改进的粒子群神经网络在飞控中的应用

针对BP神经网络对初始值敏感、容易陷入局部寻优且收敛速度较慢,提出用粒子群对神经网络的参数进行优化,同时设计了衰减的指数函数对惯性权重进行动态调整以提高算法性能.并应用该算法对导弹飞控系统的逆误差进行补偿,仿真结果表明,该方法对逆误差进行了有效的补偿,避免了局部寻优并提高了学习效率.     

基于微惯导随机误差时间序列建模的改进组合导航方法

针对低精度、低成本微机电惯性测量单元随机误差建模效果不理想会极大影响组合导航性能的难题,采用时间序列分析方法建立了微机电惯性测量单元随机误差的自回归滑动平均模型,通过对卡尔曼滤波器的状态变量进行增广,建立系统动力学方程和观测方程,实现对零偏误差的在线估计。实测数据分析验证了该随机误差建模的有效性。实测数据处理结果表明,该方法能够显著提高低成本微惯性解算外推精度,增强微惯性/卫星组合导航可靠性。     

弹载星敏感器应用方案比较研究

简述了弹载星敏感器几种应用方案的原理,从视场大小、导航星等、观星方式、像元分辨率、三轴姿态精度、动态性能、惯性基准误差分离等方面分析、比较了各种方案的优缺点.除平台方案外,捷联星图方案和单(双)星方案的技术参数相当,动态性能均有待提高.星图方案较单(双)星方案在2个方面占优势:一是星图方案不要求调整星敏感器光轴对准导航星,星跟踪算法等技术能快速识别星图;二是星图方案可同时、连续观测6～8颗星,解算出弹体三轴姿态,可以采用先进的滤波技术准确地分离惯性基准误差.     

星敏感器试验系统及导弹姿态仿真建模研究

星敏感器试验系统一般由基于CMOS成像技术的星敏感器和其他相关设备和软件组成,可以对导弹飞行及星光修正进行仿真.根据星敏感器的定姿原理,结合已建立的星敏感器试验系统,研究了星敏感器试验系统导弹姿态的解算,分析了星敏感器所测姿态与惯性器件输出姿态的误差,为星敏感器进一步的应用打下基础.     

捷联惯性系统中 IMU 安装误差及陀螺漂移的估计

为减小IMU 安装误差及陀螺漂移对捷联惯性系统导航参数精度的影响,采用速度/姿态角组合匹配传递对准模型的误差方程和IMU的安装误差角方程结合的方法组成新的滤波器模型,并引入改进的BP神经网络算法,实现了IMU安装误差及陀螺漂移的快速有效估计.为对捷联惯性导系统的各项导航参数进行修正和补偿、提高导航精度提供了依据.     

中文分词与命名实体识别的联合学习

将卷积结构引入循环神经网络,从而构建卷积循环神经网络。以此为基础,研究构建了面向中文分词与实体识别联合学习的序列标注模型。该模型依托卷积循环神经网络构建特征编码层,实现中文字序列局部空间特征和长距离时序依赖特征的联合提取;依托改进的循环神经网络构建标签解码层,实现标签序列长距离时序依赖的有效建模;依托统一的分词与实体识别序列标注模式实现分词信息与实体信息的联合学习,避免传统流水线法的误差传播问题。在人民日报语料和微软标注语料上的实验结果显示,该框架较传统统计模型和神经网络模型有显著的性能提升,尤其是在识别字数较多的命名实体时,其效果明显优于其他方法。     

磁致伸缩作动器的位置跟踪补偿控制

为提高磁致伸缩作动器控制精度,以 Jiles-Atherton 磁滞和动力学模型为基础,通过优化偏执磁场和预紧力来提高作动器线性度,并基于前馈控制、PID 反馈控制及柔性神经网络理论,提出了前馈补偿 PID 及柔性神经网络前馈补偿 PID 控制策略。同时,以偏置正弦和阶跃为指令信号,研究作动器的位置跟踪和补偿控制。仿真表明：相比常规 PID 控制和前馈补偿 PID 控制,柔性神经网络前馈补偿 PID 控制具有更好的位置跟踪效果和抗干扰能力,具有无振荡、无超调、响应速度快的特点。     

