-word版本hslogic_利用云模型估计车速

1.在隧道内放置多个地感线圈（间距相同），车辆通过时、对通过的相邻两个线圈（或单线圈）的脉冲信号数据进行实时采集，首先利用云模型算法（正向云与逆向云算法结合）或其他，计算得到车速的估计值，将车速估计结果与行车时间作为车辆行驶位置判定的依据，再采用云推理得到车辆行驶位置的估计值，对所估计的结果验证，实现对车辆位置的实时精确估计。

2.最后还想验证一下估计结果的准确度

3.做一下参数寻优，对比结果

4.补充要求：我想用脉冲频率波形数据哦，因为有个原始波形的图更好的。。

（我当时说给你一篇论文，用那个上面的数据。。不知道能不能用。。。见附带的论文）

二、课题解决思路简介

基于"隧道内放置多个地感线圈"，主要是汽车通过多个线圈，产生不同时刻的脉冲，然后计算每个脉冲之间的时间差，来获得车速的计算。

这里，我们主要需要的数据时每个线圈之间的距离参数以及每个脉冲之间的时间间隔，然后我们通过云模型来算法得到车速的估计值。根据得到的车速，我们可以得到最后的位置。

然后，我们可以根据论文最后一章的分析方法来分析最后结果的准确度。

对于参数优化，主要是针对云模型的初始参数，我们使用随机数，然后通过PSO进行迭代优化，从而获得最佳的参数，并估算得到最佳的值。

最后，将普通算法得到的结果和PSO优化之后的结果进行对比，从而验证优化算法的优势。

最后，你需要的是脉冲频率波形，这个，我们在设计的时候，进行处理，可以保证。

三、课题设计介绍和仿真说明

3.1正向云和逆向云

首先介绍一下基本的云模型，正向云和逆向云，其基本的理论如下所示：

云模型的发生器就是指云的生成算法，发生器的形式可以有很多种，一般都采用软件的形式加以实现。云的发生器大体上可以分为正向云发生器和逆向云发生器。正向发生器是指从定性到定量之间的转换模型，即由云的三个数字特征产生云滴的具体过程。图1为正向云模型发生器示意图。

逆向云发生器与正向云发生器相反，它是一种由定量到定性之间的转换模型，可以表示为由云滴得到这个云的三个数字特征的具体过程。逆向云发生器如图

通过MATLAB建模，得到如下的结果：

Ex = 0;En = 1.5;He = 0.2;得到如下的仿真结果。

通过逆向云就后，得到其三个参数为：

Ex = 1.7594e-004；En = 1.4994；He = 0.2009，其误差在0.001以内。

上述程序见如下的文件夹：

3.2利用云模型估计车速

估计车速，我们需要知道的数据位路程和时间。然后根据云模型来进行速度的估计。那个，你所提供的论文中的数据，由于数据样本过少，所以没法直接使用，所以，这里我们以地感线圈的基本原理，模拟出100组以上的测试样本数据，用于车速的云模型估计。

里面有两个主要函数，一个是利用云模型进行速度的估计。一个是利用得到的速度估计值来估计车的具体位置。

我们首先来看这个程序，车速度估计代码

由于论文中的数据太少，所以我们使用MATLAB人工模拟带有误差的测量值，然后进行云模型的计算：首先进行逆向云运用逆向正态云发生器，由样本点信息，求解出各自的数字特征：期望、熵、超熵。

主要通过如下的公式进行计算：

然后我们运用正向正态云发生器，由正态云的三维数字特征（上面逆向云发生器求解得到的期望、熵、超熵）生成云滴

最后，我们通过对比起最大确定度的值来估算出车速。

运行该代码，得到如下的仿真代码段：

这个是原始的样本值，从样本中可以看到具有较大的偏差。

产生的云滴图。

这个图是其中集中不同速度下，通过云模型的都啊的间隔因素，间隔时间和不确定度的三维图。

这个是不同的采样时间和测试间隔之间的点状分布图，而右图则为原始测量得到的点状分布图。

最后，我们得到的仿真结果如下所示（下图是不同速度下的误差比例）：

上面的结果就是在不同速度下测试到得误差结果。

然后你运行如下的代码：

得到仿真结果如下所示：

上面的仿真结果就是最后得到的位置跟着以及误差情况。

3.4 基于PSO的云算法模型优化

下面，我们将结合PSO和云算法模型进行算法的优化。

关于粒子群算法的我们主要参考如下的论文：

由于没有直接讲使用PSO优化云模型的相关论文，所以提供了一篇比较类似的文献。这里，我们还是以20km/S为例子：

最后得到的仿真结果如下所示：

通过仿真可知，系统的检测值精度大大提高了，低于其他速度下的效果，可以做类似的仿真。

优化之后，我们再以20km/s为例子，进行位置，得到仿真结果如下所示：

由于之后，位置跟踪误差为0.8%左右，远远小于优化之前的2%~1.3%