一种基于非线性回归的载人航天器密封舱内在轨噪声分析方法

文章提出一种载人航天器密封舱内噪声非线性回归通用分析方法,可基于地面噪声试验测得的数量较多的数据样本和在轨噪声测试获取的少量数据样本,建立密封舱内位置–在轨噪声的数学模型。经验证该模型能够较为准确地拟合密封舱内在轨噪声水平,从而为开展载人航天器的降噪设计、优化噪声仿真模型和验证降噪措施效果提供数据支持。     

弹道跟踪系统的数据融合

本文应用近代时序分析方法、样条函数和非线性回归分析理论，研究了弹道参数、系统误差及测量随机误差统计特性参数的联合估计问题，给出了各类参数的高精度估计。理论分析和仿真计算表明：本文所建的模型准确，参数估计方法精度高，应用本文方法能明显提高弹道跟踪数据质量。     

多模自适应目标图像跟踪

本文建立了图像序列中含加性和乘性两种噪声模型影响下的目标偏移值测量模型。并针对目标机动性，采用多模虑波器和两段卡尔曼虑波器对目标状态进行估值，有效抑制了各种噪声影响，又消除了显式的目标机动性检测，且有较高的实时性和较少的存储量等优点。     

基于Murty方法的多目标跟踪快速算法

JPDA是一种有效的多目标跟踪算法，但算法的复杂度随着目标和观测值的增加而显著增长。为了减少JPDA算法所需要的存贮空间和计算时间，通过Murty方法，得到K个最优的目标与观测值对应关系，再利用这K个最优对应关系实现JPDA算法。仿真结果表明，新算法跟踪成功率与JPDA相近，所需的时间远低于JPDA算法。     

中继卫星多址链路调度问题的约束规划模型及算法研究

中继卫星多址链路调度问题是中继卫星系统应用中必须解决的重要问题,其重要特点在于,中继卫星与用户航天器之间并非时时可见,因此通信任务存在可见时间窗口约束。只有在可见时间窗口内,通信任务才可能执行并完成。在进行合理假设的基础上,采用人工智能中的约束规划技术,建立中继卫星多址链路调度问题的约束规划模型,并提出了基于时间窗口期望值的多步迭代算法。应用结果表明,中继卫星多址链路调度模型的建立与求解是合理的。     

基于多元线性回归模型的光纤陀螺温度误差建模

在-40℃～60℃温度范围内测试了数字闭环光纤陀螺的标度因数、偏置和噪声,基于对测试 数据的分析指出,零偏稳定性大于0.3°／h的光纤陀螺的温 度误差主要来源于标度因数误差和偏置误差。利用逐步回归法分析了零偏与温度、温度梯度 之间的线性关系和标度因数与温度之间的线性关系,建立了零偏误差和标度因数误差的多元 线性回归模型。在模型中引入到达探测器的光功率作为新变量,提高了标度因数模型精度, 并使计算量减小40％。建模结果表明,标度因数误差回归模型的残差均方(RMS)达到1
(bit／(°／s)) 2,偏置误差回归模型的残差均方达到0.067(°／h) 2。     

航天器环境干扰力矩的闭环辨识与补偿

研究引入干扰力矩辨识的方法提高三轴稳定航天器在稳态运行期间的高精度指向控制问题.基于航天器的稳态输出数据和系统传递函数,对环境干扰力矩的完整模型进行闭环辨识.其中采用改进的特征系统实现相关算法和多元线性回归法辨识环境干扰力矩的模型参数,最后使用前馈控制对所辨识的环境干扰力矩实现在线补偿.分析和仿真结果表明,该方案能有效地克服不确定的环境干扰力矩对姿态稳定度的影响,提高在轨运行航天器的姿态稳定精度.     

基于遥测数据的无人机气动参数辨识方法研究

针对无人机在高空低速飞行时易受风场影响及在数据分析时遥测数据不完备的问题,进行了气动参数辨识方法研究,提出了基于空速管平面矢量三角形的风场估计方法及基于风场信息修正的气动角估计方法。以某型无人机为例,对遥测数据进行了充分分析与信息综合,运用逐步回归方法进行了纵向气动参数辨识,并进行了实验验证。结果表明,模型计算结果与实测数据吻合较好,说明所提方法有效。考虑到辨识模型的数学本质,该方法对其他固定翼无人机同样适用。     

考虑刀具偏心的微铣削加工表面粗糙度预测模型研究

基于微铣削刀具轨迹建立了考虑刀具偏心、最小切削厚度的塑性材料微铣削底面粗糙度的预测模型,预测结果表明粗糙度表面形貌呈锯齿状,刀具偏心会影响表面粗糙度的形貌周期和高度,并进行微铣削加工实验,对粗糙度预测模型进行了验证。采用回归统计方法,建立了脆性材料微铣削加工表面粗糙度预测模型,对加工表面形貌进行观察,利用响应曲面法得到了各铣削用量对表面粗糙度的影响规律。     

Remote sensing and GIS-based landslide hazard analysis and cross-validation using multivariate logistic regression model on three test areas in Malaysia

This paper presents the results of the cross-validation of a multivariate logistic regression model using remote sensing data and GIS for landslide hazard analysis on the Penang, Cameron, and Selangor areas in Malaysia. Landslide locations in the study areas were identified by interpreting aerial photographs and satellite images, supported by field surveys. SPOT 5 and Landsat TM satellite imagery were used to map landcover and vegetation index, respectively. Maps of topography, soil type, lineaments and land cover were constructed from the spatial datasets. Ten factors which influence landslide occurrence, i.e., slope, aspect, curvature, distance from drainage, lithology, distance from lineaments, soil type, landcover, rainfall precipitation, and normalized difference vegetation index (ndvi), were extracted from the spatial database and the logistic regression coefficient of each factor was computed. Then the landslide hazard was analysed using the multivariate logistic regression coefficients derived not only from the data for the respective area but also using the logistic regression coefficients calculated from each of the other two areas (nine hazard maps in all) as a cross-validation of the model. For verification of the model, the results of the analyses were then compared with the field-verified landslide locations. Among the three cases of the application of logistic regression coefficient in the same study area, the case of Selangor based on the Selangor logistic regression coefficients showed the highest accuracy (94%), where as Penang based on the Penang coefficients showed the lowest accuracy (86%). Similarly, among the six cases from the cross application of logistic regression coefficient in other two areas, the case of Selangor based on logistic coefficient of Cameron showed highest (90%) prediction accuracy where as the case of Penang based on the Selangor logistic regression coefficients showed the lowest accuracy (79%). Qualitatively, the cross application model yields reasonable results which can be used for preliminary landslide hazard mapping.