31、车速时间序列特征分析与低复杂度高精度载波频率偏移估计

车速时间序列特征分析与低复杂度高精度载波频率偏移估计

车速时间序列特征分析

在车辆驾驶过程中，驶向十字路口时的左转、右转和直行这三种驾驶行为所产生的车速时间序列呈现出非线性和非平稳的特性。为了深入分析这些特性，我们引入了经验模态分解（EMD）方法，对固有模态函数（IMF）和残差的车速时间序列特征值进行研究。

通过对实际车辆驾驶实验平台采集的车速时间序列进行分解，我们发现不同驾驶行为的时间序列具有明显的多尺度分解特征：
- 左转驾驶行为的车速时间序列存在4层IMF和1个残差。
- 右转驾驶行为的车速时间序列有3层IMF。
- 直行驾驶行为的车速时间序列则包含5层IMF。

作为第一层IMF，所有驾驶行为车速时间序列的f1(t)都具有相对较高的频率（不低于0.336 Hz），这些高频成分可被视为车速传感器的系统误差，能够通过多种软件方法进行滤波处理。随着分解的深入，fi(t)（i > 1）的频率会随着i的增大而降低，但其平均振幅的变化趋势却因驾驶行为而异。统计结果显示，左转和直行的fi(t)平均振幅呈上升趋势，而右转的fi(t)平均振幅则呈下降趋势。

三种驾驶行为的残差趋势具有相似性，残差曲线均为先单调递增后单调递减，但残差最大值的出现时间并不一致。具体数据如下：
| 驾驶行为 | 残差曲线 | 最大值（km/h） | 时间戳（s） | 递增平均速度（km/h） | 递减平均速度（km/h） |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 左转 | r4(t) | 46.67 | 64 | 35.93 | 35.30 |
| 右转 | r3(t