����·������WSN�ִ�����Ӧ��Ȩ�ں��㷨

部署在铁路路基监测区域内的无线传感器网络（WSN）,由于节点能量和带宽等资源的限制,要求数据的采集、处理、传输满足低能耗、高效率和高可靠性. 本文提出面向智能监测的无线传感器网络分簇部署策略,在感兴趣的区域内部署尽量多的节点,并根据数量类型、环境特征等因素将网络以簇为单位进行划分. 以簇为单位,采用自适应加权数据融合处理技术,将采集的地温数据按照精度分别乘以权重值再进行平均值处理,有利于降低数据冗余度,提高数据准确度和采集效率. 仿真性能分析表明,该方法可以显著提高数据传输效率,降低网络能耗,延长网络生命周期.     

在城市交通信息集成中基于本体的语义融合模型

交通信息融合技术已成为智能交通系统中研究热点,它对于城市交通综合管理、交通预案应急联动以及数字城市建设有着十分重要的意义. 采用本体技术和语义逻辑代数方法,
对多源异构的城市交通信息的统一表示、融合等问题进行了深入探索. 通过城市交通本体建立静态和动态的城市交通信息的统一语义模型,并定义本体在语义层面上的融合规约和代数操作,以实现城市交通信息融合在语义上的完备性和一致性. 在城市交通信息集成中增加语义融合功能,对降低交通信息集成的数据量,提升集成后交通信息的查询和分析效率及准确性都有较大帮助,在实践应用中也体现了一定的效果.     

基于非下采样Contourlet变换的交通图像融合方法研究

电视监控是智能交通监控系统的一个重要组成部分,其目的是通过对视频交通图像处理进行车辆、行人、环境等的监控. 根据非下采样Contourlet变换具有多分辨率、多方向性和平移不变性的特点,提出了一种基于非下采样Contourlet变换的多聚焦交通图像融合方法. 融合策略采用低频系数取平均,高频系数基于邻域、兄弟和父节点信息的区域特征衡量取最大值法. 将本文的方法与小波变换、脊波变换及Contourlet变换相比较,实验结果表明,该方法取得了更好的融合效果,提高了图像质量,满足智能交通监控系统的要求.     

新型列控系统列车综合自主定位技术研究

安全、准确、高可靠的列车定位技术是列车运行控制系统的基础和核心.现有列控系统的列车定位技术依赖轨道电路,建设及运维成本高,难以适应高海拔铁路的恶劣应用环境.为此提出一种基于卡尔曼滤波的多源融合测速定位技术方案,综合利用卫星导航信息、轮速传感器信息、加速度计信息、应答器信息等,进行列车走行距离和速度计算,可以摆脱对轨道电...     

一种基于WSN和GPS融合定位的 浮动车路况优化研究与验证

为解决浮动车数据在城市范围内存在的“信号漂移”和“信号盲区”问题,提高地图道路 适配准确率和路况信息准确率,研究应用WSN无线定位技术以及地图匹配技术,设计数据融合 框架,提出基于WSN和GPS的融合数据路况优化算法及计算流程,监测车辆在路网上的行驶状 况和各路段的拥堵程度。通过选取广州市800 个车载传感器节点、20 个路侧传感器节点以及3 个路段进行现场数据验证,结果显示在加入WSN定位数据并采用上述算法处理后,地图道路适配准确率提高约4%,路况信息准确率提高约5%,同时路况信息的处理速度也得以提高。可见,基于该优化算法,WSN和GPS融合定位数据能有效提高浮动车路况的准确性和有效性。     

智能车辆的障碍物检测研究方法综述

按照使用传感器的不同类型来分类，对智能车辆的障碍物检测和识别技术进行了综述，并分析各种障碍物检测方法。这些方法中主要包括基于立体视觉方法、基于激光雷达的方法：基于彩色机器视觉的方法及基于结构光的方法等等，同时作者指出任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知，因此利用多种传感器信息融合技术检测智能车辆前方障碍物，是未来该领域的研究重点与难点。另外，还介绍了近几年一些研究机构在该领域的研究成果，并对所使用的一些算法进行简要的概括，为我国在智能车辆的障碍物检测领域的发展提供借鉴。     

基于模糊神经网络和数据融合的结构裂纹故障诊断

本文利用模糊神经网络和数据融合技术相结合,对铝板裂纹进行了故障诊断.在梁结构的振型斜率变化率的基础上,得到了板结构两个方向的振型斜率变化率裂纹诊断指标.通过对模糊神经网络诊断结果和模糊神经网络数据融合诊断结果的比较,证明模糊神经网络数据融合诊断方法对裂纹的检测、定位和性质刻画能够达到满意的精度,也证明了在所取五种裂纹诊断指标中,振型斜率变化率裂纹诊断指标对裂纹的诊断精度是最高的.     

基于信息融合的船舶机电设备故障诊断

对船舶机电设备故障进行了分析,指出故障诊断必须从多类数据中寻找隐藏的信息,进而提出了对于观测数据运用模糊聚类方法进行信息融合,寻找故障模式.算例证明方法有一定的效果.     

基于深度CNN-LSTM-ResNet组合模型的出租车需求预测

利用海量的离线GPS数据进行出租车需求预测是智能城市与智能交通系统的重要组成部分.本文提出了一种基于深度学习的出租车需求预测方法(CNN-LSTM-ResNet),将出租车GPS数据和天气数据等转化为栅格数据,输入模型获得预测结果.该模型先使用卷积神经网络(CNN)提取城市范围交通流量的空间特征,然后引入残差单元加深网络层数,并利用长短期记忆网络(LSTM)提取GPS数据的临近性、周期性和趋势性,最后通过权重融合以上3个分量,并与外部因素(天气、节假日和空气质量指数)进一步融合,从而预测城市特定区域的出租车需求.采用西安市出租车GPS数据进行实验验证,结果表明,该模型与传统预测模型(如ARIMA,CNN,LSTM)相比具有更高的预测精度.     

基于情景融合的全自动运行系统危害分析技术

为提高城市轨道交通全自动运行(fully automatic operation,FAO)系统的安全性,本文从 FAO 系统运维的角度,提出一种基于情景融合的 FAO 系统危害分析技术。该技术通过场景要素识别,融合生成 FAO 应用场景后,综合选取等比例分配法、先验信息分配法或组合逻辑分配法,采用半定量安全完整性等级(safety integritylevel,SIL)分配技术完成核心子系统功能安全指标分配,解决传统功能故障模式影响及危害性分析(failure mode,effect and criticality analysis,FMECA)对多系统功能 SIL 分配存在局限性的问题,为后续 FAO 系统线路的危害分析及 SIL 分配工作提供参考。