可变速率调制器研究及其FPGA实现

提出了一种变速率调制系统的设计方法。基于现场可编程门阵列(FPGA),在硬件系统中实现了新方法。所设计的系统能够处理(13.5~300)Mbps连续变化的比特速率。通过将整个可变速率范围分成若干小段,分别经过不同倍数的采样滤波,保证了所有符号速率对应的数据能够被调制到数模转换芯片(DAC)处理范围内。给出了系统整体设计结构,分析了硬件实现时的难点,论述了并行采样滤波与并行载波生成等设计方法。硬件实现结果表明,所提出的设计方法能够实现对较宽范围内连续可变速率信号的调制。系统的易扩展性也保证了所设计结构能够处理更宽的变速率范围。     

利用星间伪距观测进行编队星座相对状态测量

以三星编队星座为例 ,讨论利用高精度的星间伪距观测进行星间相对位置、姿态和时间参数确定的一些问题 ,包括 :坐标系、独立参数的选取和观测方程的建立 ,星座状态的转换 ,天线的安装和指向等 ,并针对一个对地观测的星座进行了仿真和分析     

含运动副间隙舵机执行机构的动态特性研究

为了研究运动副间隙对空间4R机构动态特性的影响,间隙处的接触碰撞模型和摩擦的建立分别采用非线性弹簧阻尼模型和修正的库伦摩擦模型。在Solidworks中建立空间4R机构模型,导入ADAMS中进行动力学仿真分析。对比含间隙和不含间隙时系统动力学仿真结果的异同,分析间隙大小和最佳间隙量对空间4R机构动态特性的影响,为机构的设计提供了重要的参考依据,有利于工程实际应用。     

某型弹射模拟器弹射轨迹仿真

在弹射模拟器训练中,飞行座椅弹射轨迹仿真是判断弹射成功与否和重要、直观的依据.基于座椅弹射过程的物理特性,分阶段建立了座椅和降落伞的飞行物理模型,分析和计算了座椅弹射过程中的座椅和降落伞的各种运动参数,从第三方观察的角度对座椅和降落伞的运动轨迹进行了仿真可视化,为评估弹射结果提供了直观、形象的评价方法.     

基于MHMM-SVM混合模型的雷达发射机性能退化状态监测

雷达发射机结构复杂,早期性能退化状态呈现多样化。为此,给出了一种MHMM-SVM故障诊断模型。该模型首先通过小波分析来提取观测信号的特征向量,然后从提取的特征向量中提取部分作为样本完成模型训练并生成发射机各种退化状态的分类器,最后给出诊断结果。仿真验证结果表明:MHMM-SVM故障诊断模型对电子装备早期故障的识别率明显优于MHMM、SVM单一模型。     

基于新型滑模面的机械臂快速轨迹跟踪滑模变结构控制

从滑模变结构控制的趋近运动和滑模运动两个阶段人手,分别对影响其性能的滑模面和趋近律进行了设计．首先,基于线性滑模面和终端滑模面,设计了一种具有较快收敛速度的新型非线性滑模面,以缩短系统在滑模运动阶段的运动时间．同时,根据幂次趋近律提出了一种改进的趋近律设计方法,保证了其趋近运动的速度,并减弱了传统滑模变结构控制所固有的抖振．最后,将该方法用于机械臂的滑模轨迹跟踪控制策略设计,仿真结果表明,该策略保证了机械臂对期望轨迹的快速跟踪,具有较强的鲁棒性,并且验证了控制策略的有效性．     

星载InSAR均匀相位构形的空间基线稳定性

星载InSAR(干涉式合成孔径雷达)在对地观测任务中具有广泛的应用,其空间基线随卫星编队平台的运动而变化。本文基于卫星编队的构形原理,定义了星载InSAR均匀相位构形。根据干涉测量原理定义了相关基线及其稳定度,研究了不同均匀相位构形下星载InSAR的基线稳定性。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

大椭圆轨道航天器四面体编队运动分析与设计

若干正处于计划或实施中的空间物理测量任务较多采用运行于大椭圆轨道上的四面体航天器编队协同完成任务轨道段内地球磁层结构和动力学现象的分布式测量与分析。采用基于轨道根数的相对运动模型,分析了参考轨道根数对四面体性能指标——质量因子和平均边长的影响;假设某一航天器运行于参考轨道,提出了以其他三个航天器的15个相对轨道根数为设计变量,目标函数兼顾质量因子和平均边长的四面体优化设计方案,并将其应用于第一阶段MMS任务的四面体构形设计中。仿真结果表明,在不考虑摄动和控制的前提下,通过优化可以得到任务轨道段内四面体性能保持较优的轨道设计方案。     

基于深度学习及UKF的机器人SLAM

针对室内机器人定位中精度不高、稳定性差的问题,提出融合深度学习和无迹卡尔曼滤波(Unscented Kalman Filter,UKF)的机器人同时定位与地图构建方法(Simultaneous Localization and Mapping,SLAM)。首先利用深度相机获取彩色图和深度图,再利用单发多框探测器(Single Shot MultiBox Detector,SSD)进行路标检测,获取路标坐标,最后将路标信息加入到UKF-SLAM中。实验结果表明,该方法提高了SLAM的精度,可用于室内机器人同时定位与地图构建。