排序方式: 共有243条查询结果,搜索用时 765 毫秒
71.
惯性平台在摇摆条件下,由于轴端摩擦力矩的存在,导致在摇摆运动时影
响平台稳定性,引起平台各轴附加常值漂移。介绍了两种惯性平台摇摆条件下的漂移处
理方法, 第一种方法利用平台轴端框架角传感器的输出数据, 首先使用离散傅里叶变
换得到数据频谱, 其次根据数据频谱设计数字滤波器, 对得到的数据进行滤波处理,
最后使用线性回归法对滤波后的数据进行拟合, 从而得到摇摆条件下平台摇摆漂移;
第二种方法使用加速度计的输出, 根据敏感的加速度可以得到敏感轴与重力加速度的
角度, 由此计算出摇摆过程的漂移速度。实验表明, 频谱分析法可以进行三个方向的
计算, 但台体轴结果的稳定性不好; 加速度输出拟合方法虽只可进行两个方向的计
算,但稳定性较好。 相似文献
72.
73.
重力梯度仪安装在惯性稳定平台上,忽略载体姿态角改变等条件下的影响,在空间上保持方向不变,因此载体相对于重力梯度仪的旋转会改变其周围空间的质量分布,从而引起自身梯度的变化.这种自身梯度变化影响了重力梯度仪的测量精度,是动基座重力梯度测量误差的重要来源.由于周围环境物体到重力梯度仪的距离很近,采用基于中心引力梯度的方法计算自身梯度具有较大误差.推导了基于加速度计输出的重力梯度仪自身梯度补偿方法.仿真结果表明通过基于中心引力梯度的方法和基于加速度计输出的方法分别计算单位质量的质量点产生的自身梯度时,0.3m位置处自身梯度补偿的偏差超过5E,采用基于加速度计输出的方法进行自身梯度补偿更加精确. 相似文献
74.
75.
76.
77.
78.
79.
80.
为了实现航天用电子元器件的全自动及非接触识别,并减少由照明系统造成的图像亮度不均、偏色等问题对检测结果的影响,通过结合局部、区域和总体三个层次特征提升物体检测精度,提出了一种基于多特征图像增强深度卷积神经网络(MFIE-DCNN)的航天用电子元器件分类算法。MFIE-DCNN算法包含多特征学习和深度学习,其学习过程类似于人类视觉系统,能够对形状、方向和颜色特征进行深度挖掘,突出元器件边界信息,抑制背景杂波干扰。实验结果表明,该算法能够区分电路板板载元器件的种类,检测准确度优于传统算法。对比基于稀疏自动编码器的深度神经网络,检测结果提高了近20%。 相似文献