基于L-M网络的涡扇发动机动态过程辨识

介绍了多层前馈网络的Levenberg-Marquardt (LM)算法,对涡扇发动机动态过程的数学模型进行了分析和简化,运用多层前馈网络L-M算法对涡扇发动机进行加力推力变换时的非线性MIMO动态过程的数学模型进行了辨识,辨识所用样本数据和测试数据均为试飞实测数据.辨识结果表明,这种方法收敛快精度高,非常适合于涡扇发动机非线性动态过程的建模.     

激光测高仪回波分解算法

开发了一种激光测高仪回波基本信息提取算法,对回波数据进行了高斯波分解,获取了高斯波分量的个数,及每个高斯波分量的波中心位置、宽度和幅度等参数．该算法首先根据回波拐点的数目和位置确定出高斯分量的个数及每个高斯分量的波中心位置和宽度初始值,随后利用线性最小二乘法计算出每个高斯分量的幅度,最后将经过选择和标记的高斯分量针对实际回波采用Levenberg-Marquardt方法进行拟合,得到优化后的高斯波基本参数．通过这些基本参数信息,能够进一步推导出激光测高仪光斑内各个反射表面的垂直分布、起伏程度和反射率等基本信息．     

基于随机测量点的机翼精加工位姿计算方法

在机翼精加工过程中,需要对机翼的位姿进行计算,以指导其调整。通过对翼面水平测量原理的分析,提出一种基于随机测量点的机翼精加工位姿计算方法。首先,以翼面水平测量数据为基础,采用以最小二乘法为目标函数的迭代最近点算法,求解出测量点在翼面设计模型上的匹配点,形成位姿计算所需的2个点集。然后,运用Levenberg-Marquardt算法计算出这2个点集间的变换关系,实现位姿参数的求解。最后,为减少测量点误差对位姿计算的影响,给出了测量点精度补偿方法。仿真算例表明,该方法具有较高的计算精度,能够满足实际工程需求。     

面向飞机自动化装配的工业机器人标定技术

将工业机器人用于飞机的自动化装配有着很高的定位精度要求,对六自由度KUKA机器人的定位精度补偿方法进行了研究,该方法通过建立机器人运动学误差模型,以Levenberg-Marquardt阻尼迭代最小二乘法求出适合机器人标定空间的各参数误差最优值并以Kuka机器人为实验平台进行试验验证。经过补偿后,标定空间内机器人的绝对定位精度得到极大改善,可以满足飞机自动化装配的精度要求。     

基于BP神经网络的机载数字高程模型压缩

现有的数字高程模型压缩方法大多从编码方式上进行优化,而很少利用其数据的自相关性。为此,提出了一种采用L-M训练算法的单隐层BP神经网络实现机载数字高程模型压缩的新方法,并给出了实现压缩的详细过程。论述了采用单隐层网络的理由,并根据机载要求的相对误差精度去选择最少的隐层节点数。通过选取ASTERGDEM30米分辨率的高精...     

包含乘性噪声自适应修正的非合作目标相对导航算法

无人机（UAV）态势感知的任务是利用机载传感器对未知环境进行目标识别和引导，针对无人机与非合作目标间中远距离的相对导航问题，提出了一种基于角度和距离量测的相对状态估计算法。在现有滤波算法的基础上，为了提高精度和稳定性，本文利用了列文伯格-马夸尔特（LM）优化的思想对迭代卡尔曼滤波（IEKF）算法进行改进，提出了一种LM-IEKF算法，并推导该算法在迭代过程中的状态更新方程及协方差阵的递推公式。在此基础上，考虑到距离传感器由于信号相关特性而引入的乘性噪声，现有的加性噪声模型难以适应，因此，进一步提出了基于量测噪声自适应修正的Modified LM-IEKF方法，通过在线实时更新噪声阵提高滤波的精度，并设置渐消记忆指数平滑估计结果。算法验证结果表明，与现有的EKF、IEKF算法相比，在仅含加性噪声的情况下，LM-IEKF算法具有更好的性能；在包含乘性噪声的情况下，Modified LM-IEKF可以有效地估计量测噪声，与目前广泛使用的EKF算法相比，在综合相对位置和相对速度精度上分别提高了10%和23%。