机器视觉辅助的无人机空中加油相对导航

为准确获取无人机空中加油对接阶段的相对位姿信息,提出了一种机器视觉辅助的INS/GPS/MV 组合导航方案,研究了机器视觉图像的特征点提取与匹配算法. 引入相对惯导误差,建立了全局滤波器的增广状态方程,并根据杆臂矢量推导了GPS和机器视觉量测方程. 设计了基于联邦滤波器结构的全局多速率扩展卡尔曼滤波算法,以融合多速率传感器信息,并与标准EKF算法进行对比. 仿真结果表明,所提出的算法能有效融合惯导、GPS和机器视觉的测量信息,使导航参数的精度和输出带宽均满足导航系统的设计要求,有利于改善无人机的飞行品质,放宽对飞控系统的性能要求.     

异质双9轴MEMS惯性传感器数据互补-加权迭代融合算法

在MEMS惯性传感器导航研究中,传统的MEMS捷联式惯性导航系统仅利用单多轴MEMS惯性传感器对移动目标进行导航定位,其测量值和噪声特性易受环境影响,此外加速度误差、陀螺仪漂移、平台框架角误差、平台安装误差等因素也严重影响传感器性能. 为此,从异质非单多轴MEMS惯性传感器互补融合角度出发,用异质双9轴MEMS惯性传感器采集移动目标原始信息,并提出互补-加权迭代融合算法. 首先对异质双9轴MEMS惯性传感器测得的原始数据进行预处理,基于卡尔曼滤波用最小方差估计法求解观测值. 通过估值方差和革新方程形成权值更新模型,实现异质双9轴MEMS惯性传感器数据的互补融合. 实验表明,相较传统单9轴MEMS惯性传感器导航,该算法可提高导航精度50%以上.     

基于故障检测的惯性航姿系统内阻尼姿态组合算法

在平台式惯导系统中可通过阻尼网络来阻尼系统的振荡误差,而在捷联惯性航姿系统中也可以借鉴这个思想,通过加速度计的信息对陀螺漂移进行修正.文中提出了分别利用陀螺仪和加速度计来解算载体姿态,然后通过卡尔曼滤波器进行数据融合的方法.由于加速度计信息进行阻尼的方法只有在系统处于非加速度运动状态才可用,因此,本文将故障检测理论中的残差χ 2检验法应用在卡尔曼滤波器中,进行运动状态的实时判断,并根据判断结果进行相应的处理.此外,算法中还考虑到传感器测量野值带来的影响,提高了算法的容错性能和灵敏度.最后,采用实际系统的动静态试验验证了本算法的有效性.     

基于MATLAB四旋翼姿态航向仿真

基于互补滤波下的信息融合算法,将实验获得的MTI小型姿态航向参考系统中惯性器件的实际数据进行仿真分析,在比较了陀螺仪积分、加速度计计算、互补滤波法得到的姿态角效果后,最终分析了互补滤波理论应用于姿态航向解算中的优化效果.     

六余度配置MEMS-IMU误差标定

研究捷联惯性传感器多余度配置系统的标定. 分析了多余度惯性传感器各参数的测量原理及算法关系,针对典型的非正交配置（六传感器正十二面体）的多余度惯性测量单元(IMU),导出六位置转动标定方法,给出了计算误差模型参数的数学推导过程,建立了余度MEMS-IMU误差模型的解析表达式. 实验结果表明：该方法精度高,可有效估计出六余度MEMS-IMU的误差模型参数,提高惯导系统精度.     

嵌入式大气数据传感系统及其校正

对嵌入式大气数据传感(flush airdata sensing, FADS)系统进行设计和改进.提出了避免形压系数参与迭代的卡尔曼滤波算法,形压系数通过压力修正系数得到.设计了模块化神经网络校正算法,迎角和侧滑角由模块MRCα和模块MRCβ独立校正.提出校正过程中确定迎角和侧滑角最优解的方法,解决了三点组合多解的问题.最后给出计算结果和校正结果,算法的精度和实时性都有所提高,表明对系统的设计和改进是可行的.     

