舰船遥感图像非线性畸变自适应校正研究

针对摄像机成像模型受非线性映射导致所获取舰船遥感图像存在的非线性畸变,根据Tsai畸变模型和Brown畸变模型构建改进处理的非线性畸变模型,通过实验场校验法解算非线性畸变模型的校正参数,实现目标坐标的校正处理,采用双线性内差值法对原始舰船遥感图像作重采样处理,获取畸变校正后的舰船遥感图像。实验结果表明：该方法可实现舰船遥感图像的非线性畸变校正,校正后畸变误差均值、畸变百分比较小。     

基于采样数字法和自功率谱幅值校正的相位差测量方法

本文提出一种测量同频率正弦信号相位差的新方法：采样数字和自功率谱幅值校正相位差测量法,和一些传统的方法相比,此方法没有理论上的误差,具有硬件电路简单,算法简单,计算量小的特点,给出了理论分析和实际的仿真结果,结果计算表明,本算法的精度可达到2．0分,完全满足工程应用的需要。     

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping, SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。     

一种基于机器视觉和Kalman滤波的水下电缆定位方法

为了有效检测水下电缆,利用机器视觉技术处理采集的水下电缆图像,根据水下系统坐标模型和相机内参数获取电缆相对位置信息,通过Kalman定位融合算法减小航迹推算后产生的偏差值以达到修正水下机器人(ROV)跟踪路径的目的。实验表明,所提方法适用于成像质量较低的水下检测环境,可识别弯曲度较小的水下电缆轨迹并进行准确定位,检测成本低且易于实现,为水下电缆巡检工作提供技术支持。     

基于可靠性的电动汽车车身骨架设计分析

结合采样方法理论,分析蒙特卡洛法、超拉丁法及Hammersly采样法的特点。在Hyperstudy平台上耦合多性能工况共有随机设计变量,完成了其实验设计分析,基于Hammersly采样法,计算车身静态扭转刚度及自由模态2种工况的可靠度,分析了骨架的可靠性及置信度为90%以上的车身性能响应指标。     

基于入侵野草优化算法的粒子滤波算法

入侵野草优化(IWO)算法是近年来提出的一种简单、有效的基于种群的新颖数值优化算法,在许多领域得到成功运用。将IWO算法与粒子滤波(PF)算法相结合,提出一种基于IWO算法的粒子滤波算法(IWOPF)。该算法将IWO算法运用于粒子滤波的重采样中,以保证粒子的有效性和多样性。最后通过计算仿真验证该算法的有效性和优越性。     

基于稀疏采样数据的电动公交车电池SOC预测方法研究

为提高电动公交车电池SOC预测的精度,基于某电池监控云平台电池数据库中存储的以30 s为采样周期的稀疏采样的电池运行数据,对电动公交车电池SOC预测方法进行了研究。首先,介绍了稀疏采样数据源,分析了电动公交车动力电池的运行过程及其SOC变化的影响因素。选取了当前电池组的总电压、电流、电池模组温度均值及前一时刻SOC值作为预测变量,而选择当前电池组SOC作为输出变量,构建了训练数据集与测试数据集。然后,采用支持向量机(SVM)算法进行训练,并使用贝叶斯优化算法寻找SVM的最优超参数组合,提出了基于稀疏采样数据的电动公交车电池SOC单步预测方法。接着通过对训练数据集的再划分,进一步提出了基于稀疏采样数据的电动公交车SOC自主预测方法,摆脱了在SOC长期预测过程中对于BMS估计的真实SOC值的依赖。试验结果表明,SOC单步预测方法的最大绝对误差仅为1.82%,SOC自主预测方法的最大绝对误差也只有5.89%,都具有较高的预测精度。根据在不同运行路线和不同环境温度下的试验结果,SOC预测模型具有较高的鲁棒性。     

基于重要性重采样粒子滤波器的机动目标跟踪方法

采用重要性重采样技术改进了标准粒子滤波算法,通过设定有效采样尺度来减少权值较小的粒子数目,在一定程度上克服了退化现象。仿真结果表明,采用PF跟踪机动目标,其跟踪精度要高于IMM,说明PF具有较强的处理非线性系统的能力;对标准PF采用重要性重采样策略后,PF的跟踪精度和平稳性都得到了进一步改善。