光纤pH值传感器

综述了光纤ｐＨ值传感器,详细阐述和分析比较了光吸收式、荧光特性式及折射率波动式三大类ｐＨ值传感器的工作原理及其各自的优点。还介绍了光纤ｐＨ值传感器作为一种新型传感技术,在生物工程、医学、环境监测及工业过程控制中的应用前景。     

基于小波包变换的Quick Bird全色影像和多光谱影像的融合

为了能够更好地将迄今为止在商业领域内空间分辨率最高的Quick Bird卫星遥感影像的高空间分辨率特性和多光谱特性结合起来,以提高对影像信息的分析和提取能力,笔者在研究了小波包图像分析法之后,提出了一种基于小波包变换(WPT)的Quick Bird遥感影像融合方法,在此基础上,对同一地区Quick Bird全色影像和多波段影像进行了融合实验,获得了满意的实验结果。     

智能人机交互在有人太空探索中的应用与展望

近年来,空间机器人技术发展迅速,国内外已有诸多空间站机器人、深空探测机器人的应用实例。未来有人太空探索过程当中,人与众多智能机器人协同开展任务将成为必然趋势。对国内外空间协作机器人应用实例进行了总结,在分析人机协作机制的基础上,提出了空间人机交互的关键技术,包含人体检测与跟踪、手势识别与分类、动作识别与意图预测、低重力环境下的人机协同控制等,对上述关键技术的难点与研究进展进行了分析综述,并对后续的发展方向进行了展望。     

异形光斑的高精度光束偏转角度测量

大气湍流通常会造成激光光斑畸变为不规则的异形光斑,针对目前四象限探测器(QD)对空间光通信中不规则光斑偏转角度测量精度不足的问题,提出了一种基于多源信息融合的高精度光束偏转角度测量方法.该方法通过对QD及电荷耦合元件(CCD)的数据信息进行融合分析,在保持QD高分辨率和高响应速度的基础上,提高QD对不规则光斑偏转角的测...     

辅助动力装置控制系统传感器智能解析余度方法

针对辅助动力装置(APU)控制系统传感器故障,提出了一种基于协方差优化集成极限学习网络(COSELM)的传感器智能解析余度方法。该方法能够根据在线序列预测误差的最小方差来自适应更新单个在线序列极限学习机的权重系数,发挥和权衡各个学习模型的优势,通过提高模型算法的稳定性和泛化性,改善传感器智能解析余度的精度。通过在某辅助动力装置控制系统传感器解析余度的验证表明,提出的COSELM方法可以解决传感器在发生偏置故障时的信号重构问题,重构误差不超过1%,适用于不同辅助动力装置个体,为其提供可靠的解析余度。     

基于多小波基多信源融合异常值剔除方法研究

提出了一种基于多小波基多信源融合和偏度分析相结合的异常值剔除方法。基于多个小波基的数据融合算法,先对各信源的数据进行多个不同小波基的多尺度分解,对相同小波基分解的信号在多尺度上加权融合,之后进行不同小波基的逆变换得到重构信号,将重构信号融合出的结果作为目标状态估值,对各信源的异常值进行检测,将偏度分析与检测门限相结合,实现了对异常值的剔除。实验结果表明,该方法准确、高效地实现了对各信源异常值的检测与剔除,提高了数据处理的精度,且易于工程实现。     

基于交互式多模型的红外／雷达低小慢目标跟踪算法研究

研究了基于交互式多模型（IMM）的低小慢目标跟踪问题。基于低小慢目标运动特征的分析,以及目标匀速（CV）直线、匀加速（CA）直线、曲线飞行航迹模型,给出了目标跟踪的IMM算法及其流程。仿真结果表明：该算法能稳定精确跟踪低空目标。     

基于概念空间学习认知的机器人目标识别方法

针对复杂环境中机器人多类目标识别通常所依托的原始特征空间中数据区分度低、难以直接表达高层次特征知识的挑战性问题,采用概念空间知识表达方法,通过多传感器数据融合与特征提取建立基本特征空间,并运用高斯混合模型表示目标的各种属性,形成具有高层知识特性的概念空间,在此基础上进行高层知识的概念学习,增强多类目标在概念空间中的可区分性.利用支持向量机作为机器人的分类器,实现针对室内环境的多类目标物体的准确识别.实验结果表明:该方法不但有效地获取和表达待识别目标的高层特征知识,而且能有效提高机器人的目标识别与环境感知能力,展现出优越的分类识别性能.     

基于OTHR与纯角度传感器群数据关联的模式辨识与定位精度提升

 天波超视距雷达(OTHR)目标跟踪面临着"三低"(低检测概率、低数据率和低测量精度)和"多径"(多条传播路径)的挑战,因此传播模式的准确辨识与目标定位精度提升是改善跟踪能力的关键。首先利用纯角度传感器群获得目标地理位置的初步估计,然后采用极大似然估计建立了OTHR的传播模式和杂波模式的辨识规则,进而利用最小方差估计准则实现OTHR和纯角度传感器群的量测融合。仿真结果表明,此算法的模式辨识正确率很高,能明显提升方位角的测量精度,但是不能明显提升径向距的精度。     

一种基于证据距离的多分类器差异性度量

 多分类器系统因其能够显著提升分类精度而引发了广泛关注。多分类器系统中各子分类器间的差异性是提升融合分类精度的先决条件。提出了一种基于证据距离的分类器系统差异性度量,同时基于该度量提出一种多分类器系统构造方法。综合了既有差异性度量、所提新差异性度量以及在训练样本集上的分类性能等多个指标,实现了多分类器系统的有效构造。实验结果表明,所提差异性度量及多分类器系统构造方法是合理的,能有效提升融合分类精度。