果表明：在数据集与参数设置均相同的情况下,DGC-GRU交通流预测模型的训练收敛速度更快,且平均绝对误差（mean absolute error,MAE）和平均绝对百分比误差（mean absolute percentage error,MAPE）均优于对比模型,与传...     

基于ETC数据和A-BiLSTM神经网络的高速公路节假日短时交通流预测模型

电子不停车收费（electronic toll collection,ETC）门架系统为节假日高速公路短时交通流预测提供了数据支撑。针对节假日场景下高速公路交通流的非线性和复杂性特征,基于ETC门架数据研究了由注意力机制（attention）和双向长短期记忆（bidirectional long/short-term memory,BiLSTM）神经网络组成的Attention-BiLSTM(A-BiLSTM)组合模型。通过对ETC门架数据进行预处理,保证模型输入的可靠性;采用滑动窗口方法构建监督学习样本,提高模型学习效率。在模型中,使用BiLSTM神经网络,实现对交通流数据前向和后向时间依赖性特征的深入提取;引入注意力机制动态地权衡网络提取信息的重要程度,增强隐藏层特征的非线性表达能力;利用贝叶斯优化方法对模型进行超参数调优,提高模型的预测性能。采集大理-丽江高速公路白汉场至拉市镇的门架数据,处理成时间粒度为5,10,15 min的交通流数据进行模型验证。实验结果表明：(1)相比于自回归移动平均模型、支持向量机的预测结果,A-BiLSTM组合模型的均方根误差（root mean sq...     

基于灰色系统理论的短时交通流预测

通过分析短时交通流时序特性,将灰色系统理论应用于短时交通流预测,建立了滚动GM(1,1)预测模型。分析表明:该模型较好地预测了短时交通流的变化趋势。