深度自编码观测器飞机操纵面快速故障诊断

为了避免扩展多模型自适应估计故障诊断方法中的雅克比矩阵计算,解决飞机精确模型难以获得的问题,降低在线故障诊断的计算量,提出了一种基于深度自编码观测器的飞机操纵面快速故障诊断方法.基于离线训练、在线估计的思想,采用量测的飞行数据训练得到不同故障下的飞机模型,代替扩展多模型自适应估计方法的卡尔曼滤波器进行状态估计;基于基础自编码器的隐层节点数选取经验公式,推导了两种深度自编码器的隐层节点数选取的递推公式.仿真结果表明,该方法无需精确的飞机模型,故障诊断速度快、精度高.     

双星双频地面快速运动目标成像与参数估计

在多输入多输出合成孔径雷达(MIMO-SAR)的基础上,提出使用双卫星、双工作频率实现地面快速运动目标检测、成像和参数估计的方法。利用广义二阶Keystone变换对提取出的运动目标进行距离徙动校正,针对快速运动目标的多普勒模糊问题,使用修正的离散调频傅立叶变换结合最小波形熵搜索完成目标多普勒参数估计后,利用数值搜索的方法对不同工作频率下的速度集合进行交集求解得到目标真实速度值,并给出了一种运算量较小的快速搜索算法。最后,计算机仿真表明了方法的有效性。     

基于最小约束系统的分布式协作定位研究

5G移动通信系统中,设备到设备的通信方式产生了节点间的信号测量,可用于提升无线定位的覆盖范围和定位精度。提出了一种基于最小约束系统的分布式协作定位方法,该方法首先利用已有算法估计节点参考位置,并据此构建最小约束确定网络的位置及朝向,然后在该约束下极大化由节点间测量引出的似然函数,获得位置估计。理论研究表明,该方法将由节点间测量确定的相对位置拟合到参考位置处,在参考位置等于真实位置时达到最优效果。仿真结果表明,该方法可有效提高定位精度,并具有分布式和可扩展等优点。     

自由转子陀螺仪的伺服测试技术研究

自由转子陀螺仪是目前精度最高的一种陀螺仪,没有精密的力矩器,因此,只能采用双轴伺服法来辨识其漂移误差模型。介绍了双轴伺服测试法的基本原理,给出了双轴伺服转台的运动轨迹及重力矢量的变化规律。根据转台的运动特性,建立了自由转子陀螺仪的漂移误差模型,导出双轴伺服转台转角数据估计漂移误差模型系数的算法。从测试结果可以看出自由转子陀螺仪的长时间精度高,表明采用伺服测试法能够获得极高的测试精度,伺服转台可以作为测试自由转子陀螺仪精度的装置。     

基于微多普勒特征的人体上肢运动参数估计

人体行走的雷达特征研究是近年发展起来的新的研究方向,基于雷达的人体目标探测在安全防护、灾害救援、生物力学和运动学研究等方面具有广阔的应用前景。人体走动时手和腿的摆动对回波信号产生调制,回波信号的微多普勒特征能精细地刻画体动规律,将有效地探测并估计人体的运动规律。主要研究人体上肢的雷达特征,首先以人体上肢的运动模型为基础,建立了其雷达回波模型,通过理论分析得到了参数估计的方法,通过广义Radon变换提取行人摆臂的微多普勒。最后通过仿真实验,验证了算法的有效性。     

基于空域稀疏性的宽带DOA估计

利用宽带阵列接收信号的空域稀疏性,将宽带信号的波达方向(DOA)估计转化为一个稀疏信号重构的问题,提出了一种新的宽带信号DOA估计算法。该算法将宽带信号分解为多个子带信号,联合利用多个子带信号的空域稀疏性进行重构。它是对用于稀疏重构的标准的稀疏贝叶斯学习算法的推广,可适用于多冗余字典的信号模型。另外,通过对多快拍的阵列接收信号进行奇异值分解(SVD),提取信号子空间作为算法的输入数据,可以在有效减少运算复杂度的同时,提高对噪声的稳健性。与传统的宽带阵列DOA估计方法相比,该算法能够用于低信噪比、快拍有限和信源相关性较高的场合,同时算法的性能对信源个数的估计值不太敏感。仿真实验表明,该算法相对现有的基于子空间类的方法,具有更好的DOA估计性能。     

相关噪声背景下相干信源DOA估计算法研究

根据信号和噪声的非圆对称特性,利用除第一个阵元外的其它阵元接收数据的共轭信息,对原阵列进行有效地扩展,提出了一种相关噪声背景下相干信源波达方向（DOA）估计的新算法。由于对阵列进行了虚拟扩展并运用斜投影算法将非相干信源与相干信源分开分辨,因此该算法具有很强的信源过载能力及阵元节省能力,在一定程度上提高了空间分辨率DOA估计的性能,并可对消空间具有非圆对称性的相关噪声,适用于低信噪比环境。仿真结果证明了算法理论的正确性和有效性。     

飞机结构的随机振动疲劳分析方法

飞机使用中经常会遇到因为结构振动而产生的疲劳破坏现象。飞机结构的振动疲劳分析是进行飞机结构动力学设计的重要设计分析手段。本文通过对国内外几十年来形成的主要的振动疲劳分析方法进行了归纳整理,为飞机设计和维修提供振动疲劳的设计与分析技术支持。     

Vision-based pose estimation for cooperative space objects

Imaging sensors are widely used in aerospace recently. In this paper, a vision-based approach for estimating the pose of cooperative space objects is proposed. We learn generative model for each space object based on homeomorphic manifold analysis. Conceptual manifold is used to represent pose variation of captured images of the object in visual space, and nonlinear functions mapping between conceptual manifold representation and visual inputs are learned. Given such learned model, we estimate the pose of a new image by minimizing a reconstruction error via a traversal procedure along the conceptual manifold. Experimental results on the simulated image dataset show that our approach is effective for 1D and 2D pose estimation.