基于区域预测和视觉注意计算的快速目标检测

提出了一种结合区域预测与视觉注意模型化计算的快速目标检测方法.通过分析图像近似均匀的3个水平子区域的方向特征图之灰度比率,灰度特征图之信息熵和子区域位置,建立了目标区域预测的判定准则.同时,通过优选特征和优化特征图之权重,改进了视觉注意计算模型.对于一幅待检测图像,根据区域预测的判定准则,实现目标区域的快速预测,并利用改进的视觉注意计算模型对目标区域进行视觉注意计算,实现特定目标的快速精确定位.实验结果表明:针对户外场景中的行人目标,与通过整幅图像的视觉注意计算来实现目标检测的传统方法相比较,该检测方法可使检测时间缩短30%,同时还能使检测准确率提高9%.      

利用神经元拓展正则极端学习机预测时间序列

为实现对于时间序列预测数据的准确预测,提出一种神经元拓展正则极端学习机(NERELM,Neuron-Expanding Regularized Extreme Learning Machine),并研究了其在时间序列预测中的应用.NERELM根据结构风险最小化原理权衡经验风险与结构风险,以逐次拓展隐层神经元的方式自动确定最佳的网络结构,以避免传统神经网络训练过程中需人为确定网络结构的弊端.应用于时间序列的仿真结果表明:NERELM可有效实现对于RELM最佳网络结构的自动确定,具有预测精度高与计算速度快的优点.      

基于线性最小均方差估计的星敏感器故障诊断

针对使用两个星敏感器进行姿态测量的三轴稳定控制系统,利用星敏感器输出值与陀螺输出值的解析冗余关系,通过设计两个滤波器实现对不同星敏感器的故障隔离.考虑到陀螺测量噪声以乘性噪声的形式出现在姿态运动学方程中,利用陀螺输出测量值和目标星敏感器的测量值,采用线性最小均方差估计器得到包含目标星敏感器故障信息的残差; 以无故障情况下残差的统计方差为基础得到阈值,通过检验残差评价值是否超过相应的阈值,实现对目标星敏感器故障的检测; 分别将两个星敏感器作为目标星敏感器,综合两个故障检测结果隔离故障.对星敏感器出现测量偏差和精度逐渐下降两种故障的仿真验证了该方法的有效性.     

PREDICTION OF SURFACE ROUGHNESS FOR END MILLING TITANIUM ALLOY USING MODIFIED PARTICLE SWARM OPTIMIZATION LS-SVM

It is difficult to construct the prediction model for titanium alloy through analyzing the formation mecha- nism of surface roughness due to the complicated relation between influential factors and surface roughness. A no- vel algorithm based on the modified particle swarm optimization （PSO） least square support vector machine （LS- SVM） is proposed to predict the roughness of the end milling titanium alloys. According to Taguchi method and features in milling titanium alloys, the influences of cutting speed, feed rate and axial depth of cut on surface roughness are investigated with the analysis of variance （ANOVA） of the experimental data. The research results show that the construction speed of the modified PSO LS-SVM model is two orders of magnitude faster than that of back propagation（BP） model. Moreover, the prediction accuracy is about one order of magnitude higher than that of BP model. The modified PSO LS-SVM prediction model can explain the influences of cutting speed, feed rate and axial depth of cut on the surface roughness of titanium alloys. Either a higher cutting speed, a lower feed rate or a smaller axial depth of cut can lead to the decrease of surface roughness.     

基于预测扭矩前馈的涡轴发动机内模控制方法

基于内模原理设计了涡轴发动机功率涡轮转速控制器.针对主旋翼扭矩变化对功率涡轮转速的干扰,提出了一种基于极端学习机的扭矩预测方法.极端学习机训练基于动态仿真数据,其输入通过相关分析获得.基于内模原理的功率涡轮转速控制器采用极点配置的设计方法,将输入信号的内模直接加入控制器,实现鲁棒跟踪.扭矩前馈采用比例微分(PD)控制策略,实现对发动机负载变化干扰的有效补偿.数字仿真结果表明:极端学习机扭矩预测精度高,扭矩相对误差小于1.5‰,与不加前馈控制相比,所提出的控制方法减小了机动飞行过程中功率涡轮转速的超调或下垂30%以上.      

