基于RBF带学习能力高精度非线性FDD设计

在轨航天器故障检测与诊断问题需要面对模型的非线性,而且要求尽量提高其检测的精度,为此设计了基于径向基函数（RBF）神经网络的动量轮非线性故障检测与诊断（FDD）方案。首先应用RBF补偿建模误差,提高检测精度,并选择李雅普诺夫函数证明其收敛性;然后应用非线性观测器来产生故障残差,给出了阈值以及故障检测的时间;应用RBF网络对故障信号进行重构,并据此设计了带学习能力的FDD策略。再次建立了详细的动量轮模型,通过不同条件下的仿真研究分别验证残差的阈值特性、时间特性以及RBF的重构能力,仿真结果表明了算法的有效性。     

一种新的红外目标跟踪方法

在成像制导过程中需要实时处理大量的信息,为了尽可能在保留有效信息情况下降低 计算量,提出了一种基于人眼非均匀采样特性和粒子滤波相结合的红外目标跟踪方法。首先 应用对数极坐标模型的旋转、缩放及灰度分布不变性来压缩信息量以提高计算速度,然后采 用基于目标灰度特征的粒子滤波跟踪方法来抑制匹配点漂移和目标的非刚性形变,从而实现 对非刚性变形目标的稳健跟踪。与角点匹配跟踪方法及传统的Mean Shift跟踪方法相比,该 方法具有跟踪稳定,计算速度快等优点。实验结果表明,该方法能够有效抑制匹配点漂移和 目标的非刚性形变。