一种柔性空间双臂机器人的协同控制和避障方法

针对柔性空间机械臂在轨服务应用需求,提出一种基于刚体运动与柔性振动相耦合的空间双臂机器人协同控制方法.首先引入空间位姿变量的概念,构造出面向协同控制目标的Jacobian矩阵,建立柔性空间机器人系统的刚柔耦合动力学模型,基于指定的最小距离得到其运动学逆解,并根据系统动量矩守恒关系及系统的Jacobian矩阵,并根据机械臂末端的运动速度,然后采用阻尼最小二乘法得出关节角度,使柔性空间机器人能够有效完成协同控制和空间避障任务,并基于RecurDyn V7R5软件环境验证算法的正确性.最后,基于SolidWorks和ADAMS虚拟样机建立柔性空间机器人系统的立体CAD模型,并结合空间在轨搬运任务进行模拟仿真,柔性空间机器人关节操作和运动轨迹的仿真结果图验证了本文算法的有效性.     

卫星光学遥感器光谱波段选择的影响因素

文章详细阐述了大气对太阳辐射在可见光 -近红外段的吸收作用和散射作用 ,并总结了可见光 -近红外波段常用的大气窗口及其透射率 ,最后 ,分析了可见光、近红外、短波红外的波段选择问题     

哨兵2卫星综合水质指标的河流水质遥感监测方法

上海市河流水污染监测是当前研究的热点问题。针对上海市河流水质监测的需求,提出了一种基于因子分析的河流综合水质遥感反演的方法。以欧洲航空局发射的哨兵-2A(Sentinel-2A)卫星搭载的多光谱成像仪获取的遥感影像,以及准同步获取的河流断面实测水质参数数据为例,研究对象为上海市青浦区和松江区部分河道。选取高锰酸盐指数、氨氮等5项主要水质参数为监测指标,在因子分析的基础上建立水质遥感反演的模型,得到综合水质指标用于确定水质类别。实验结果表明:综合水质指标值越小,内陆河流水质状况越良好,水体更清洁。该方法能够应用于内陆河流水质遥感监测,为水环境管理部门提供参考信息。     

模拟选通积分电路的温度特性对陀螺性能影响的实验研究

研究了模拟选通积分电路的温度特性对陀螺性能的影响。在数字闭环光纤陀螺工作原理的基础上,推导出陀螺输出与模拟选通积分电路中积分电容值的线性关系,进行了电路的温度性能试验,试验结果证实了理论推导,据此建立了线性模型并进行了补偿,补偿后陀螺零偏稳定性提高了75%。     

控制点/控制点对最优能量解析的图像配准

 针对遥感图像配准中匹配同名点少、配准精度低等问题,提出了一种基于控制点/控制点对最优能量解析的图像配准方法。在控制点提取中,通过多尺度曲波变换,实现不同尺度下图像质量的灰关联分析和噪声抑制,并根据灰关联能量值,自动调整尺度不变特征变换配准参数,提高匹配同名点数量;为保证控制点选择的均匀性和准确性,创建了控制点对能量模型,采用马尔科夫蒙特卡洛优化算法实现分布、匹配能量最优的控制点筛选,提高了图像配准精度。实验结果表明,本方法对遥感图像匹配同名点少、控制点分布不均匀、图像配准精度低等问题有很大改善,具有较高的应用价值。     

基于粗糙集特征选择的过拟合现象及应对策略

在粗糙集方法中,利用向前启发式算法进行特征选择,是一个逐步加入重要度最高的特征的过程,直至满足所给定的约束条件。但使用这一策略选择出来的特征子集有可能产生过拟合现象。鉴于此,设计了一种新的启发式算法,其主要思想是借助交叉验证的方法对特征的重要度进行计算,当过拟合出现时,则采用截断式机制终止算法。使用邻域粗糙集模型,在UCI数据集上将启发式算法与所提算法进行对比分析,实验结果表明:所提算法能够有效地降低过拟合的程度;利用所提算法得到的特征子集能够带来更好的分类性能。     

民用飞机性能选型指标体系研究

随着飞机事业的发展和现代科技的进步,系统化地规划好采购飞机的机型以及合理安排不同航线段适用机型飞行是相当必要的。分析国内外有关飞机性能选型指标参数研究的现状,从航线经济性、发动机匹配性、航线适应性、机场适应性四个角度出发,进行飞机性能选型的现状分析。基于飞机性能优劣度初步建立了飞机性能选型指标体系,以期为目前国内航空公司飞机选型提供可靠性能参考。     

液体火箭发动机公路运输响应分析与支撑方案优选

对发动机进行合理地支撑是防止液体火箭发动机在公路运输过程中出现损伤的重要措施。采用、通用有限元软件建立了发动机和支撑结构的三维有限元模型,通过动力学分析得到了系统的固有频率和振型及频域内的动力学响应特性。通过对支撑结构刚度和垫片阻尼进行优选,并添加辅助支撑结构,有效地降低了发动机加速度响应峰值。     

原型理论对中国大学生英语词汇学习的启示

词汇学习是我国大学生英语学习的重点以及难点,传统的机械性背记方法耗时多,收效少。就提高我国大学生英语词汇学习效率这一问题,从认知语言学的原型理论出发,为我国大学生学习词汇提供了更科学,更高效的学习方法。     

FAST FEATURE RANKING AND ITS APPLICATION TO FACE RECOGNITION

A fast feature ranking algorithm for classification in the presence of high dimensionahty and small sample size is proposed. The basic idea is that the important features force the data points of the same class to maintain their intrinsic neighbor relations, whereas neighboring points of different classes are no longer to stick to one an- other. Applying this assumption, an optimization problem weighting each feature is derived. The algorithm does not involve the dense matrix eigen-decomposition which can be computationally expensive in time. Extensive exper- iments are conducted to validate the significance of selected features using the Yale, Extended YaleB and PIE data- sets. The thorough evaluation shows that, using one-nearest neighbor classifier, the recognition rates using 100-- 500 leading features selected by the algorithm distinctively outperform those with features selected by the baseline feature selection algorithms, while using support vector machine features selected by the algorithm show less prominent improvement. Moreover, the experiments demonstrate that the proposed algorithm is particularly effi- cient for multi-class face recognition problem.