相似性檢測報(bào)告詳細(xì)版

相似性檢測報(bào)告 檢測范圍：中國學(xué)術(shù)期數(shù)據(jù)庫（CSPD）、中 一、總體結(jié)二、相似片段頭 中前 中 中后 尾注： 域?yàn)閰⒖嘉墨I(xiàn)相似部分， 域?yàn)槠?相似部分三、相 作者（舉例17個(gè) 四、典型相 （舉例164篇 1 1 2 233441相似性檢測報(bào)告5 6等7 89機(jī) 西 五、相 片段（共20個(gè) 11

[會 [會 等2相似性檢測報(bào)告 ligentTransportSystem，ITS)將先進(jìn)

因此，創(chuàng)建科學(xué)的自動化程度高的智能交通系統(tǒng)（Ｉ），為緩解交通，減少交通擁擠的～種經(jīng)濟(jì)實(shí)用、行之有效的交通策略。智能交通系統(tǒng)（）是將先進(jìn)的信息技2

頭 中前

中

中后 尾

]楊國洲，2005年重慶大

ligentTransportSystem，ITS)將先進(jìn)

、電子傳感技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)處理技術(shù)等有效地集成運(yùn)用于整個(gè)交通管理體系，從而建立起的一種在大范圍內(nèi)、全方位發(fā)揮作用的，實(shí)時(shí)、準(zhǔn)確、高效的綜合和 頭 中前 中 中后 尾

4

] 研]頭 中前 中 中后 尾

，2007年哈爾濱工程大3相似性檢測報(bào)告(Mutipeode,MDnazdPseud-Basia,GPAekesoFuGPB年Ba-hal 頭 中前 中 中后 尾 目標(biāo)本質(zhì)上是指借助傳感器處理量測信息，通過建立準(zhǔn)確的機(jī)動目標(biāo)運(yùn)動模型，對動目標(biāo)基本原理框圖如圖3.1.1所示。圖3.1.1單機(jī)動目 頭 中前 中 中后 尾

日)rkrx(k1七)rxk+ly(k+1l)z+1IrO0OOO00OOOOOOOOO2—3＝2+Y(-4)＝r(—35)Ka(KF2.2(IMMiU,(GPAckrsoG ,對動標(biāo)動(如位、加度進(jìn)確估測機(jī)標(biāo) 基本原框如圖2-1所示圖2-1單動標(biāo) 基原理Fig.21bicprincplefrmewrkftesnglemaeuvringtagetracki假動的模式和目的測用知數(shù)模表且模性則時(shí)狀程和量方可示:()()()()XkFkXkw+=+(2-1)(1)()()()ZkHkXkvk+=+(2-2量()Xk、()Zk和()uk示k刻 4相似性檢測報(bào)告過程噪聲和量測噪聲殘差。機(jī)動目標(biāo)過程本質(zhì)上是自適應(yīng)濾波過程。首先根據(jù)殘差值，從而完成單機(jī)動目標(biāo)功能。在機(jī)動目

機(jī)動目標(biāo)過程本質(zhì)上是自適應(yīng)濾波過程。首先根據(jù)殘差d的變化進(jìn)行機(jī)動辨識或者機(jī)動標(biāo)機(jī)動特性,最后由濾波算法得到目標(biāo)的狀態(tài)估計(jì)值和預(yù)測值,從而完成單機(jī)動目標(biāo)功能。2.1.2單機(jī)動目7

研頭 中前

中 中后 尾

，2007年哈爾濱工程大

在交互式多模型算法中，設(shè)目標(biāo)種運(yùn)動狀態(tài)，對種運(yùn)動模型，記在對多模型濾波估計(jì)中，設(shè)第個(gè)模型表示的目標(biāo)狀態(tài)方程可表示為：其中刻目標(biāo)狀 頭 中前 中 中后 尾計(jì)個(gè)模可表示為 矩陣，為觀測矩陣，過程噪聲和測量噪聲均為零值高斯白噪聲。

