瞬态气动模拟加热控制中的快速高精度"E-T"转换

为了准确模拟飞行器在高速飞行时的瞬态气动加热状态,必须使用快速、高精度的计算机瞬态热能控制系统,对气动模拟试验的加热过程,实行快速、高精度的非线性动态控制.为此,传感器的快速、高精度"E-T"转换是一个必须解决的非常重要的问题.提出一种高速飞行器瞬态气动加热控制系统中传感器的快速、高精度"E-T"转换方法.该方法具有计算简单、转换速度快、校正精度高的优点,使用该方法实现了高速飞行器气动加热过程中温度场高速变化状态下的瞬态非线性动态控制.     

多传感器信息融合技术

多传感器信息融合是Ｃ＾３Ｉ系统和电子综合战系统中的关键技术，本文从信息融合分类出发，讨论了单传感器的信息融合决策理论和技术以及多传感器信息融合原理，提出了多传感器信息融合专家系统，着重讨论贝叶斯法用于二元检测的分布式多传感器信息融合的检测方式。     

基于一致性融合和神经网络的航空发动机气路系统故障诊断方法

以信息融合为基础,运用GRNN神经网络对航空发动机气路系统进行故障诊断,提出了一种基于一致性融合和神经网络相结合的故障诊断方法。试验结果表明,该方法能快速识别航空发动机气路系统故障,并且对其他机械设备的故障诊断具有一定的参考价值。     

基于Kalman滤波的变体飞行器T-S模糊控制

针对变体飞行器的跟踪控制问题,提出了一种基于Kalman滤波的T-S模糊控制方法。考虑飞行器系统状态不可测,引入惯导数据作为辅助信息,利用Kalman滤波算法融合飞控信息与惯导信息实现状态估计。由于变体飞行器在不同变形结构下气动特性变化较大,为便于控制器设计,采用小扰动线性化方法得到飞行器在不同平衡点处的局部线性模型,并通过状态反馈方法设计局部控制器,局部线性模型和局部控制器通过模糊集和模糊规则聚合成一个连续光滑的全局T-S模糊模型和T-S模糊控制器。通过综合Kalman滤波器与T-S模糊控制器得到一个基于Kalman滤波的T-S模糊控制器。仿真结果表明,该控制器在变形过程中能够实现状态估计,保证飞机的跟踪性能。     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。     

Real-time mosaicking for infrared videos from an oblique sweeping camera

Image mosaicking is widely used in Geographic Information Systems (GISs) for large-scale ground surface analysis. However, most existing mosaicking methods can only be used in offline processing due to the enormous amounts of computation. In this paper, we propose a novel and practical algorithm for real-time infrared video mosaicking. To achieve this, a novel fast template matching algorithm based on Sum of Cosine Differences (SCD) is proposed to coarsely match the sequential images. The high speed of the proposed template matching algorithm is obtained by computing correlation with Fast Fourier Transform (FFT). We also propose a novel fast Least Squares Matching (LSM) algorithm for inter-frame fine registration, which can significantly reduce the computation without degrading the matching accuracy. In addition, the proposed fast LSM can effectively adapt for noise degradation and geometric distortion. Based on the proposed fast template matching algorithm and fine registration algorithm, we develop a practical real-time mosaicking approach which can produce seamless mosaic image highly efficiently. Experiments on synthetic and real-world datasets demonstrate that the proposed algorithm is not just computationally efficient but also robust against various noise distortions.     

基于CDKF的快速协方差交叉融合跟踪算法研究

随着目标抗干扰能力的增强,单一寻的制导方式很难完成对目标的稳定跟踪和精确打击,需采用多种探测器作为传感器,提供多种观测数据以实现对目标的稳定跟踪和精确打击。建立了适当的目标运动模型和观测模型,利用中心差分卡尔曼滤波（CDKF）变换处理模型的非线性问题,避免了求解复杂的雅克比矩阵。对于分布式多传感器融合,传统的方法多采用协方差交叉（CI）融合方法,但是这类方法需要寻优求解。而快速协方差交叉（FCI）则不需要进行寻优过程,且计算量小。在此基础上,提出了用于多传感器目标跟踪的CDKF-FCI融合算法。最后,对算法进行了仿真分析,并进一步验证了提出算法的有效性。     

利用增量相位和星光仰角增强XNAV

针对X射线脉冲星导航系统(XNAV)中过程噪声统计特性难以准确获取,对其不当假设导致滤波器估计性能不佳的问题,提出基于自适应差分卡尔曼滤波器(ADDF)的多信息融合算法。为了降低导航误差,在传统脉冲星计时观测的基础上,增加恒星星光仰角及两个时刻间的相位增量观测量,共同增强XNAV。首先,分别建立计时观测模型、相位增量模型及星光仰角模型;然后将多信息测量模型集成到卫星轨道动力学方程中,以建立ADDF滤波模型;最后对所提方法进行仿真验证。实验结果表明,在相同的初始状态和初始噪声误差条件下,与传统X射线脉冲星导航算法相比,多信息融合算法能将导航位置估计精度提高70%以上,位置估计误差降低到 200 m 左右,速度估计精度提高40%以上,且ADDF性能优于无迹卡尔曼滤波器。     

基于PTE的多雷达航迹融合算法

针对杂波背景下的多雷达航迹融合时局部估计误差互协方差矩阵未知的问题,提出基于目标存在概率（PTE）的航迹融合算法,提升了正确航迹率和跟踪精度。首先,通过综合概率数据关联得到单接收站的目标航迹估计集合和对应的目标存在概率。然后,在局部估计误差互协方差矩阵未知的条件下,基于PTE信息提出不带记忆的综合广义凸组合航迹融合算法。进而将前一帧的融合状态进行反馈,提出带记忆的综合广义凸组合航迹融合算法。仿真验证了所提算法的有效性。     

基于振动传递符号有向图的齿轮箱嵌入式传感器优化配置模型与算法

针对嵌入式条件下振动信号的采集方式、传递路径与传统方式不同的特点,采用有限元仿真方法,分析了嵌入式传感下齿轮箱故障振动的传递特性,在此基础上建立了基于故障振动传递符号有向图的优化配置模型,并研究了基于粒子群优化的求解算法.案例仿真结果验证了上述方法的有效性,为在齿轮箱内部合理嵌入传感器提供了一种可行途径.