d-玻色子体系的亲态比系数

d-玻色子体系物理基的研究有几种办法,其中一种方法使用了无迹玻色子算符和SU(2)*SU(2)中间表象,本文在此基础上进一步推导主体系亲态比系数的明显表达式,很便于实际应用。     

电子在磁埸中运动的对称性

本文在普遍讨论电子在磁场中运动对称性的基础上,较详细地讨论电子在二维磁场中运动的对称性,采用把一个算符分解为具有玻色子、费米子性质的产生算符和消灭算符组合的方法,同时计算出相对论和非相对论情况下电子在二维均匀磁场中的能量。此外,对具有确定宇称的三维磁场中运动电子的对称性也作了讨论。     

中子—质子相互作用玻色子模型中的对称态与玻色子算符定义

对于一个中子-质子相互作用玻色子模型体系,存在两种对称态近似,它们与中子玻色子和质子玻色子算符的定义有关,借助于一个简单的模型计算,我们把对称态能谱与中子-质子相互作用玻色子模型的精确结果作了比较。     

机动目标跟踪的S修正无迹卡尔曼滤波算法

针对非线性观测条件下的非线性机动目标跟踪问题,借鉴线性滤波中卡尔曼滤波器的S修正防发散思想,对基本无迹卡尔曼滤波算法进行改进,提出S修正无迹卡尔曼滤波(SUKF)方法.对二维机动目标跟踪的仿真结果表明,该算法与基本UKF算法相比,跟踪精度大幅提高,但计算时间略有增加;与SPPF算法相比,跟踪精度提高,且计算复杂度大幅降低,计算时间大幅缩减.     

乙苯化工过程的分布式无迹卡尔曼滤波方法

乙苯化工过程由一系列连续搅拌釜式反应器和分离器组成的大规模非线性系统,针对这一类系统提出了一种基于分布式无迹卡尔曼滤波的状态估计方案。该方法通过将系统分解,对每个子系统设计局部无迹卡尔曼滤波,它接收局部测量值,并与其他滤波器协同计算局部状态估计值的方法完成整个系统的状态估计。给出了详细的分布式无迹卡尔曼滤波的设计方法和估计算法。在不同的噪声下对分布式和集中式无迹卡尔曼进行了比较分析。仿真结果表明,分布式无迹卡尔曼滤波可以很好地处理强噪声,正常噪声下比集中式无迹卡尔曼滤波有更稳定的性能,但在理想噪声下集中式无迹卡尔曼滤波有更好的表现。     

转动算符的一种新表示

借助于角动量算符的玻色子实现和相干态性质,通过解微分方程组求出了转动算符的正规乘积表示,由此极易导出转动矩阵d函数。     

基于无迹卡尔曼滤波的无人机跟踪算法

基于四基站对无人机位置的定位数据,利用无迹卡尔曼滤波算法对定位数据进行最优估计,并预测无人机的运行轨迹,从而实现对无人机的实时跟踪.对经典的线性卡尔曼滤波算法和无迹卡尔曼滤波算法进行仿真对比,结果表明,线性卡尔曼滤波算法虽然能跟踪预测轨迹,但有较大的误差,而使用无迹卡尔曼滤波算法能有效地减小误差,使跟踪预测的轨迹更加精确.     

玻色子算符及费米子算符关系式

从玻色子及费米子产生和消灭算符的基本对易关系出发,可以推导出它们满足的一些关系式。这些关系对简化某些运算是很有帮助的。     

基于无迹卡尔曼滤波的汽车状态参数估计

由于部分汽车状态参数无法直接通过传感器获得,为了提高这些参数的估计精度以准确判断汽车行驶过程中的状态变化,增强控制系统的鲁棒性,文中提出了基于无迹卡尔曼滤波的汽车状态参数估计方法.该方法在传统卡尔曼滤波算法的基础上,采用无迹卡尔曼滤波算法对汽车质心侧偏角、横摆角速度、路面附着系数等状态参数进行估计,并运用Simulink与Carsim进行联合仿真.结果表明,无迹卡尔曼滤波算法响应快,估计精度较扩展卡尔曼滤波高,能满足车辆高级动力学控制系统的控制需要.     

a_q~2算符的本征态及其性质

该文构造了ｑ－类似玻色子湮灭算符二次方ａｑ２的两个正交归一本征态，对其数学性质及量子统计性质进行了讨论。     

迭代无迹Kalman粒子滤波的建议分布

对非线性非Gauss系统,粒子滤波是一种有效的状态估计方法。粒子滤波的关键是建议分布的选择,好的建议分布会改进粒子贫化和样本耗尽等粒子滤波存在的普遍问题。该文用迭代无迹Kalman滤波产生粒子滤波的建议分布,提出了一种新的粒子滤波算法——迭代无迹Kalman粒子滤波。给出的建议分布将最新的观测融入样本过程并修正该过程,从而改进了滤波性能。数值模拟结果表明,提出的算法与常用的无迹粒子滤波、扩展Kalman粒子滤波相比,具有数值稳定、估计结果精确的优点。     

a^2q算符的本征态及其性质

该文构造了ｑ－类似玻色子湮灭算符二次方ａ＾２ｑ的两个正交归一本征态，对其数学性质及量子统计性质进行了讨论。     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于改进无迹卡尔曼滤波的内置式永磁同步电机转子位置估计

