基于动态补偿的多电机控制算法

多电机协调控制达到转速一致是电机控制中的一个关键难题，外加负载变动和电机参数变化时会引起电机性能的下降，达不到良好的控制效果。为使电机间保持转速同步，建立了永磁同步电机d-q坐标系下的矢量控制数学模型，基于转速跟随控制，提出一种基于单神经元PID的变增益速度补偿器进行偏差耦合控制。在MATLAB/Simulink建立了3台永磁同步电机的仿真模型。仿真结果表明，与传统PID固定增益速度补偿器算法相比，单神经元PID的变增益速度补偿器具有更强的鲁棒性以及更快的收敛性。     

预测-五阶容积卡尔曼滤波方法

为适用于强非线性、非高斯过程噪声系统，结合预测滤波（PF）与高阶容积卡尔曼滤波（HCKF），提出一种预测-五阶容积卡尔曼滤波（P5thCKF）方法。通过预测滤波方法对系统模型中的过程噪声及其方差阵进行实时调整，进而将新模型代入到五阶容积卡尔曼滤波框架中进行实时递推状态估计。推导了五阶球面单形-径向积分准则，采用五阶球面单形积分准则处理球面积分，广义高斯-拉盖尔积分准则处理径向积分；描述了预测滤波方法并对模型误差调整量进行了推导。通过2个仿真实验验证了本文方法在强非线性、非高斯过程噪声系统中的可行性以及应用于工程实践的可能性。     

基于单像素成像的遥感图像分辨率增强模型

目前对地遥感的最主要途径之一便是通过遥感相机获得目标物信息,然而遥感相机的分辨率直接影响成像质量。结合遥感相机的推扫式成像技术,文章提出了一种基于单像素成像的超分辨增强技术模型,该模型能够简化重建过程,其设计目标是基于单像素超分辨的技术手段将航天遥感相机的图像分辨率增强4倍。为了验证该设计思想及其重建效果,文章设置了超分辨增强仿真试验,最终仿真试验结果表明,基于单像素的超分辨模型可以将图像的信噪比提高1.1倍,且重建的图像具有明显的抑制噪声的效果,起到了良好的降噪功能,相较于其他传统图像分辨率增强方法（如双三次内插、超深超分辨神经网络）具有更高的优越性。该方法可为地理遥感探测、土地资源探查与管理、气象观测与预测、目标毁伤情况实时评估等诸多领域的图像处理和应用提供有力支持。     

窄边波导缝隙行波天线单柱面紧缩场测试研究

窄边波导缝隙行波天线单元是通过在单柱面紧缩场中测试进行筛选的,通过实际测试,对单柱面紧缩场测试系统有了一定了解,对柱面场的特性、天线校平的方法、外混频需要注意的事项、减小单元天线互耦等方面进行测试研究,已经完成了Ku、Ka两个频段近300根单元天线的筛选测试工作。     

缝纫/RFI层合板单钉连接性能试验研究

通过对不同铺层及不同缝纫角度的缝纫／RFI层合板的单钉单剪连接强度试验,了解到缝纫针脚位置对缝纫层合板机械连接性能有显著的影响。当针脚距离钉孔受挤压边缘较近时,缝纫层合板的挤压破坏强度低于普通的层合板,只有当针脚在钉孔挤压区外或距离钉孔受挤压边缘较远时,缝纫层合板才显示出好于普通层合板的机械连接性能。试验结果还表明铺层比对缝纫层合板的机械连接性能也有影响,其规律类似于普通层合板。     

单颗磨粒磨削仿真研究进展

概述了传统磨削仿真的基本方法及发展过程,总结了磨粒模型和工件模型的研究现状,具体分析了有限元法、光滑流体粒子动力学法、分子动力学法以及综合仿真方法等应用于单颗磨粒磨削材料的去除机理、成屑机理、工件表面质量以及磨粒磨损等仿真中的研究现状,最后阐述了各类仿真方法的局限性,并提出了单颗磨粒磨削仿真进一步的发展前景。     

基于值域的多约束GNSS单频单历元定姿新算法

多天线增强了全球卫星导航系统（GNSS）单频单历元姿态测量解算模型的强度,但随着天线数量增加,模糊度维数成倍增加,从模糊度域确定搜索空间的计算量将显著增长。基于此,提出了基于值域的多约束多天线GNSS单频单历元姿态测量新算法：该算法将姿态约束融入值域搜索模型,利用姿态约束条件推导搜索步长,通过姿态域三维搜索确定模糊度搜索空间,以基于最优条件姿态解非迭代近似估计的方法固定模糊度。实验结果表明,新算法中模糊度搜索效率较原方法提高约65.8%,固定模糊度效率较标准迭代算法提高约95.3%,且与标准迭代算法性能相当;所提算法能够实现GNSS单频单历元的模糊度固定和载体全姿态测量,具有较高的正确率。     

基于深度学习的图像匹配方法综述

图像匹配是飞行器视觉导航中的一项关键技术。基于深度学习的图像匹配方法在近几年快速发展,其特征提取网络比传统方法具有明显优势与广阔的应用前景。基于深度学习的图像匹配方法可以按照网络结构的不同分为单环节网络模型匹配方法和端到端网络模型匹配方法。首先对单环节网络模型中的特征检测模型、描述符学习模型、相似度度量模型和误差剔除模型逐一进行了深度调研及分析,然后对端到端匹配网络模型中的单网络结构方法和多网络结构组合方法进行了针对性的综述,并对经典的端到端匹配网络模型算法进行了介绍和分析。最后,结合目前基于深度学习的图像匹配方法存在的问题,指出未来可能的发展趋势和方向,为后续研究者在深度学习图像匹配的研究提供一定参考。