汽车发动机非稳态振动信号分析方法比较研究

采用短时Fourier变换、小波包AR谱和二阶循环谱方法分别对发动机加速信号进行了时频分析,提取了分析对象的故障特征,并对3种方法进行了比较研究.研究表明:短时Fourier变换的频率分辨特性相对较差;小波包对单个故障有良好的分辨特性,但对多个故障的分辨能力较差;而循环谱方法有更好的频率分辨特性,且在特征频率处有更显著的谱峰.     

短时交通流的非线性动力学特性

基于Bierley跟驰模型理论,建立了由5辆机动车组成的动态交通流仿真模型.利用Matlab软件产生了5辆机动车的交通流时间序列,分析了相邻前后车辆的车头间距、速度差等变化过程,对仿真结果与实际交通流特点做了理论分析.讨论了模型参数对交通流动力学特性的影响,并从理论上证明了短时交通流具有混沌特性.结果表明:后车驾驶员对前后车相对速度和前后车车头间距越敏感就越容易出现混沌现象.     

改进非参数回归在交通流量预测中的应用

实时、准确的短时交通流量预测是实现交通控制与诱导的关键。结合模式识别的思想,提出基于模式识别的非参数回归算法,并将之应用于短时交通流量预测,最后用仿真试验检验了方法的有效性,仿真试验结果表明,该方法具有较高的预测精度。     

基于投影寻踪回归模型的短时交通量预测研究

准确有效地预测短时交通量是实施交通诱导及控制的前提与关键。投影寻踪方法能从不符合正态分布的或没有多少先验信息的数据本身中找出其结构或特征,并能在线性投影中解决非线性结构的问题。文中将投影寻踪回归算法理论应用于短时交通量预测领域,采用正交Hermite多项式拟合岭函数,并用C＋＋语言设计出相应模型的实现算法,对短时交通量实施滚动预测。利用某快速路实际观测数据进行预测实验,实验结果证实该方法具有可行性、可靠性,有一定的实用价值。     

基于短时Fourier变换的火花塞积碳现象研究

大量的城市车辆因为走走停停而发生发动机火花塞积碳,此类现象难产生故障码,研究一种行之有效的科学的判断方法势在必行。文中提出用短时Fourier变换,从二维时一频振动特征图上掌握由于积碳缺缸振动包含的频谱信息,得到频率出现的时间,从而提取到时变非平稳信号中真正反映火花塞积碳的特征参数。实验结果表明该算法具有很高的准确性和可靠性,可以作为诊断火花塞积碳的依据。     

采样信号周期数对克拉美-罗下界的影响

短时信号处理是信号处理的经典问题,但是关于最短信号长度尚无文献给出明确的建议.本文采用数值方法对正弦信号的克拉美-罗下界CRLB(Cramer-Rao Lower Bound)进行了研究并给出最短信号长度的取值,结果为:(1)根据采样信号周期数CiR(Cycles in Record)对CRLB的影响程度,把CiR分为高频段、低频段和极低频段进行研究;(2)极低频段的CRLB随CiR的下降急剧上升,且与信号相位有很大的关系;(3)最短采样信号周期数为CiR=0.8285,若低于这个临界值,无法保证估计算法的精度.     

基于非参数回归的短时交通流量预测与事件检测综合算法

针对目前短时交通流预测存在的问题 ,提出一种基于非参数回归的短时交通流量预测与事件检测综合算法框架并对框架中的每个步骤进行详细说明。为了进一步提高上述算法的精度与速度 ,对传统的非参数回归算法做了两方面改进 :基于密集度的变 K搜索算法与基于动态聚类和散列函数的历史数据组织方式。通过这些改进 ,使得上述基于非参数回归的算法成为一种“无参数”、可移植、高预测精度的实时预测算法 ,并能有效地用于短时交通流的预测问题中。现场实验充分表明该算法完全满足实时交通流预测的需要。     

城市轨道交通进站客流量短时预测模型研究

利用数学方法可以改善城市轨道交通进站客流量的短时预测效果,促进轨道交通车站客流管理智能化水平。首先建立K近邻非参数回归模型,然后在传统卡尔曼滤波模型的观测方程中引入偏差修正系数以提高其预测精度;再采用贝叶斯方法将以上两模型进行组合;最后利用2013年11月北京市地铁13号线的进站客流数据,研究对比这三类模型在早高峰、平峰、晚高峰和全天的预测精度。结果表明:K近邻非参数回归的总体预测精度最高;贝叶斯组合预测模型次之,但平峰时段效果最好;基于偏差修正系数的卡尔曼滤波模型晚高峰时适用性较差。     

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术，随着人工智能的发展，越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强，而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短，首先对路段传输模型（Link Transmission Model，LTM）进行改进，提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型（Data-driven Link Transmission Model，D²LTM），并在此基础上引入时空深度张量神经网络模型（Spatial-temporal Deep Tensor Neural Networks，ST-DTNN）来捕获网络交通流数据中的时间维、空间维和深度维特征信息，形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D²LTM-STDTNN。该混合模型一方面通过D²LTM机理模型来揭示交通流演化的基本规律，发挥其对城市路网交通流状态时空演化过程的精细刻画能力，增强混合模型机理的可解释性；另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力，提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题，具有更细的空间粒度和时间粒度，因此也具有更大的预测难度。实测结果表明：D²LTM-STDTNN混合模型相对于基准模型预测精度更高，且具备模拟演化机理方面的优势，提升了城市路网短时交通流状态预测能力，揭示了路段间的交通流动态演化规律，可为网络交通流模拟推演和主动管控提供了技术支撑。     

基于广义动态模糊神经网络的轨道交通车站进站量预测1

针对轨道交通车站短时进站客流的不均衡性、高度非线性和时变性特点，结合逻辑推理能力强的模糊技术与自学习能力强的神经网络，提出一种基于广义动态模糊神经网络（GD-FNN）的短时进站量预测方法。以北京轨道交通各车站的进站客流量数据为例，分析轨道交通车站的进站客流特征，确定影响短时客流分布的主要因素；然后采用GD-FNN方法构建车站短时进站量的预测模型，实现北京轨道交通系统若干车站进站量的预测，预测结果表明，该方法与传统的神经网络相比，预测效果更准确（最大相对误差小于8%），稳定性好。