结合神经网络和数据融合技术的城市路段速度估计*

大部分基于浮动车GPS数据的速度估计模型仅适用于GPS数据采样时间间隔小、样本量空间分布密集的理想情况,无法准确计算样本量不足情况下的实时速度.根据浮动车GPS数据点在空间上的分布情况,提出组合三种速度估计模型,以最大限度地提高GPS数据利用率;考虑到GPS数据点在时间上分布不均,在GPS数据不足的情况下,结合神经网络预测和数据融合的技术,根据误差方差融合速度估计模型的测量值和神经网络拟合的预测值,以减少实时估计误差.选择广州市东风路作为测试实例,在高峰和平峰两种交通场景下比较了融合值、测量值和预测值的误差,结果表明结合神经网络和数据融合技术的城市路段速度估计精度和稳定性均优于速度估计模型.     

电力系统状态估计多算法融合

为解决复杂电网大数据背景下单一算法难以满足状态估计要求的问题,提出一种电力系统状态估计多算法融合系统。基于数据融合思想,将加权最小二乘法、快速分解法、量测状态变换法与Sigmoid函数法相互融合实现电网状态估计,支持串行融合模式和并行融合模式。实验结果表明,融合算法使得估计结果保留了各自算法的优点,避免了单一算法的缺点,提高了状态估计的精度和效率。     

智能检测系统中的数据融合技术

介绍了一种数据融合方法在智能仪表多传感器系统中的应用，它时测量值进行一致性检测和分批估计．得出融合值。实验数据分析结果表明，使用此算法处理的数据有更小的误差和方差。这种实时数据处理方法采用有限次等精度测量，具有计算量小，计算机编程容易等特点，适用于缓变量智能检测系统。     

数据挖掘算法在交通状态量化及识别的应用

在智能交通系统（ITS）环境下,以交通检测器采集的海量交通流信息为对象,通过数据挖掘技术即数据获取、数据预处理、挖掘方法、结果分析与评价、模式应用等进行新的信息提取,提出了各阶段的要求和聚类分析及模式识别的算法,最后从海量数据中得到新的有用信息交通状态分类,同时使用实时采集交通流数据进行交通状态判别。实验结果表明识别状态能够准确反映实际交通状态。     

基于带输入估计变维滤波的多传感器信息融合

带输入估计变维滤波利用最小二乘法对系统未知输入进行估计,同时对机动运行开始时刻给出估计,从而有效地克服了输入估计算法和变维滤波各自在系统模型单一和机动运行开始时刻估计不精确方面的缺陷。考虑到多传感器信息融合系统可给出比单传感器更为精确的结果,基于带输入估计变维滤波,将系统状态融合和确定性输入融合相结合,提出了一种多传感器带输入估计变维滤波融合算法。系统仿真结果表明,该算法可以有效地提高估计精度,适用于机动目标跟踪。     

基于AF-SVR的城市快速路多源交通信息融合研究

针对单一检测器所得到的交通数据不能够全面准确地反映实际的交通状态,提出一种基于AF-SVR模型的城市快速路多源交通信息融合的方法。首先通过将相同路段中不同检测器的速度数据作为学习样本输入到支持向量机回归模型(Support Vector Regression,SVR)中进行训练。然后利用鱼群算法(Artificial Fish,AF)对支持向量机回归模型中的参数进行优化,获得最优的信息融合模型,用于多源交通信息的融合,输出为能准确反映真实交通状态的速度数据,并用人工采集的速度数据作为真值进行验证。最后将此方法应用于成都市三环快速路路段上的多源交通信息融合,取得了令人满意的结果。     

一种利用粒子滤波的实时交通状态估计方法

将粒子滤波理论和宏观随机交通流模型结合,对高速公路交通状态进行实时估计。在该方法中,高速公路被看作是由等距离的路段首尾相接而形成的模型,交通传感器通常设置在路段的交界处,而且数量远少于所需估计的交通状态。采用压缩状态空间的形式,将模型参数也作为交通状态而非常量进行估计。仿真结果表明粒子滤波方法能够有效地估计和跟踪交通状态的变化,并且与扩展卡尔曼滤波方法相比具有更高的精确度。     

