集中质量矩阵特征值分析误差的估计与修正

在对结构尤其是非离散结构进行动力分析时，可以采用集中质量矩阵，但是，这将对特征值的计算造成一定的误差，本利用矩阵摄动理论对这一误差进行了估计和修正，这一方法可以避免计算一致致质量矩阵的特征值问题。     

基于双目立体视觉的月球车三维定位算法

为了满足月球车自主导航的需要,提出了1种基于双目立体视觉的月球车三维定位算法。建立了基于双目立体视觉的月球车三维定位系统框架图,并对框架中主要模块进行了分析;研究了图像预处理、特征点提取、特征点的立体匹配、三维重建和特征点的跟踪匹配算法等图像处理环节,以获得月球车运动前后相匹配的环境特征点,并提出了1种鲁棒的月球车位姿变化估计算法。通过实际场地试验验证了算法的有效性。     

基于自适应卡尔曼算法的重型半挂车状态估计研究

在建立三轴重型半挂车简化动力学模型的基础上,提出了用于估计重型半挂车运动状态的自适应卡尔曼滤波估计算法。利用动力学软件Trucksim对该估计算法进行了验证,验证结果表明,所提出的自适应卡尔曼滤波算法能够在车速为30 km/h与60 km/h的两种扫频工况下,准确估计重型半挂车横摆角速度和铰接角,为重型半挂车的稳定性控制奠定了基础。     

捷联惯性姿态测量系统的扩展遗忘因子递推最小二乘算法研究

在实际大型动态测量船动态变形测量应用中准确确定捷联惯性姿态测量系统噪声模型和相关性比较困难,采用常规卡尔曼滤波(KF)会导致较大的状态估计误差,甚至使滤波器发散.针对这一问题,在分析扩展遗忘因子递推最小二乘(EFRLS)算法的稳定性基础上将EFRLS估计误差与带系统相关噪声的卡尔曼滤波器估计误差进行了比较,并针对大型测量船动态环境采用EFRLS算法对变形参数进行了估计,仿真结果验证了EFRLS算法在噪声信息未知情况下的有效性.     

基于神经网络的MUSIC计算方法

MUSIC方法是空间谱估计中经典的子空间方法,这类算法有个共同特点就是要对输出数据的协方差矩阵进行数学分解,其计算量较大,不适合实时处理。因此,文章提出了基于神经网络的高效迭代方法,不需进行数学分解,计算过程相对简单。仿真结果证明了该方法的有效性。     

DRM同步与均衡技术研究

DRM（Digital Radio Mondiale）是世界上唯一非专利的数字广播系统,它为30MHz以下频段的长波、中波、短波广播提供了数字化的标准。同步算法和信道估计作为其关键技术对系统性能有着十分重要的影响,文章提出了适用于DRM系统的符号同步算法、整数倍载波频偏估计算法、小数倍载波频偏估计算法以及时频域联合信道估计和均衡算法,并对这些算法进行了仿真分析。     

基于冗余信息融合的车辆质心侧偏角估计方法

车辆质心侧偏角是表征车辆横向稳定性的重要参数之一,相关的估计方法研究可为整车稳定控制提供重要支撑.为提高车辆质心侧偏角估计效果,提出了一种基于冗余信息融合的质心侧偏角估计方法.分别建立了车辆动力学模型和运动学模型,利用容积卡尔曼滤波算法分别设计了用于车辆行驶状态估计的动力学模型估计器和运动学模型估计器,同时,分析了动力...     

基于改进容量增量分析法的锂电池可用容量估计

针对动力锂电池在使用过程中难以高效准确估计其衰退后可用容量的问题,提出一种不依赖滤波算法的容量增量分析法获取不同型号电池的容量衰退特征,并基于数据驱动的方法搭建可用容量估计模型。首先,分别分析低通滤波与小波滤波在获取容量增量曲线中存在的问题,并对比差分电压值在1、10、20、50 mV时容量增量曲线的形态。其次,采用移动方差算法对不同电压差分值下容量增量曲线的波动性做出评价,确定出峰值特性明显且平滑的容量增量曲线。提取曲线的峰值作为动力锂电池的老化特征,运用斯皮尔曼相关性系数验证老化特征与电池老化状态之间的相关性。然后,引入门控循环单元建立锂电池的可用容量估计模型。最后,将不同老化测试条件下的2类电池老化数据集用于模型验证。研究结果表明:所建立的估计模型能够有效估算锂电池全寿命循环内的可用容量值,2组数据集中测试结果的相对误差除个别值外,多数相对误差值在2%以内;数据组1中,分别选取电池1和电池3测试数据的前50%为训练数据,后50%为测试数据,训练结果绝对误差稳定在0.05 A·h左右,测试结果绝对误差在0.04 A·h左右;对电池2与电池3的全寿命循环可用容量做出估计,结果相对误差稳定在2%左右;数据组2中对电池5、电池6和电池7的全寿命循环可用容量估计结果的相对误差整体亦在2%以内;且模型能够对锂电池循环过程中出现容量再生现象的循环做出4%以内的准确估计,显示出良好的估算精度和泛化能力。     

交汇水域船舶轨迹预测与航行意图识别

针对典型水上交通场景交汇水域，研究了1种数据驱动的船舶轨迹预测与航行意图识别方法。设计CNN+LSTM组合神经网络，通过学习交汇水域船舶的历史轨迹，以CNN+LSTM网络为编码器提取其通航环境及船舶航行时空特征，LSTM与全连接层为解码器同步输出未来时段内船舶轨迹序列和航路选择，从而形成船舶轨迹与航行意图识别模型。同时，引入Dropout网络结构描述该模型的预测不确定性，采用随机关闭CNN+ LSTM核心网络部分神经单元的方式，以相同轨迹序列作为输入获取多组相近的预测结果，根据其统计均值与方差对船舶轨迹预测的不确定性进行量化。以美国沿海某交汇水域公开AIS数据为对象开展实验，创建了该交汇水域船舶航行轨迹数据集，以输入时长60 min，采样频率3 min作为输入条件，Dropout值取0.5，实验结果表明:所提方法对未来60 min时段内的轨迹预测误差为3.946 n mile，航行意图识别准确率达87%，不确定性估计覆盖率达85.7%。与LSTM预测方法相比，当船舶操纵性发生改变时，所提CNN+LSTM模型的轨迹预测误差降低了31.6%，而且兼具船舶航行意图识别及预测不确定性估计能力，有利于智能航行与海事监管技术发展。