基于CPSO-BP神经网络的PM_(2.5)浓度预测模型

为了提高大气中PM_(2.5)浓度的预测精度,采用平均影响值(MIV)算法筛选出对大气中PM_(2.5)浓度有影响的主要变量,并依次作为神经网络输入变量。利用混沌粒子学(CPSO)算法修正BP神经网络初始权值和阈值,优化BP神经网络机构,以达到提高预测模型精度的目的。以2017年西安市PM_(2.5)日均浓度数据为样本建立预测模型,实验结果表明:相比于传统BP神经网络,基于CPSO-BP神经网络预测性能更优。     

一种双天线组合导航系统基线偏差角的测量方法

双天线组合导航系统安装时,双GPS天线构成的基线方向与惯性测量单元航向轴指向之间存在一定的偏差角度,系统需要标定该偏差角用于修正两者之间的测量误差,从而保证系统输出数据的准确性。针对这一问题,提出了一种基于全站仪的基线偏差角测量方法,结合惯导测量坐标系给出了测量原理和详细计算过程。实验表明,所提出的方法能够满足系统的安装要求,工程中易于操作和实现,适用于动基座平台下组合导航系统的标校。     

GPS/SST/SINS组合导航系统研究

提出了卫星/捷联星光/捷联惯导组合导航系统的方案和组合结构,采用改进的集中滤波对多传感器信息进行数据融合和导航状态的最优估计.该组合导航系统将捷联星光跟踪仪的姿态信息、高动态GPS的位置、速度信息与捷联惯导进行组合滤波,全面提高导航的姿态、速度和位置精度.同时该组合导航系统以弹道导弹为应用对象,设计并实现了基于弹道导弹的GPS/SST/SINS组合导航系统实时仿真平台,仿真结果表明该组合导航系统能提高导弹的导航精度,滤波算法稳定可靠.     

光纤陀螺捷联惯导系统改进航姿算法应用

捷联惯导系统一般采用旋转矢量姿态算法来消除圆锥误差的影响,从而提高姿态解算精度. 该文针对不同精度等级的角速率输出光纤陀螺,采用适合工程实现的低阶旋转矢量姿态算法,在多种不同程度的经典圆锥运动下进行了一系列仿真测试,确定了多子样旋转矢量算法在多种典型工程环境中的最优子样数,并在高性能微型数字信号处理器(digital signal processor, DSP)导航计算机上对旋转矢量姿态算法进行了试验,得到了理想的效果.     

考虑SAR图像导航量测特性的SAR/INS组合导航非线性滤波

SAR/INS组合导航系统中,当SAR量测输出时间间隔较长时,惯性导航得不到及时修正,系统将具有较强的非线性特性,导致常规卡尔曼滤波算法的精度受到影响甚至滤波发散. 为了提高组合导航的精度,该文结合惯性导航系统的非线性模型,设计基于无迹卡尔曼滤波(UKF)解决非等间隔量测修正的SAR/INS组合导航非线性滤波算法,并通过协方差分析对比研究常规卡尔曼滤波和该文算法的性能. 仿真结果验证了该文算法具有更高的精度.     

应用联邦自适应UKF的卫星多传感器数据融合

在卫星自主导航系统中,一方面,系统状态模型存在难以准确建模的问题,要求信息融合算法具有一定的自适应性;另一方面,系统的量测模型通常具有较强的非线性,又要求信息融合算法在强非线性下保持较高的精度和鲁棒性. 针对以上两个问题,本文提出了基于星敏感器、红外地平仪、磁强计、雷达高度计、紫外敏感器的多信息联邦自适应UKF组合导航方案,该方案将多个导航传感器提供的信息在联邦滤波器里融合,并采用自适应UKF算法构建联邦滤波器的子滤波器. 采用这种方案,可有效组织并充分利用导航传感器提供的导航信息,并且系统模型具有一定的自适应性. 数字仿真结果表明,与传统的联邦卡尔曼滤波方法相比,该方法更适合于非线性较强、系统模型参数不准确的场合,有效提高了导航精度.     

