基于超声波与红外的AGV定位方法

以往的AGV(Automatic Guided Vehicle)多采用电磁感应技术、机器视觉技术和激光技术进行定位。其电磁感应技术更改路径困难;机器视觉定位算法复杂,实时性差;激光技术定位电路复杂,成本较高。为此,基于超声传感器设计了自动引导车辆的定位系统,提出了一种高精度测量超声信号传播时间的方法。该方法采用双超声发射传感器依照一定的时序进行工作,解决了信号相互干扰问题,在得到AGV位置信息的同时得到其姿态信息,简化了AGV的机械结构。设计了低噪声放大电路抑制噪声干扰;利用自动增益调整电路提高系统的测量精度;采用声速补偿方法消除环境温度变化对定位精度的影响。实验结果表明,该系统可以在300 cm×400 cm的范围内对AGV的车头和车尾精确、实时定位,定位精度达±3 mm。     

基于隐朴素贝叶斯分类方法的垂直切换算法

为解决车辆在相对高速运动下产生网络间切换的“乒乓效应”,根据隐朴素贝叶斯分类思想,突破原有贝叶斯决策中关于属性之间完全独立的假设,建立属性间的关系,同时引入自适应修正概率,降低切换次数,避免了运算的复杂度。仿真结果表明,改进算法与原算法及其他算法相比较,可以有效降低切换次数,并且拥有更低的运行时间,提升了在车联网环境下垂直切换的稳定性与效率。     

基于零陷展宽并加深的高动态GNSS 抗干扰算法

为解决高动态下自适应抗干扰算法在零陷展宽后深度变浅的问题,提出了干扰扰动服从高斯统计分布的 零陷展宽并加深算法。该算法通过投影变换方法对数据进行预处理,提取采样信号中的干扰分量,并通过系数 加权增强干扰分量,在零陷展宽算法基础上构造新的协方差矩阵,最后利用功率倒置算法完成干扰抑制,达到 零陷展宽并加深的目的。仿真实验结果表明,在高动态条件下,所提算法在零陷展宽算法的基础上实现了深度 的增加,提高了零陷展宽抗干扰算法的稳健性。     

基于共轭数据重排的信道预测算法

为提高预测的精确度,在分析基本ESPRIT(Estimation Signal Parameters via Rotational Invariance Techniques)缺点的基础上,提出了一种共轭数据重排的ESPRIT信道预测算法.针对实际中平坦快速衰落信道系数为复数的特点,通过对采样数据的共轭重排,使被利用的数据长度等效于增加了1倍.仿真实验表明,该算法在运算量基本保持不变的情况下与基本ESPRIT相比,提高了信道预测的精确度.     

宽带信号DOA估计的一种快速算法

CSM(Coherent Signals-subspace Method)算法需要构造聚焦矩阵和进行预估计,运算量大且估计精度容易受预估计的影响,很难达到信号实时处理的目的。为此,提出了一种基于前后向平均的改进非相干信号子空间算法(ISM:Incoherent Signals-subspace Method)。该算法通过把宽带信号分解为若干个窄带信号,对每个窄带信号先用前后向平均法进行去相关处理,再利用ISM算法对宽带非相干信号和相干信号进行DOA(Direction Of Arival)估计。该算法不需要进行预估计,且去相关处理简单容易实现,对宽带相干信号的估计虽然性能不如相干信号子空间算法,但运算量比CSM算法减小很多,是一种快速的宽带信号DOA估计算法。通过实验仿真和性能分析,验证了该算法的有效性。     

基于神经网络的交通参数预测方法

为能够迅速准确地采取相应措施处理交通拥堵问题,改善行车安全,进而提高路网效率,研究了基于神经网络的交通参数预测方法,预测了交通流量、速度和占有率.在分析常用BP(Back Propagation)神经网络算法的基础上,研究误差平方和最小化的L-M(Levenberg-Marquart)算法.相对于常规预测方法,基于神经网络的交通参数的预测方法对于随机的参数变化具有更好的适应性,能及时跟随交通参数的变化,所以精确度更高,适应性更好.仿真结果显示,L-M算法的训练速度相比于常规BP算法要快几十倍,预测交通流量、速度和占有率等参数的效果优于常用的指数平滑算法,因此基于神经网络的交通参数预测方法可以应用于交通领域.