多传感器分布式信息融合粒子滤波器

针对非线性非Gaussian系统的状态估计问题,提出一种基于信息融合的多传感器分布式粒子滤波算法。该算法首先利用粒子滤波方法分别计算局部传感器的状态估值,再应用分布式标量加权融合准则对状态估值进行信息融合。仿真结果表明和单传感器情形相比可提高滤波的精度。     

基于误差系统的信息融合最优预见跟踪控制

针对期望轨迹和干扰可预见的最优跟踪问题, 提出了一种基于误差系统的信息融合最优控制方法. 将线性伺服系统转化为误差系统; 利用信息融合估计方法, 通过融合期望轨迹、干扰输入、误差系统状态等信息, 获得误差系统协状态以及控制增量的最优估计. 构建了由积分项、状态反馈控制项和预见前馈补偿项组成的最优预见控制系统. 线性直流电机系统的控制仿真结果表明, 信息融合最优预见控制下的位置跟踪精度比传统最优预见控制下的要高.     

基于参数估计的多传感器数据融合算法研究

为提高多传感器数据融合精度,结合传感器网络的特点及应用实例,研究分批估计、自适应加权和方差估计算法在数据融合中的有效性、准确度和实时性,提出按测量方差的自适应加权数据融合算法,利用600个传感器所提供的实例数据,对几种算法进行仿真,并比较了几种算法的有效性及其融合精度的差异,其结果表明采用自适应加权算法可以有效提高融合精度,对考虑了环境噪声的多传感器数据采集系统较为适合.     

Bayes估计在二项式分布交通流检测中的研究

为了能够减少交通流量错误估计造成的经济损失,准确的掌握交通流分布情况,多传感器信息融合的理论被引入到交通流的检测中,并且以此为基础,利用Bayes参数估计理论对交通流分布情况进行估计.在交通流量符合二项式分布的情况下,用Bayes分别估计了交通流中的参数无先验概率(先验概率为均匀分布)和先验概率为正态分布两种情况下的交通流量.通过仿真实验发现,在先验概率已知的情况下,运用Bayes估计理论对交通流进行检测,可以得到与实际情况相符的车流量分布情况,并且准确率较高,而且运算速度快,具很强的有实时性和实用性.     

多速率传感器不完全测量数据自适应融合算法

针对不完全测量的多速率传感器系统,建立了自适应的分级融合算法。该算法构建了传感器子系统故障检测方法,检测子系统故障,确认不完全测量,避免单点故障污染整个系统;建立子系统的切换控制逻辑,引入映射矩阵,构成新的信息分享系数,自适应地选择子系统参与中心融合;对于不完全测量信息的传感器子系统,利用子滤波预测值代替估计值进行融合;全局状态估计利用各子系统的当前与前一时刻的估计值,提高了融合性能。对建立的算法进行仿真,验证了该算法的有效性。     

Robust state estimation for wireless sensor networks with data‐driven communication

Robust state estimation problem for wireless sensor networks composed of multiple remote sensor nodes and a fusion node is investigated subject to a limitation on the communication rate. An analytical robust fusion estimator based on a data‐driven transmission strategy is derived to save the sensor energy consumption and reduce the network traffic congestion. The conditions guaranteeing the uniform boundedness of estimation errors of the robust fusion estimator are investigated. Numerical simulations are provided to show the effectiveness of the proposed approach. Copyright © 2017 John Wiley & Sons, Ltd.     

Event‐triggered robust state estimation for wireless sensor networks

Robust state estimation problem subject to a communication constraint is investigated in this paper for a class of wireless sensor networks constituted by multiple remote sensor nodes and a fusion node. An analytical robust fusion estimator using local event‐triggered transmission strategies is derived aiming to reduce energy consumption of the sensor nodes and refrain from network traffic congestion. Some conditions are presented guaranteeing the uniformly bounded estimation errors of the robust state estimator. Several numerical simulations are presented to show the validity of the proposed method.     