超机动飞行的鲁棒自适应神经网络动态面控制

针对超机动飞行过程中气动参数变化剧烈、控制精度高的特点,提出了一种基于神经网络的鲁棒自适应动态面控制方法。模型不确定性和外界干扰由RBF神经网络在线补偿,控制律由动态面控制方法得到,降低了反推控制器的复杂性,改进的神经网络权值调整自适应率改善了系统的过渡过程品质。利用Lyapunov稳定性定理证明了闭环系统所有信号有界,系统跟踪误差和神经网络权值估计误差指数收敛到有界紧集内。对所研究的飞行控制系统进行了herbst机动仿真,结果验证了该系统在过失速机动条件下具有良好的控制性能。     

基于混合神经网络的协同过滤推荐模型

数据稀疏性是推荐系统中严重影响推荐结果准确性的重要因素之一.针对数据稀疏性提出了融合卷积神经网络（convolutional neural network,CNN）和降噪自编码（denoisingauto-encoder,DAE）神经网络混合的神经网络评分预测模型（convolutional-denosing autoencoder,CDAE）对用户未评分项目进行预测评分，从而解决数据稀疏性问题.首先将向量化后的用户评论数据通过卷积神经网络训练得到用户特征向量矩阵，其次将用户特征向量矩阵作为降噪自编码神经网络的初始权重，结合用户评分数据经过降噪自编码神经网络训练，得到用户-项目预测评分，然后在此基础上进行基于用户的协同过滤推荐.最后使用movielens-1M实验数据集对比验证了提出的混合神经网络协同过滤推荐（convolutional-denosing autoencoder collaborative filtering,CDAECF）模型.实验证明，所提出的CDAECF模型能够有效地结合隐性反馈和显性反馈数据，具有较高的推荐准确率.     

基于RBF神经网络多步预测的自适应PID控制

提出一种基于RBF神经网络多步预测的自适应PID控制算法．该算法用无局部极小的径向基函数网络对非线性系统进行在线辨识，利用多步预测误差对PID型控制器网络进行训练，从而实现PID参数的在线自适应寻优．通过对典型非线性系统的仿真研究，该控制系统具有较强的适应性和鲁棒性．     

神经网络在国内旅游人数预测中的应用

针对国内旅游人数预测研究了旅游人数的影响因素,讨论了输入层、隐含层、输出层等神经元的设置及网络训练的参数,综合考虑训练精度、训练时间、泛化能力等条件,动量—自适应学习速率调整算法是适合国内旅游人数预测的,并基于动量—自适应学习速率调整算法建立了神经网络模型;将模型应用于国内旅游人数预测系统,结果表明,该算法具有较好的准确性和鲁棒性,利用神经网络模型预测国内旅游人数是可行的.     

多传感器融合四旋翼协同控制算法及其实现

针对四旋翼无人机定点悬停控制,从应用层面提出了多传感器数据融合方案,设计了相应的协同控制算法.在飞行器整体硬件架构基础上分析量测系统的各个传感器,对于姿态测量通道提出卡尔曼滤波算法,对于高度测量通道提出互补滤波算法,对于水平位置测量通道提出双传感器融合算法.基于四旋翼无人机的状态空间及其小扰动线性化模型,设计了与之相结合的协同控制算法并进行仿真.最后在物理平台上对设计的算法进行验证,表明多传感器融合与协同控制相结合的方法能有效提高四旋翼无人机的定点悬停精度.     

拟蒙特卡罗粒子滤波改进算法及其在雷达目标跟踪中的应用

拟蒙特卡罗粒子滤波算法（quasi-Monte-Carlo particle filter, QMC-PF）精度不高,运算复杂度大,难以满足雷达机动目标跟踪精确性和实时性需求. 为此,提出一种基于BP神经网络的新型拟蒙特卡罗粒子滤波算法. 该算法将大权重粒子通过QMC分裂采样产生低差异性的子代粒子,以此来替代低权重粒子,保证了样本的有
效性和多样性;同时利用BP神经网络计算子代粒子的权重,提高了滤波的精度和速度;最后在不同的模型中进行仿真. 实验结果表明,与QMC-PF相比,所提出的算法提高了精度和运算速度,适用于雷达机动目标的跟踪.     

基于神经网络并行算法的海尔伯特变换器优化设计

研究了一种基于神经网络并行算法的海尔伯特变换器优化设计方法，提出并证明了冲经网络算法的收敛性定理，给出了海尔伯特变换器优化设计实例，仿真结果表明用该算法设计的海尔伯特变换器具有高的计一算精度和快的收敛速度，因而是有效的。