標(biāo)狀態(tài)方程為:x；(七+1)＝E墨(七)+ayi(k)(2—36)三盤,第2章目標(biāo) ，2008年哈爾濱工業(yè)大濾波器并行工作，然后對其輸出進(jìn)行融合[114]。在交互式多模型算法中，假設(shè)目標(biāo)有r種運(yùn)動狀態(tài)，對應(yīng)有r種運(yùn)動模型，記為12rmmm對多模型濾波估計(jì)，設(shè)第i個(gè)模型mi表示的目標(biāo)狀態(tài)方程為：(1)()()iiiiikkk+=+XFXGv(2-13)量測方程為：)iiiikkk=+ZHXw(2-14)式中)ikXk時(shí)刻目標(biāo)狀態(tài)矢量，()ikZ為傳感器在k時(shí)刻對目標(biāo)的量測信息，iF為狀態(tài)轉(zhuǎn)移矩陣，iG為過程噪聲5相似性檢測報(bào)告9

頭 中前

中

中后 尾

研 ，2007年哈爾濱工程大一個(gè)卡爾曼濾波器相匹配，來估計(jì)當(dāng)前模型下的狀態(tài)變量對應(yīng)濾波個(gè)濾波器同時(shí)并行工作，當(dāng)前任一濾波器的輸入都是前一個(gè)時(shí)刻個(gè)濾波器輸出的融合值。時(shí)刻的狀態(tài)估計(jì)是當(dāng)前多個(gè)濾波器獲得的狀態(tài)變量的和。 頭 中前 中 中后 尾按照各自的算法進(jìn)行狀態(tài)濾波得到各自的狀態(tài)估計(jì)及協(xié)方差。由此可得出刻個(gè)模型對應(yīng)的濾波器輸出的目標(biāo)狀態(tài)估計(jì)值及其協(xié)方差為時(shí)刻與其匹配的似然函數(shù)為：其中模型新概

一個(gè)爾濾器匹來計(jì)前型的態(tài),m,對應(yīng)波,,行工當(dāng)前一波的入是一r個(gè)濾器出混合k是當(dāng)前多濾器得狀變的 ?；ザ嘈头ㄒ环N歸,的個(gè)環(huán)過包以幾輸入濾、型新輸綜合IlVIl型陣為Ⅱ模i 由此可得重新初始化的狀態(tài)和協(xié)方差按混合估計(jì)分別為:$$01(1/1)(1/1)(1/1)mjiijixkkxkkukk=??=????∑(2-46)μ$$$$0100(1/1)(1/1){(1/1)[(1/1)(1/1)][(1/1)(1/1)]}mijijiTijijpkkukkpkkxkkxkkxkkxkk=??=????+??????????∑(2-47)2.濾波預(yù)測濾波的目的是狀態(tài)和協(xié)方差矩陣,如式(2-46)和式(2-47),可得狀態(tài)條件預(yù)測值及其協(xié)方差為:$$0(/1)(1/1)(1)jjjjxkkFxkkwk?=??+?(2-48)μμ0(/1)(1/1)TjjjjjpkkFpkkFQ?=??+(2-49)濾波殘差及其均方差為:$$()()(/1)()jjjjjdkZkHxkkvk=???(2-50)μ()(/1)TjjjjSkHpkkHR=?+(2-51)卡爾曼濾波增益為:μ1()(/1)()TjjjjKkpkkHSk?=?(2-52)由此可得k時(shí)刻各模型對應(yīng)的子濾波器輸出的目標(biāo)狀態(tài)估計(jì)值及其協(xié)方差為:$$$(/)(/1)()()jjjjxkkxkkKkdk=?+(2-53)太原理工大學(xué) 27μμ(6相似性檢測報(bào)告

頭 中前 中 中后 尾

1)1)TjjjjjpkkpkkKkSkkKk=254)3.型概率更新對于第j模型,k時(shí)刻與其匹配的似然函數(shù)為:111()exp{22)TjjjjjkdkSkdkSkπ?Λ2-55)計(jì)算各模型的后驗(yàn)概率得:1(1))/njjjijijiukkpukkccc=ΛΛ∑(2-56)其中c歸一化常數(shù),即)njjjckcΛ∑(257)4計(jì)融合交互輸 理工大

括輸入層(呻utlayer)、隱含層(hidelayer)和輸出層(outputlayer),上下構(gòu)包括輸入層（input）、隱層(hidelayer)和輸出層(outputlayer)，隱層可以是一層或多 頭 中前 中 中后 尾

