基于ResNet模型的回环检测算法

回环检测是SLAM系统中关键部分,是减少移动机器人在运行过程中产生的累积误差的重要步骤。传统的回环检测算法使用人工建立特征,易忽略有用信息。本文提出了基于卷积神经网络(CNN)的回环检测算法,对预先训练的卷积神经网络模型(ResNet50、ResNet101、ResNet152)进行性能对比;通过改进关键帧的选取策略,将筛选出的关键帧输入预先训练好的ResNet模型,输出高维特征向量;利用主成分分析(PCA)白化来降低特征向量的维数,并通过计算特征向量间的欧式距离;最后计算相似矩阵,验证回环的准确率。通过对比实验可知,本文算法性能优于其它回环检测算法。     

基于CEEMDAN分解的短时交通流组合预测

短时交通流预测是实现交通流诱导与控制的重要保障,鉴于交通流的随机性和复杂性,提出基于自适应噪声完全集合经验模态分解（CEEMDAN）的短时交通流组合预测模型。利用CEEMDAN算法对非线性序列具有自适应分解的特性,将交通流时间序列通过CEEMDAN分解为频率不同、复杂度不同的多个时间序列分量;利用PE算法分析各个分量的随机特性,根据时间序列分量的不同随机特性分为高频序列分量、中频序列分量和低频序列分量,根据高频、中频和低频序列分量的随机特性分别建立GWO-BP模型、GWO-LSSVM模型和ARIMA模型进行预测;叠加高频、中频和低频各个分量的预测结果,得到短时交通流最终预测值。仿真分析结果表明,与其他预测模型相比,基于CEEMDAN分解的短时交通流组合预测模型提升了预测精度。