-
公开(公告)号：CN111503527B
公开(公告)日：2021-09-24
申请号：CN202010323569.7
申请日：2020-04-22
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于自适应多元变分模态分解的流体管道泄漏定位方法，属于管道泄漏检测领域。该方法包括：S1：采用AMVMD算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；S2：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，重构有效泄漏信号；S3：确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置。本发明能提高信噪比，有效减少泄漏定位误差。
-
Patent Agency Ranking
公开(公告)号：CN109978260B
公开(公告)日：2023-02-21
申请号：CN201910233245.1
申请日：2019-03-26
Applicant: 重庆邮电大学
IPC: G06Q10/04 , G08G1/0967 , G08G1/052
Abstract: 本发明涉及一种混合交通流下网联车跟驰行为预测方法，属于智能驾驶领域。通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度。利用本发明的预测方法，在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。
-
公开(公告)号：CN108682148B
公开(公告)日：2021-05-11
申请号：CN201810449966.1
申请日：2018-05-11
Applicant: 重庆邮电大学
Abstract: 本发明涉及混合交通状态下基于机器学习的非网联车状态估计方法，属于智能交通领域。在不同的时刻下，当两个网联车之间存在不同数量的非网联车时，相对驾驶行为会相应变化，并存在一定的关联关系；qt为t时刻下非网联车的数量，ot为t时刻下两辆相邻网联车的相对驾驶行为；明确这两者之间存在的关联关系，通过机器学习的方法隐马尔可夫模型，利用这个关联关系在已知两辆网联车的相对驾驶行为的情况下估计非网联车的数量。本发明将极大提高网联车的感知能力，进一步高效可靠地实现基于网联车的安全应用，也将增强交通状态的估计能力，有利于交通管理和优化，提高交通运行效率。
-
公开(公告)号：CN111503527A
公开(公告)日：2020-08-07
申请号：CN202010323569.7
申请日：2020-04-22
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种基于自适应多元变分模态分解的流体管道泄漏定位方法，属于管道泄漏检测领域。该方法包括：S1：采用AMVMD算法，根据两路泄漏信号的频率曲线相加后提取频率曲线的驼峰数，自适应确定多元变分模态的模态分解个数；S2：根据两路泄漏信号的模态分量的信号清晰度，利用最大微分法自适应提取模态分量；根据测量管道的长度和泄漏传播信号的速度确定泄漏信号的延时范围，选择提取两路泄漏信号模态分量的时间延迟在延时范围的模态分量作为有效模态分量，重构有效泄漏信号；S3：确定时间延迟，结合泄漏信号传播速度和两传感器的距离确定泄漏点位置。本发明能提高信噪比，有效减少泄漏定位误差。
-
公开(公告)号：CN109978260A
公开(公告)日：2019-07-05
申请号：CN201910233245.1
申请日：2019-03-26
Applicant: 重庆邮电大学
Abstract: 本发明涉及一种混合交通流下网联车跟驰行为预测方法，属于智能驾驶领域。通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度。利用本发明的预测方法，在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。
-
公开(公告)号：CN108682148A
公开(公告)日：2018-10-19
申请号：CN201810449966.1
申请日：2018-05-11
Applicant: 重庆邮电大学
CPC classification number: G08G1/0112 , G06F17/16 , G08G1/065
Abstract: 本发明涉及混合交通状态下基于机器学习的非网联车状态估计方法，属于智能交通领域。在不同的时刻下，当两个网联车之间存在不同数量的非网联车时，相对驾驶行为会相应变化，并存在一定的关联关系；qt为t时刻下非网联车的数量，ot为t时刻下两辆相邻网联车的相对驾驶行为；明确这两者之间存在的关联关系，通过机器学习的方法隐马尔可夫模型，利用这个关联关系在已知两辆网联车的相对驾驶行为的情况下估计非网联车的数量。本发明将极大提高网联车的感知能力，进一步高效可靠地实现基于网联车的安全应用，也将增强交通状态的估计能力，有利于交通管理和优化，提高交通运行效率。
-
-
-
-
-
Search Results
6
records
(took 0.017 seconds)
