基于扩展卡尔曼滤波的潜艇垂直面运动参数估计

潜艇水下航行环境复杂,现有测试技术无法对潜浮速率和纵倾角速度进行精确测量,论文中以潜艇垂直面非线性运动方程为基础,利用扩展卡尔曼滤波原理,得到潜艇垂直面参数的实时估计方法.仿真结果表明,该方法估计的潜浮速率、纵倾角速度有很高的精度.     

基于BP网络与D-S证据理论的态势估计问题研究

针对D-S证据理论应用于态势估计过程中,基本概率赋值函数难以确定的问题,提出一种基于神经网络获取基本概率赋值函数再进行证据组合的方法.首先,在传感器探测和0级处理、1级处理的基础上,将各时刻传感器所探测目标的状态、属性、类别、事件等提取出来;然后,经过预处理后利用BP神经网络进行敌目标意图分类识别;最后,将神经网络的输出作为基本概率赋值,采用D-S证据理论来完成决策级融合,实现对海战场的战术态势估计.通过算例仿真,结果表明该方法是一种有效可行的态势估计方法.     

基于UKF联邦滤波的动力定位船舶运动状态估计

针对动力定位船舶,采用基于无迹卡尔曼滤波(UKF)的联邦滤波技术,利用多种位置参考系统和电罗经的测量值来实现对船舶运动状态的估计。从传感器测量原理出发,采用非线性的测量方程,实现对多种位置参考系统传感器特征的描述,利用UKF滤波方法和联邦滤波结构将动力定位船舶配备的多个冗余位置参考系统的测量数据进行有效融合,从而提高对船舶运动状态估计的精度和可靠性。仿真结果表明,采用基于UKF的联邦滤波方法可以有效实现对动力定位船舶相关运动状态的估计。     

基于ABAQUS的板桩码头地震动力响应研究*

基于ABAQUS软件的隐式模块和有限元-无限元方法对单锚板桩码头进行了地震动响应研究。研究发现,在相同地震波不同加速度峰值情况下,峰值加速度对板桩码头的板桩弯矩、剪力和拉杆拉力有重要影响,与静力分析时的情况相比较,地震加速度峰值每增大0.1g,板桩最大弯矩相应增大约40%,拉杆拉力增大约10%~50%,但拉杆拉力增幅在后期逐渐趋于稳定;地震作用下,拉杆最大拉力与板桩墙最大剪力(单宽)基本相等;地震加速度峰值对板桩墙底与锚碇之间塑性区开展范围也有一定的影响。结果表明,与静载相比,地震对板桩码头的影响不容忽视。研究结果可为板桩码头考虑地震影响的设计提供参考。     

一种改进的粒子滤波算法

为提高非线性滤波的性能,提出一种改进的粒子滤波算法(MUPF),该算法将新构造的辅助模型和无迹卡尔曼滤波(UKF)相结合产生新的建议分布函数。与传统的无迹粒子滤波(UPF)相比,该算法充分利用了新的测量信息。在非高斯条件下与其他滤波器进行了仿真对比,分析了跟踪性能和均方根误差。仿真结果表明,MUPF不仅具有很高的跟踪精度,而且用很少的粒子就可以达到更好的滤波性能。     

基于贝叶斯网络的编队对潜威胁估计方法

应用贝叶斯网络模型进行威胁估计是当前研究的热点和难点。提出了应用分层贝叶斯网络模型构建威胁估计网络,用于估计反潜编队对潜威胁等级。首先,对分层贝叶斯网络模型进行简要的阐述,并对利用该模型进行威胁估计的可行性进行分析;其次,分析反潜编队对潜威胁产生的原因和机理,在此基础上,构建威胁估计网络;最后,以框架理论为基础,对构建替换模块知识库的方法进行探讨,为实现动态构建威胁估计网络提供一种可行的解决方案。     

灰色建模中数据缺失值处理方法探讨

为解决在利用灰色理论建模中,出现的数据缺失问题,本文提出综合利用SPSS软件的缺失值处理模块和稳健估计模块,针对数据的缺失机制进行处理的方法。使用该方法对缺失数据进行处理,以保证模型能够正常进行数据拟合。本文还利用了SPSS软件对某一实例中的缺失值进行了估计,并对缺失值填充后的结果进行了评价。     

形形色色的“黑匣子”

一、飞机"黑匣子"它又名飞机事故记录器,主要性能是记录飞机的飞行状态及空中、空地通话情况。它由两部分组成:一个叫事故记录器,记录飞机的高度、速度、倾角和加速度等,安装在飞机的尾部;另一个叫语音记录器,记录机舱里的谈话、无线对话和警铃声等各种音响,装在飞机头部的驾驶舱内。它的最大特点是防水、耐压、抗摔打     

一种基于最小二乘法分段拟合的列车加速度在线估计算法

在列车自动驾驶控车过程中,加速度是一个重要的反馈量和控制量,它能够反应列车的运动状态和平稳性,在重载列车平稳操纵控制中尤为重要.文章提出一种准确、快速、计算量小的加速度在线估计算法,该方法适合计算能力有限的嵌入式平台,能够有效应用于实际工程项目.该算法首先使用中值平均滤波算法处理速度传感器采集的数据;然后采用改进型最小...     

摩托车前减震器空气力的拟合及特性分析(2)

<正>(上接2014年第5期)使用matl ab的多项式拟合函数polyfit,能够方便的拟合出多项式系数,其指令为:[p,s]=polyfit(V_(dissi),i,n),其中s为预测值的误差估计,n为拟合次数。通过对验验数据进行拟合发现,使用4次拟合就可以得到很高的精度,其中误差估计s=1.26,拟合曲线如图6所示。