传统的扩展卡尔曼滤波和无迹卡尔曼滤波算法在估计永磁同步电机转子位置时需用到上一控制周期估计出的转子位置,而该估计值的偏差会进一步加剧估计算法的误差,甚至引起估计算法发散。针对这个问题,文中采用改进无迹卡尔曼滤波算法进行估算。该算法基于内置式永磁同步电机两相静止坐标系下的数学模型,并结合电压重构模型,使控制系统在获取无迹卡尔曼滤波算法的控制输入量与实际状态量时不再依赖算法估计出的转子位置,以避免估算值的偏差对估计算法的影响。在MATLAB/Simulink中对所提出的估计算法进行了仿真分析,并在测功机台架上进行了对比实验。实验结果表明,在适用于永磁同步电机中高速区的转子位置估计算法中,结合电压重构模型的无迹卡尔曼滤波算法响应快,其估计精度高于传统的无迹卡尔曼滤波算法。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

描述介观持久电流环的纠缠态表象和角动量-相角量子化

通过建立纠缠态表象,给出了介观持久电流环的玻色子型相位算符与角动量算符,以实现介观持久电流环的角动量-相角量子化,并自然导出其本征能谱.最后引入角动量升降表象,发现电流环的角动量的增减对应着环中的电流增减.     

原子位相算符公式的数值验证及性质讨论

引言我们在文献[1]中类比场相干态的位相定义,在用双玻色子表示的角动量态基础上,定义了原子相干态的位相算符并计算了其本征态和cosφ、sinφ等在原子相干态中的期望值。由于原子态中的“位相”是一种新定义,从多种角度核实其正确性是必要的。本文先对原子相干态中几个位相算符期望值给出计算结果,然后进一步给出位相和角动量间的测不准关系,再导出位相算符在角动量态中的表现,探讨了算符的物理意义和经典行为。     

约束无迹粒子滤波及其在车辆导航中的应用

针对城市高楼密集区,卫星导航信号易被干扰或遮挡、航位推算长期定位误差积累导致车辆组合导航定位精度差的问题,提出一种约束无迹粒子滤波算法。首先,该算法利用无迹卡尔曼滤波对实时状态的均值和方差进行估计,生成的高斯分布作为粒子采样的重要性函数,克服了粒子滤波重要性函数难以选取的问题。其次,采用从观测方程中提取约束条件、构建约束方程的方法,解决约束条件难以构造和新增约束方程导致算法计算量激增的缺陷。再次,通过构造拉格朗日函数,得到无迹粒子滤波的状态估值投影到约束平面的最小值。然后,设计车辆组合导航系统的车辆运动约束方程和道路约束方程,对状态估计值进行约束,修正误差大的估计值,提高了状态量的估计精度。最后,将提出的约束无迹粒子滤波应用到全球定位系统/航位推算车辆组合导航系统中进行仿真验证,并与无迹粒子滤波和自适应无迹粒子滤波进行比较。结果表明:提出的算法估计得到位置误差均值控制在1.5 m左右,而2种比较算法估计得到的位置误差均值控制在3 m左右;提出算法的位置误差估计精度明显优于2种比较算法,车辆组合导航定位性能得到了改善。该方法为驾驶人提供了可靠的反馈信息,避免了交通事故的发生,从而减小了人员伤亡和经济损失。     

非平坦时空中相对论性的玻色子和费米子

在背景度规ds2=u2(x)(-dt2 dx2) dy2 dz2下,本文研究相对论性的玻色子和费米子,得出了相应于Klein-Gordon方程和Dirac方程的连续性方程.当u(x)是奇函数时,体系的哈密顿算符H具有空间反演不变性,宇称守恒.对于特殊情况u(x)=ex,计算出了玻色子和费米子的本征波函数.     

基于双自适应无迹卡尔曼滤波的半挂车状态估计

针对半挂车辆状态估计过程中测量噪声不确定、累计误差影响严重、初值敏感等问题,提出一种适用于半挂车铰接角、车速等多个状态量估计的双自适应无迹卡尔曼滤波算法(FFUKF).基于搭建的半挂汽车12自由度非线性动力学模型和轮胎模型,通过测量的轮速与车辆加速度等信息,首先利用模糊控制自适应调整滑移率容差,综合判断每个车轮的稳定状态,通过轮速估算出一种车速;与此同时,模糊控制自适应调整测量噪声,利用无迹卡尔曼算法,依据动力学估计出铰接角和另一种车速;然后通过卡尔曼滤波算法融合两种方法估计的结果,实现车辆的纵向、侧向速度、横摆角速度和挂车与牵引车铰接角的实时估计.最后在Simulink/TruckSim联合仿真环境下进行多工况仿真试验,验证所提出的双自适应无迹卡尔曼估计算法(FFUKF)有较强的适应性、稳定性和鲁棒性,相比普通模糊自适应无迹卡尔曼(FUKF)有更高的估计精度,能有效克服累计误差,即便在估计初始值不准和有ABS控制输入的情况,仍可以较精确地对车速和铰接角进行实时估计.