基于集成学习与位置信息约束的前方车辆检测

针对传统前方车辆检测方法难以同时满足准确性与实时性问题,提出一种结合AdaBoost集成学习与位置信息约束的车辆检测方法。首先,利用Edge Boxes算法根据车辆边缘序列信息计算推荐窗口。然后,通过帧存坐标系中车辆位置信息对非目标推荐窗口进行排除。最后,将过滤后窗口聚类处理并择优选取作为AdaBoost分类器输入,进行检测评判,并对最终检测结果进行边框回归处理,以提升检测精准度。实验结果表明,该方法对于不同检测场景有较强鲁棒性,能够同时满足车辆检测的准确性与实时性要求。     

基于视觉传感器的道路前方车辆模型研究

车辆几何模型是基于视觉传感器的车辆检测系统的重要部分。为了提高前方车辆检测的鲁棒性,利用车尾轮廓的几何特征构建了世界坐标系的车尾模型,通过坐标系变换给出了视觉传感器坐标系的车尾模型,进而导出图像车尾模型,并给出了车尾模型参数的表达式及其与现实世界中车尾几何参数的对应关系,明确建立了图像中车辆位置和大小的关系。实验表明:将该模型应用于车辆检测可以抑制图像中不符合车辆透视关系的错误识别,能有效提高车辆检测的鲁棒性。     

基于计算机视觉的前方车辆检测与测距系统设计

随着我国私家车数量的增多,公路行驶道路安全成为社会关注的主要问题.而前方车辆距离检测系统的搭建,能够完成前方车辆检测与智能汽车导航工作.探讨了计算机视觉的前方车辆检测与测距系统设计,通过分析基于前方车身底部阴影的检测算法,阐述了前方车辆检测与测距系统的设计与应用.     

输入输出端存在噪声时系统的无偏辨识

在实际辨识中，观测到的系统输入数据往往被噪声所污染，这给无偏辨识系统带来困难，基于和文［６］中相同的原理，本文提出了一种递推的偏差补偿最小二乘法。它通过在系统输入端已知滤波器，将已知零点嵌入被辨识系统中，然后利用这些零点所提供的信息在线估计辨识偏差，并将偏差加以补偿，从而实现系统的无偏估计。     

基于MATLAB的最小二乘法参数辨识与仿真

本文介绍了基于MATLAB/Simulink的使用最小二乘法进行参数辨识的设计与仿真方法.首先简述参数辨识的概念和最小二乘法的基本原理,然后介绍如何采用Simulink建立系统的仿真对象模型和运用MATLAB的M语言编写最小二乘递推算法,最后结合实例给出相应的仿真结果和分析.本文的仿真方法克服了传统编程语言仿真时繁杂、难度高、周期长的缺点.     

焊接过程的非线性辨识

准小孔弧焊接过程是个典型的非线性系统。为了得到它的模型,本文采用最小二乘法对其进行辨识。仿真结果表明最小二乘法是非线性系统辨识的一种非常有效的方法。     

最小二乘法参数辨识及其微机实现

最小二乘法是系统参数辨识中最基本、最成熟的方法,在微机上实现最小二乘法辨识参数,使参数辨识和建模得到了从理论到实际应用的飞跃。     

基于递推最小二乘法的温箱系统辨识

温箱在生活中应用越来越广泛,对于温箱的精确控制已成为一项重要课题,所以对于温箱模型的分析和确定十分重要。以温箱为辨识对象,在温箱热稳定的基础上给温箱输入M序列辨识信号来获取辨识数据。采用递推最小二乘法对温箱进行辨识并按照残差定阶法对温箱系统进行定阶、定型。最后在MATLAB中仿真并验证。     

基于最小二乘法的MATLAB辨识仿真实验

系统辨识是利用输入输出数据,从一组给定的模型中,确定一个与所测系统等价的模型。利用MATLAB中的Simulink模块,搭建线性系统,利用最小二乘对仿真得到的数据进行辨识,最终得到与系统模型等价的模型。给出了辨识仿真的整个流程,为应用于实际工程做出了基础。     

基于特征模型驱动的前方车辆检测

为了准确地探测出前方车距,必须先检测出前方车辆的大概位置,对国内现有的车辆位置检测方法进行了大量的研究;充分分析了前方车辆的先验特征模型的基础上,提出了一种基于机器视觉模型驱动的前方车辆目标检测方法,主要包括以下步骤:首先基于目标的边界特征和灰度信息熵等对目标进行初步探测,建立目标感兴趣区;然后基于前方车辆的灰度对称特征进行目标确认,提出了一种新的对称性测度,并利用该对称性测度检测出车辆的对称轴;最后在图像序列中,利用线性预测方法对目标进行跟踪;可以准确地获得前方车辆的矩形轮廓.     