三关节机器人的神经网络补偿自适应控制器设计

三关节机器人广泛用于工业生产、轮式或履带式排爆机器人,为了补偿由于机器人结构参数、作业环境干扰等不确定性因素造成的机器人动力学模型的不确定性,将机器人动力学模型分解为名义模型和误差模型两部分,其误差模型采用RBF神经网络进行补偿,得到其估计信息,神经网络的输出权值根据Lyapunov稳定性理论采用自适应算法进行调整。所设计的神经网络补偿自适应控制器解决了不确定性机器人动力学系统控制器设计的不确定性问题,同时,通过定义Lyapunov函数,证明了控制器能渐近、稳定地跟踪期望轨迹。机器人的3个关节在控制器的作用下,约在5 s时达到期望轨迹,神经网络约在5 s时逼近机器人动力学模型的误差模型,实验结果表明了机器人关节对期望轨迹具有良好的轨迹跟踪性能。     

弹载星敏感器动态测角补偿方法的研究

针对弹载星敏感器在测星过程中因弹体姿态变化带来的像移问题,提出了动态测角的补偿方法。首先,建立了星点相对图像传感器感光面匀速直线运动情况下的像元灰度分布的数学模型;其次,给出了测角补偿的原理及方法;最后,进行了仿真实验,结果表明,该补偿方法对星点在面阵图像传感器的感光面上的运动速度不敏感,补偿后的动态测角误差与静态的测角误差相差无几,补偿后的动态测角误差最大为2″。     

RBF神经网络在单轴旋转惯导系统轴向陀螺漂移辨识中的应用

在激光陀螺单轴旋转惯性导航系统中,单轴旋转可以自动补偿垂直于旋转轴上的惯性器件误差,却不能消除旋转轴方向上惯性器件的误差,因此单轴旋转惯性导航系统的导航精度主要由轴向陀螺漂移决定.提出了一种基于径向基函数神经网络的轴向陀螺漂移辨识方法,利用系统纬度误差和温度变化量作为训练集,针对系统热态、冷态两种情况对RBF神经网络进行训练,对轴向陀螺漂移的辨识精度达到0.0003°/h.试验结果表明:该方法能够有效地辨识轴向陀螺漂移,使系统达到较高的导航精度,满足实际应用的需要.     

利用循环网络的降落伞开伞载荷补偿方法

为了对降落伞充气展开过程中的开伞载荷进行更加准确的预测,提出一种基于循环神经网络的开伞载荷补偿计算方法,包括模型架构和数据处理方式。该方法将充气时间法计算的预测值代入循环网络进行二次计算,使最终结果能够更加贴近试验真值。使用多层前馈网络、标准循环网络与长短时记忆网络三种网络进行比较,验证了所提模型预测结果的适用性和准确性,研究了学习率、输入层维度和隐层维度等超参数对模型性能的影响,并给出了基于长短时记忆网络的补偿模型最优训练条件。实验结果表明,利用循环网络进行开伞载荷预测具有较好的拟合结果,为机器学习与降落伞工业的学科交叉研究提供了一定的参考方向。     

载体角运动对旋转式惯导系统旋转调制效果的影响

为了提高惯性导航系统长时间导航精度,采用旋转调制技术将惯性器件常值误差在导航系中调制成周期变化的信号,抑制系统误差发散.基于惯性测量单元误差模型,阐述了旋转调制技术的基本原理.理论分析了载体角运动对旋转调制效果的影响,推导了载体水平角运动下导航系中等效陀螺误差方程.进行了仿真和试验.理论分析、仿真和试验结果表明:载体水...     