有限时间信息融合线性二次型最优控制

针对有限时间线性二次型最优控制问题, 提出了一种新的求解方法—–信息融合估计方法. 基于线性最小方差估计准则下的融合估计理论, 通过融合期望状态轨迹、理想控制策略等软约束信息, 分别采用集中式融合和序贯式融合两种信息处理方法, 求得最优状态调节器问题的最优融合控制序列. 进一步从理论上论证了序贯式融合控制方法与传统最优控制方法的一致性, 并通过直流电机系统的数值仿真也验证了集中式和序贯式融合控制方法 与传统最优控制方法的等效性, 从而统一了最优估计与最优控制问题, 并为最优控制问题提供了一种新的求解方法.     

Kullback–Leibler average,consensus on probability densities,and distributed state estimation with guaranteed stability

This paper addresses distributed state estimation over a sensor network wherein each node–equipped with processing, communication and sensing capabilities–repeatedly fuses local information with information from the neighbors. Estimation is cast in a Bayesian framework and an information-theoretic approach to data fusion is adopted by formulating a consensus problem on the Kullback–Leibler average of the local probability density functions (PDFs) to be fused. Exploiting such a consensus on local posterior PDFs, a novel distributed state estimator is derived. It is shown that, for a linear system, the proposed estimator guarantees stability, i.e. mean-square boundedness of the state estimation error in all network nodes, under the minimal requirements of network connectivity and system observability, and for any number of consensus steps. Finally, simulation experiments demonstrate the validity of the proposed approach.     

基于TAN分类器的交通灯时间智能动态估计

针对目前交通灯智能化程度低,容易造成交通拥堵的问题,提出一种基于TAN分类器的交通灯时间智能动态估计方法。首先,分析影响交通灯时间的主要因素,并对采集到的数据用模糊分类函数进行离散化处理;其次,依据K2算法学习TAN分类器结构;接着,使用最大似然估计法学习TAN分类器的参数;最后,通过基于时间窗的前向后向算法在线估计出最佳交通灯时间。仿真实验结果表明：本文提出的方法能够根据实时交通路况信息动态估计出最佳交通灯时间,当路口畅通时,交通灯时间短;反之,交通灯时间长。对有效缓解交通拥堵,减少环境污染有着重要的现实意义。     

ADS-B与TCAS II数据融合算法研究

面对空中交通密度越来越大,TCAS II在实际应用中暴露出的虚警和不必要告警等问题愈加明显。为了提供可靠连续的监视信息,提高防撞系统的性能,给出了一种ADS-B与TCAS II组合监视数据融合算法。该算法首先建立了飞机状态空间模型,并分析了ADS-B和TCAS II数据内容和特点,然后研究了数据融合前需要解决的关键问题,利用Kalman滤波器对数据进行处理,采用了在线性最小方差意义下的按标量加权最优信息融合准则和算法对数据进行融合。对该算法进行仿真,结果表明融合后的数据估计误差比任何一个传感器单独估计的误差都要小,说明该算法能够得到较高精度的数据,有效增强了防撞系统的性能。     

基于信息融合地图的水下机器人位置估计

建立了一种对声纳和视觉图像进行融合的模型,提出了采用高斯方法和对水下环境进行描述建立融合地图的新的表达方法。首先假定传感器的观测信息为高斯分布,通过空间关系的变换和投影将声纳和视觉投影到公共的状态空间,然后对各传感器的其它信息进行加权,并嵌入到其中,得到适合计算机处理的传感器地图。提出了对水下机器人进行位置估计及地图匹配的算法,在导航过程中通过找出当前地图与参考地图的最大相关系数,从而对机器人位置进行更新,得出其最佳位置估计。仿真结果显示：采用融合地图对水下机器人的位置估计是连续的、可计算的、有效的。