【目的】超宽带测距误差分布表明,在存在显著重尾的情况下,高斯混合模型比简单的高斯概率包络更接近经验分布。通过传统的超界分布(Overbounding Distribution)模型获得的保护水平过于保守,会降低系统可用性。【方法】为提高系统可用性,提出了基于高斯混合模型(GMM)的超界框架来处理基于TOA(Time of Arrival)定位的超宽带测距误差样本。首先,结合EM算法获得测距误差的双组分GMM概率密度函数,并修正边界参数,使左右边界均满足双边超界条件,以构建双组分GMM形式的距离域双边超界模型。随后,基于GMM双边超界模型推导出计算位置域保护级(PL)的方法,对距离域的概率密度函数进行卷积以获得位置概率密度函数,求逆运算出PL。【结果】最后,开展实验验证应用GMM双边超界模型收紧PL的效果,采集3~93 m范围内的样本数据用于误差模型的构建,真实测试的性能评估表明,基于GMM双边超界模型比传统高斯双边超界模型计算所得的PL减小了20%以上。【结论】GMM双边超界模型能够以较小的计算成本收紧PL,增强系统可用性。
节能减排是汽车工业发展永恒的主题。插电式混合动力电动汽车(Plug-in hybrid electric vehicle,PHEV)为减少汽车尾气排放和燃料置换提供了解决方案,实现插电式混合动力汽车节能减排的核心技术是整车的能量管理。首先对插电式混合动力...
详细信息
节能减排是汽车工业发展永恒的主题。插电式混合动力电动汽车(Plug-in hybrid electric vehicle,PHEV)为减少汽车尾气排放和燃料置换提供了解决方案,实现插电式混合动力汽车节能减排的核心技术是整车的能量管理。首先对插电式混合动力汽车几种能量管理策略的研究现状和应用情况进行总结;其次分析基于确定规则、优化算法和人工智能等能量管理策略算法的优点与不足;然后讨论未来PHEV能量管理控制策略开发过程中可能存在的技术难点和挑战,对人工智能算法、云计算和智能网联等前沿技术在PHEV能量管理的应用做了详细的论述,重点探讨基于人工智能技术的PHEV能量管理策略研究方向;最后对未来PHEV能量管理策略发展的趋势进行了展望,可为PHEV节能降耗技术研究方向的选择和更为深入的研究提供一定的参考。
暂无评论