H∞滤波在惯导系统地面快速对准中的应用

阐述了H_∞滤波器的设计过程,并将H_∞滤波方法应用于惯导系统地面初始对准.文中建立了惯导系统的误差模型,并对其进行了可观性分析,利用H_∞滤波方法对可观子系统进行了滤波计算,给出了在噪声统计特性未知方差有界情况下惯导系统初始对准的仿真曲线,仿真结果表明该方法克服了卡尔曼滤波对噪声的苛刻要求,滤波效果能够满足工程需要,进一步说明H_∞滤波应用于惯导系统初始对准是有效的.为提高对准速度,文中给出了方位误差角的一种快速估计方法,结果表明该方法是可行的.     

双星/GIS组合定位建模与仿真

双星定位系统具有快速高精度定位和简短报文通信的功能．为了进一步提高定位精度，满足特殊用户需要，文中提出了由双星和道路地理信息系统组合定位的新方法，并做了计算机仿真试验，进行了组合定位精度分析．分析结果表明，该方法可明显提高双星定位精度，在适当条件下组合定位均方差小于10m。     

风场对重力波的滤波现象

对MillstoneHill台站数字测高仪DGS－256漂移探测数据进行的分析表明，背景风场对重力波扰动具有明显的滤波作用．这种滤波效应主要表现为：扰动传播方向具有顺时针旋转的日变化特征，扰动相对出现率峰值出现在扰动传播方向与背景风场方向之间的夹角为180°－225°之间．扰动时空尺度越小，其传播越趋向于逆风场方向．     

基于六模糊控制器的自适应遗传算法

遗传算法的性能主要取决于算法对满意解的搜索和优化的能力。本提出的自适应遗传算法可以自动均衡搜索和优化关系。该算法采用六个模糊控制器对符号编码遗传算法的遗传操作实施动态参数控制。对旅行商(TSP)问题的求解结果表明该算法在解决类似于TSP的组合优化问题时具有比标准遗传算法更好的性能。     

通用航空业务的分类组合及其潜在市场需求分析

通用航空业务种类繁多，通航企业可以根据市场需要选择多种通航业务。本通过对通航业务进行分类，分析了通航业务及其组合的特点，提出了通用航空业的潜在市场细分标准和市场需求的评估技术。     

一种基于Linux的数据采集和处理系统

介绍一种基于Linux的数据采集和处理系统的结构及其关键技术,其次介绍其界面设计中与组合框构件相关的部分,给出了一种动态管理菜单项的方法。     

基于量测预处理技术的GPS/DR组合算法研究

基于GPS在市区不能实现连续准确定位以及车辆航位推算系统(DR)的自主性,建立了GPS/DR组合的系统以及量测方程。以此为基础,根据GPS以及DR的采样频率的不同,引入量测预处理技术并用于GPS/DR的组合算法中,进而建立了采用量测预处理技术的卡尔曼滤波方程,最后通过实际的动态试验,论证了上述算法,并得出相应的结论。     

三频GPS改正电离层折射误差高阶项的方法

在研究电离层折射对GPS测量的影响及电离层折射误差模型的基础上,采用电离层折射误差双频改正方法,针对GPS现代化和Galileo计划中增加的第三个民用导航频率,提出了运用三频观测值将电离层折射误差改正至二阶项的方法;并系统地推导了三频载波相位观测值无电离层折射组合方程,从而进一步提高了GPS的定位精度。     

无人机视觉地理定位研究综述

近年来,无人机在控制稳定性、传感器精度和载荷智能化等方面进步显著,被普遍应用于情报侦察、打击引导、安防巡逻、应急救援、森林巡检等军事和民用领域。无人机及其载荷主要承担发现和定位目标的任务,利用相机对地面目标地理定位(简称对地视觉定位)是最为普及的低成本手段,属于航空摄影测量技术分支。基于深度学习的计算机视觉浪潮促进了各类无人系统视觉感知能力的智能化发展,对于搭载光电载荷的无人机而言,对地目标智能识别和定位是重要的能力增长点。鉴于此,系统总结了无人机对地视觉定位技术的研究现状,全面细致地探究了定位过程涉及的各类坐标系定义与相互转换关系,指出了关键原理问题和技术途径。无人机视觉地理定位可分为单机定位和多机协同定位两种方式,主要通过基于辅助地理信息的定位、已知目标距离的定位、三角定位和纯角度滤波定位四种途径实现。同时,预测了未来无人机视觉地理定位技术的研究趋势,力求为无人机系统智能化发展提供支撑。     

车载大视场视觉惯性组合导航算法研究

车载视觉导航在大角度旋转和高速运动等场景下表现不佳,由于视觉和惯性的误差特性互补,所以视觉惯性组合导航算法有良好的应用前景。大视场相机获取外界信息丰富,但大视场相机采样频率低影响视觉数据采集,而且基于优化的组合导航算法计算速度慢,故提出了一种适用于大视场相机的车载视觉惯性组合导航算法。该算法侧重于数据预处理：设计了基于伽马函数的对比度受限自适应直方图均衡化来降低图像噪声,通过FAST角点与光流法的组合完成特征提取与跟踪,进一步加快了计算速度。引入了惯性数据等效旋转矢量二子样算法来减少数据量和计算量,通过预积分算法为误差优化减少计算量,通过视觉误差、惯性误差以及边缘化误差联合优化来提高精度。与其他组合导航算法相比,该算法精度较高,计算速度最快,与VINS-Mono相比节省时间19.7%。