交通大

、求和與轉(zhuǎn)移。其中12nxxx輸經(jīng)元與第j個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)第個(gè)神經(jīng)元的凈輸入值為：其中

分別代表來自神經(jīng)元12n、、的輸12jjjnwww則分別表示神經(jīng)元12、、與第j個(gè)神經(jīng)元的連接強(qiáng)度，即權(quán)值；jb為閾值；()f?為傳遞函數(shù)；jy為第j個(gè)神經(jīng)元的輸出。第j個(gè)神經(jīng)元的輸入值jU為： -36-0njjiijiUwxWX===∑(5.1)圖5-2BP網(wǎng)絡(luò)神經(jīng)元Figure5-2NodeofBPNeuralNetwork其中,[]01TinXxxxx=，01jjjjijnWwwww??=??輸入jU通過傳遞函數(shù)()f?后，便得到第j個(gè)神經(jīng)元的輸出：0()()()njjjiijiyfUfwx7相似性檢測報(bào)告，于是節(jié)

fWX(5.2)式中)f凈輸入通過 頭 中前 中 中后 尾 設(shè)有一個(gè)m層的神經(jīng)網(wǎng)絡(luò)，并在輸入層設(shè)神經(jīng)元的輸，輸出從第層的神經(jīng)元的神經(jīng)元的權(quán)各個(gè)神經(jīng)元的激發(fā)函數(shù)為，BP算法由數(shù)據(jù)流的前向計(jì)算的正向和誤差信號的反向兩個(gè) 頭 中前 中 中后 尾，各個(gè)神經(jīng)元的激發(fā)函數(shù)為，則各個(gè)變量的關(guān)系可表示為：

交通大信號不可能無限增加，必有一最大值。設(shè)有一個(gè)m層的神經(jīng)網(wǎng)絡(luò)，并在輸入層加有樣本X；設(shè)第k層的i神經(jīng)元的輸入總和表示為kiU，輸出kiX；從第1k?層的第j個(gè)神經(jīng)元到第k層的第i個(gè)神經(jīng)元的權(quán)系數(shù)為ijw；各個(gè)神經(jīng)元的激發(fā)函數(shù)為()f?，則各個(gè)變量的關(guān)系可用下面有關(guān)數(shù)學(xué)式表示：()kkiiXfU=，1kkiijjjUwX?=∑(5.3)BP算 ，2008年浙江工業(yè) 8相似性檢測報(bào)告反

頭 中前 中 中后 尾

理工大 頭 中前 中 中后 尾 定義誤差函數(shù)

過程是分為兩步進(jìn)行的,即正向和反向。輸入樣本從輸入層經(jīng)過隱層單元逐層進(jìn)行處理,并傳向輸出層,若在輸出層得不到期望的輸出,則進(jìn)入反向。反向把誤差信號按原來正向的通路反向傳回,并對每個(gè)隱層的各個(gè)神經(jīng)元的權(quán)系數(shù)按照誤差函數(shù)的負(fù)梯度方向 ，2008年蘭州理工B算法有:P＝寺∑(F—z)2(2.14)式中,×.輸出單元式中輸出單

9相似性檢測報(bào)告

頭 中前 中 中后 尾

]姜偉平，2008年東南大式中是輸出單元的期望值；假設(shè)第層是輸出層是實(shí)際輸出 頭 中前 中 中后 尾

B算法BP,.E(xrZ)2(—1i＝中:Fm由 工業(yè)大

接

頭 中前 中 中后 尾 度相似性檢測報(bào)告 頭 中前 中 中后 尾投影坐標(biāo)系統(tǒng)使用基于網(wǎng)格的方法表示坐標(biāo)。UTM系統(tǒng)將地球分為60個(gè)區(qū)，每個(gè)區(qū)基于橫 投影。UTM經(jīng)度區(qū)范圍為1到60，其中58個(gè)區(qū)的東西跨度為6°，經(jīng)度區(qū)涵蓋了地球中緯度范圍從80°S到84°N之間的所有區(qū)域。UTM緯度區(qū)一共有20個(gè)，每個(gè)區(qū)的南北跨度為8°，使用字母C到X標(biāo)識（除去字母I和O）。A、B、Y、Z區(qū)不在系統(tǒng)子午線的投影距離，而以北