辨识Box-Jenkins模型参数的递推广义增广最小二乘法

本文提出一种递推广义增广最小二乘辨识算法(RGELS)。该算法推广了递推增广最小二乘法(RELS),可用于一般模型(BOX-Jenkins模型)的参数辨识。数字仿真例子表明了算法的有效性。     

基于最佳小波基的非线性系统辨识

本文将小波分析与传统的最小二乘方法结合起来,使得非线性多入多出动态系统的辨识算法得到进一步发展,仿真结果表明,将小波分析引入非线性系统辨识领域,减少了辨识参数的数量简化了算法,提高了精度。     

有截距项指数模型的线性最小二乘辨识方法

本文提出了有截距项指数模型的线性最小二乘辨识方法。证明了所提算法的收敛性和它与非线性规划算法的一致性。数值计算结果表明该方法具有简单易行,基本上无需猜测参数初值,收敛速度较快且与参数个数无关等一系列特点。     

基于改进的FAST R-CNN的前方车辆检测研究

目前,前方车辆检测的研究主要通过机器学习的方法,然而其难以解决遮挡和误检的问题。在这种背景下,使用深度学习的方法检测前方车辆更为有效。首先采用了选择性搜索方法获得样本图像的候选区域,然后使用改进的FAST R-CNN训练网络模型,检测道路前方车辆。已在KITTI车辆公共数据集上对该方法进行了测试,实验结果表明,所提方法的检测率高于CNN直接检测的结果,很大程度上解决了遮挡和误检的问题。而且,与先提取Harr-Like特征然后利用Adaptive Boosting分类器的算法相比,该方法在TSD-MAX交通场景数据库测试中实现了较高的性能。结果表明,该方法提高了车辆检测的准确性和鲁棒性。     

多输入多输出系统参数的集员辨识

本文讨论了多输入多输出系统参数的集员辨识。在系统动态噪声功率有界的假定下导出了ＭＩＭＯ系统参数的成员集合是个椭球，证明在一定条件下椭球趋向于一点。文中的仿真例子验证了上述结果。     

基于T-S模糊模型的辨识算法

提出一种新的基于T－S模糊模型的辨识算法。该算法可分为2步,第1步是比较粗糙的辨识,按子空间的线性程度来划分输入空间,规则前件参数由于空间的中心和大小决定,规则后件线性参数由最小二乘法确定2步是模的精细调整,利用梯度下降法调节隶属函数和规则后件的线性参数,仿真实验说明了该算法的有效性。     

多层前向神经网络的RLS训练算法及其在辨识中的应用

本文提出了一种基于递推最小二乘法（ＲＬＳ）的多层前向神经网络的快速学习算法，并用其对非线性过程进行辨识，仿真及对实际例子的辨识结果表明本文提出的方法是有效的。     

基于积分方程的连续模型辨识与仿真

大多数实际物理系统的模型本质上是连续的,连续时间模型为物理系统的行为提供了更好的解释。提出了一种采样数据中存在高频有色噪声的连续模型辨识方法,该方法通过引入积分运算,将连续时间系统的微分方程模型转换为积分方程模型,从而使噪声的影响可以忽略,然后直接利用传统的最小二乘法估计出系统的连续时间模型参数。该方法具有较强的抗有色噪声干扰的鲁棒性、计算方法简单、参数辨识精度高等优点。仿真实例验证了该方法的有效性和可行性。     

基于滤波技术的随机连续系统ELS辨识及其数值实现*

本文对低阶扰动模型，讨论滤波器的选取，从而通过对输入输出滤波，使辨识随机连续系统的连续ＥＬＳ法一致收敛的ＳＰＲ得满足，基于数值积分和常微分方程数值解，文中还讨论了ＥＬＳ辨识的两种数值实现仿真的结果显示本文方法的有效性。