三轴MEMS加速度计的最大似然校正算法

加速度计是惯性导航系统的重要测量元件,而由于制造工艺及各类传感器误差,低成本加速度计很难达到要求的精度,因此需要对其进行校正。提出一种基于最大似然估计的加速度计自校正算法。综合考虑加速度计零偏、比例误差、非正交误差、安装误差与测量噪声,建立了传感器误差模型。在此基础上,将加速度校正问题转化为校正参数的最大似然估计问题。通过数值仿真和实测试验验证,表明算法具有较高的参数估计精度,能够有效地对上述因素引起的误差进行校正。     

无人车用智能导航技术国际态势分析

根据无人车用智能导航技术相关的研究与综述论文、专利发表情况,对该专业技术领域进行总体分析。选取1990—2020年的数据,针对论文发表情况,主要对其发展趋势、国家/地区分布、机构分布、出版物分布、高被引论文、被引频次和研究主题进行深入分析;针对专利申请现状,主要对专利申请时间、国家/地区分布、专利权人、专利研发技术热点等进行深入分析。研究结果表明,在无人车用智能导航技术研究领域,美国和中国无论在论文还是专利的数量和质量方面,均处于世界前列。该技术领域的研究热点主要集中在导航系统、导航卫星、惯性技术、地球物理数据、自主车辆导航、自主车辆定位、激光雷达、位置数据、神经网络、目标跟踪算法、传感器、卷积神经网络、自动驾驶等方面。     

BP神经网络和D-S证据理论的目标识别

目标识别是指挥自动化系统的一个重要组成部分,针对现代战争对抗手段不断增强的特点,运用BP神经网络和D-S证据理论探索作战飞机机型的识别方法.前端采用3层BP神经网络结构,以传感器接收数据为输入,以神经网络输出作为证据,后端对不同传感器的证据按D-S理论进行融合,得到待识别目标的识别概率.经由MATLAB编程对国内外几种主要机型的识别进行仿真研究,与现行目标识别方法相比较,能够更快速、准确、可靠地识别飞机目标,较好地满足了空战中作战指挥系统对飞机机型识别的需求.     

一种新的针对模型误差所致滤波发散的补偿方法

系统模型误差是导致卡尔曼滤波发散的一个很重要的原因,分析了衰减记忆法和限定记忆法两种对模型误差所致滤波发散的补偿方法,通过引入阈值可以将这两种方法进行有机结合,给出了一种新的衰减限定记忆算法。算例分析验证了衰减限定记忆算法在抑制滤波发散方面具有比衰减记忆和限定记忆法更好的性能,并能自适应调整算法所需观测数据数目。     

基于神经网络信息融合技术的卫星定姿算法

姿态确定系统是卫星姿态控制系统中的重要组成部分,卫星姿态确定的精度直接影响卫星控制精度.为得到高姿态精度,针对由惯性测量单元(Inertial Measurement Unit),红外地平仪和太阳敏感器组成的卫星姿态确定系统,分别采用BP网络算法和径向基(RBF)网络算法对不同的姿态敏感器的输出数据进行融合,并用STK(Satellite Tool Kit)数据进行了仿真.仿真分析结果表明这两种学习算法均可以提高卫星定姿精度,相对而言,RBF网络无论是精度上还是收敛速度上均优于BP网络.     

战略导弹惯性/星光复合制导技术研究

以Kalman滤波为基础,研究了惯性/星光复合制导系统的原理和特点,并对系统进行了计算机仿真。通过将惯导系统和星敏感器所测得的战略导弹相关姿态信息进行数据融合,估计出复合制导系统的误差状态量,进而修正惯导系统的位置、速度和姿态角误差。仿真结果表明,采用惯性/星光复合制导可以有效地提高战略导弹的姿态精度。     

高精度惯测组合标定误差分析

惯性测量组合(IMU)标定误差分析对于惯性导航系统性能评估、误差分配和器件设备选型具有重要意义,但目前关于高精度IMU标定误差的定量讨论很少。借助四元数旋转矢量理论建立了转台轴正交度误差和转角控制误差模型,结合IMU测量误差的表示,定量分析了一种典型多位置标定编排方式下的标定误差。仿真结果和捷联惯性导航系统的试验结果证实了标定误差分析的正确性。     

基于递归神经网络的飞机目标识别方法

针对宽带高距离分辨全极化雷达体制,提出了一种基于实时递归神经网络算法的飞机目标自动识别方法,实现了全极化下五类飞机目标的自动识别。实验结果表明,递归神经网络用于飞机目标识别是有效可行的。