一种融合卡尔曼滤波的室内组合定位算法

为了提高室内移动机器人的定位精度,提出一种抑制定位误差的Chan-Taylor-Kalman组合定位算法。该算法在Chan-Taylor协同定位算法基础上,引入权重因子,再融合卡尔曼滤波算法优化定位观测数据,从而得到最终的目标估计值。实验结果表明：相比Chan-Taylor协同定位算法,Chan-Taylor-Kalman组合定位算法的定位均方根误差静态环境下在7.54 cm,下降了约13.2%,动态环境下则集中在9 cm,定位性能更稳定,能满足室内移动机器人定位精度的要求。     

改进K-means聚类算法行驶工况及油耗研究

为解决传统聚类算法初始中心易陷入局部最优、耗时长的问题，提出一种改进的K-means聚类优化算法。该算法引入最大最小距离和加权欧氏距离，从剩余聚类点距离均值和出发，避免孤立点和边缘数据的影响。利用比重法对主成分进行改进，以由此获得的特征影响因子作为初始特征权重，构建一种加权欧氏距离度量。根据特征贡献率对聚类的影响，筛选具有代表性的特征因子凸显聚类效果，最终合成汽车行驶工况，分析瞬时油耗。结果表明，所提算法构建行驶工况的速度-加速度联合分布差异值仅为105%，比传统K-means聚类省时44.2%，行驶工况拟合度较高，能反映实际车辆的运行特征及油耗。      

改进全局 K-Means 聚类算法的汽车行驶工况研究

为有效促进汽车节能减排和新技术发展,文中提出了 一种改进全局K-Means聚类算法的汽车行驶工况构建方法,通过采集城市道路行驶工况的数据并对数据进行预处理,利用主成分分析法和改进的K-Means聚类算法分别对运动学片段中实验数据的12个特征参数进行降维和聚类,拟合出某城市汽车行驶工况.分析结果表明:拟合曲线的汽车运动特...