飞行监控系统中基于GPU的地形渲染

利用实时遥测飞行信息生成三维虚拟地形场景,旨在飞机试飞时,增强地面指挥人员对飞机实时位置地面场景的感知能力,帮助飞行员在试飞时处理复杂多变的飞行状况。为了逼真且流畅地生成三维地形场景,首先使用固定网格映射(PGM)的方法生成地形采样网格,接着利用几何着色器为三角形面片分配连续的与视点相关的细节等级(LOD),对缓存在纹理数组中的各等级高程数据和卫星照片进行混合采样。由于细节等级是连续的,因此各级纹理和高程之间能够平滑的过渡,增加了场景的真实性。最后,考虑到显存的容量限制,引入了一种内存与显存之间的纹理调度方法。整个算法都是面向图形处理单元(GPU)实现的,能够较好地兼顾实时性和真实性,实现多分辨率大规模地形场景的实时虚拟显示。根据本文算法实现的实时监控系统在支线飞机的飞行试验中取得了较好的效果。     

对《校准厚度片测量不确定度评定》一文的探讨

对《校准厚度片测量不确定度评定》一文评定方法中直接测量法与比较测量法的区分,数显电感测微仪示值误差的选用,通过有效自由度评定扩展不确定度的方法进行了探讨。     

非正侧视阵列机载雷达多空间角补偿算法

 非正侧阵列机载雷达的杂波分布随距离变化而变化,各距离单元的杂波分布不再满足独立同分布条件,造成统计型空时自适应处理(STAP)处理器性能下降。本文提出了一种多空间角补偿(MSAC)的非正侧视机载雷达杂波抑制方法,该方法先通过角度-多普勒补偿(ADC)预处理以消除在谱中心处的杂波非均匀,然后采用MSAC法在多个多普勒方向使参考单元和待检测单元的杂波谱保持一致,从而进一步消除在其余方位的杂波非均匀。仿真结果表明了该方法的性能明显优于ADC法,且运算量增加不多。     

战术数据链综合试验研究

战术数据链是一个传送战术信息的网络,有很强的军事用途。本文介绍了战术数据链的基本结构、时分多址组网方式以及编队通信流程,最后,对战术数据链地面综合试验程序做了较为详细的叙述。     

一种MEMS陀螺标度因数误差补偿方法

高动态、恶劣温度环境下,微小型飞行器(MAV)导航、制导与控制系统关键器件微机电系统(MEMS)陀螺受温度和转速耦合影响,其标度因数误差呈强非线性特点,常规方法无法精确补偿。通过分析MEMS陀螺标度因数误差的产生机理,建立了包含温度和转速非线性因素的标度因数误差模型,提出一种基于径向基(RBF)神经网络的标度因数非线性耦合误差补偿方法,解决了常规补偿方法精度差的问题。标定与补偿实验表明:在-10～+55℃温度范围、-150～+150(°)/s输入转速范围内,采用新方法补偿后MEMS陀螺输出平均精度比多项式拟合方法提高7倍;在-20～+20(°)/s低输入转速的误差强非线性区间内,精度提高近20倍,验证了本文方法的有效性和优越性。     

基于傅里叶变换的航迹对准关联算法

研究了在组网雷达存在系统误差情况下的目标航迹关联问题,理论分析了雷达系统误差对目标航迹的影响,并将该影响表示为目标航迹的旋转和平移量。在此基础上,提出了一种基于傅里叶变换的系统误差配准前航迹对准关联算法,该算法将组网雷达的航迹数据看做为一种整体信息,采用傅里叶变换理论来估计和补偿组网雷达目标航迹数据到融合中心航迹数据的相对旋转量和平移量,将雷达网中雷达上报的目标航迹数据对准到融合中心,从而不依赖于估计雷达网系统误差,实现了误差配准前的航迹准确关联,能够为后端的系统误差配准提供可靠的关联目标航迹数据。     

光纤惯性测量组件的误差标定改进算法及实现

对光纤惯性测量单元的误差标定方法进行了研究,提出了一种十二位置标定算法。分析了算法的基本原理,介绍了标定的流程。与传统的标定方法相比,新方法在不降低标定精度的前提下无需对北向进行定位,而且仅需单轴转台。在该算法的基础上利用LabVIEW软件构建了一套IMU误差智能测试平台,实现了对惯性元件安装误差、标度因数误差、零偏以及陀螺标度因数非线性度的自动标定,避免了手动标定时繁琐的操作,具有较强的工程应用价值。     

广州中信广场台风特性与结构响应的相关性分析

基于台风“达维”登陆时广州中信广场风场及结构响应的现场实测数据,对于风场特性和结构加速度响应状况进行了计算分析,计算分析结果表明,城市上空强风“达维”的湍流度比较大,在台风“达维”作用下结构的横风向响应与顺风向响应接近;同时在不同的时距条件下对风场特性与结构加速度响应的相关性进行了分析,由分析可知取3min为基本时距时风速与结构响应的相关性系数值较高,说明在确定结构的风荷载和计算结构风致响应时取基本时距为3min更为合理。     

混合神经网络和混沌理论的股票价格预测研究

针对股票时间序列的非线性特点,结合混沌理论和神经网络理论,提出了基于混沌理论的股票价格神经网络预测方法。同时利用重构相空间的嵌入维数确定神经网络的结构,对实际的股票时间序列预测结果表明,该方法能有效地进行短期预测,在股票时间序列预测中有广泛的实用价值。     

自适应增量 Kalman 滤波方法

提出自适应增量Kalman滤波(AIKF)的概念和定义,建立自适应增量Kalman滤波模型及其分析方法,给出主要的计算步骤.传统自适应Kalman滤波(AKF)方法能够对事先未知的系统噪声和量测噪声的统计量进行有效的估计.但是,传统自适应Kalman滤波方法也无法对由于环境因素(如深空探测)的影响、测量设备的不稳定性等原因产生的未知时变测量系统误差进行补偿和校正,从而产生较大的滤波误差,甚至导致发散.提出的自适应增量Kalman滤波方法不但能够对系统噪声和量测噪声的统计量进行估计,而且还能成功消除这种测量系统误差,有效地提高滤波精度.该方法计算简单,便于工程应用.