基于自适应扩展卡尔曼滤波的载波跟踪算法

精确的载波相位测量是精密测距中一个很重要的研究点。针对传统扩展卡尔曼滤波(EKF)的固定设计在先验信息不充分和动态变化环境中存在的不足,提出了一种基于自适应扩展卡尔曼滤波(AEKF)的载波跟踪算法。该算法通过实时监测滤波器新息或残差的动态变化,以修正状态噪声方差和观测噪声方差,进而调整滤波器增益,控制状态预测值和观测值在滤波结果中的权重。理论分析和仿真结果表明,本算法充分利用了观测信号的统计特性,克服了传统扩展卡尔曼滤波算法的不足,能够获得更好的载波跟踪性能。     

导航解算中的有色噪声及其协方差矩阵自适应拟合

使用Kalman滤波进行动态导航定位解算需要涉及函数模型和随机模型, 而在实际应用中, 精确的函数模型和随机模型很难直接给出, 因此, 动态Kalman滤波的精度和可靠性将会受到函数模型误差和随机模型误差的影响. 在假设观测噪声和动力学模型噪声主要是具有一阶自相关特性的有色噪声的基础上, 提出了一种基于移动窗口的有色噪声函数模型和随机模型的自适应拟合法. 给出了计算有色噪声估值和噪声协方差矩阵的表达式, 并利用实测数据验证了模型及算法的可行性和实用性. 计算结果表明, 该算法能有效抵制有色噪声对导航滤波结果的影响.      

基于应力循环特征的裂纹萌生寿命预测方法

以两种镍基高温合金的应力循环特征为基础,即粉末高温合金FGH95的循环硬化继而软化及变形高温合金GH4169的循环软化特性,寻求载荷历程相关的损伤参量,进而建立应力弱化损伤模型,以考虑载荷历程对疲劳寿命的影响.建立的应力弱化损伤模型可以较好地预测不同循环载荷条件下的疲劳寿命,其预测精度不低于传统方法,且优势在于使建立模型所需要的试样数量大大减少.      

紊流风场下的无人机飞行状态卡尔曼滤波估计

为了模拟紊流风场下的无人机飞行状态响应,减小紊流风场对无人机飞行速度的影响,使用数值法建立了紊流风场有色噪声模型,生成了符合大气紊流相关特性的紊流风场并对其进行数值仿真。在此基础上,通过状态扩增处理将系统噪声白化,设计出一种基于有色噪声的无人机飞行速度卡尔曼滤波器,该滤波器解决了基本卡尔曼滤波仅适用于白噪声的情况。仿真结果表明,使用此滤波器可有效减小紊流风场对无人机飞行速度的影响,进而满足飞行速度控制输入的精度要求。     

序贯结构的Sage-Husa自适应滤波及其应用

在分析已有的Sage-Husa自适应滤波算法的基础上,本文首先推导了两种量测噪声自适应估计方法的等价性。为充分利用组合系统中已知的部分量测噪声参数,提高滤波稳定性和精度,研究了基于序贯结构的Sage-Husa自适应滤波算法;当组合系统测量噪声参数均为已知时,为降低算法复杂度,提高Sage-Husa自适应滤波的鲁棒性,加入协方差匹配的方法对序贯结构的Sage-Husa自适应滤波算法进行改进;通过在序贯结构下采用相应的信息融合策略,充分利用组合系统的输出信息。将两种算法分别应用于MIMU/GPS/磁强计组合系统中,基于跑车实验的离线数据分析表明,第一种滤波算法的滤波稳定性较标准自适应算法在滤波稳定性上有明显提高;第二种改进的滤波算法既降低了算法复杂度,又提高了抗野值效果,有效保持了组合系统在干扰状态下的导航精度。