高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

论物权法定原则

物权法定原则是已经被我国物权法确定的基本原则之一,对我国物权体系的建立,交易秩序的维持具有重要的意义。本文通过对物权法定原则渊源、概念等的界定,通过对其现实存在状况和学界异议的分析,提出了其存在的必要性的理由以及对其经行发展的初步设想。     

运动分类步频调节的微机电惯性测量单元室内行人航迹推算

行人航迹推算(pedestrian dead reckoning, PDR)作为一种新兴的导航定位方法, 因其不易受外界环境因素影响而受到广泛关注. 针对室内行人航迹推算, 采集并分析了微机电惯性测量单元(micro-electro-mechanical system-inertial measurement unit, MEMS-IMU)数据, 设计了运动分类的区间对称步频检测, 并建立了步频调节的步长估计模型, 最后提出了运动分类步频调节的MEMS-IMU室内行人航迹推算, 从而实现较精准的定位. 针对不同个体, 对步频调节的步长估计模型进行个性化标定, 以进一步提高室内行人航迹推算性能. 验证结果表明: 与传统峰值非线性方法相比, 运动分类步频调节的MEMS-IMU室内行人航迹推算的定位误差降低了32.6%, 使短距离室内行人航迹推算在无其他定位技术支持的情况下具有较高精度.     

9轴MEMS-IMU实时姿态估算算法

随着对微机电系统-惯性测量单元(micro-electro-mechanical system-inertial measurement unit, MEMS-IMU)在室内定位、动态追踪等应用领域中的需求日益迫切, 使得具有高精度、低成本和实时性的MEMS-IMU模块设计成为研究热点. 针对MEMS-IMU的核心技术--姿态估算进行研究, 设计了一种基于四元数的9轴MEMS-IMU实时姿态估算算法. 该算法运用分解四元数算法处理加速度和磁感应强度数据, 计算出静态四元数; 通过角速度与四元数的微分关系估算动态四元数; 运用卡尔曼滤波融合动、静态四元数, 进而实现实时姿态估算. 针对分解四元数算法中存在的奇异值问题, 提出了转轴补偿方法对其修正, 以实现全姿态估算; 考虑动态情况下的非线性加速度分量对姿态估算精度的影响, 设计了R自适应卡尔曼滤波器, 以进一步提高姿态估算算法的精度. 验证结果表明, R自适应卡尔曼滤波器能够有效抑制加速度噪声, 提高姿态估算精度; 同时, 转轴补偿-分解四元数算法能够准确估算奇异值点的姿态信息, 并且计算时间仅为原“借角”补偿方法的50%左右, 有效提高了整体算法的实时性.