一种传感器网格自协同作战模型*

传统的协同技术不能满足传感器网格复杂的协同应用在动态性、实时性以及分布决策的强协同等方面的需求。为此,建立了一种自协同技术,给出了自协同作战虚拟组织(ACBVO)的参量化描述,提出了传感器网格自协同作战模型(SGACBM),描述了协同成员的信息结构和功能结构。使用SGACBM,ACBVO能在执行任务过程中,不断监测协同工作的质量,并根据协同质量动态切换协同机制。SGACBM能改善传感器网格的协同质量,加速作战进程,实现传感器网格自协同作战。     

基于WSID网络的装备管理系统设计与实现

针对野外驻训或战场上的装备管理不便问题,文中设计并实现了一种基于WSID(Wireless SensorIDentification)网络的装备管理系统,该系统利用融合了RFID技术的无线传感器网络,在任何时间任何地点快速部署多个传感器节点,迅速地建立起装备临时管理系统,灵活、便捷和有效。实验结果表明,该系统能够通过WSID网络对出入库配备ID标签的装备实行有效的管理。     

具有多传感器信息融合功能的无人机仿真系统

随着无人机系统的发展,信息融合技术成为提高其机载传感器信息处理能力的有效手段.介绍了一种具有多传感器信息融合功能的无人机仿真系统的设计与实现.该系统采用全数字方法模拟了无人机仿真系统的内容和功能.详细讨论了仿真系统的功能模型和结构模型,对各仿真子系统和软件实现思路进行了介绍.该系统可用于无人机仿真系统中.     

自适应航迹融合算法及其仿真

在简单融合算法和协方差加权融合算法的基础上给出一种自适应航迹融合算法,并对这一算法进行了仿真.首先根据已关联的多个传感器的航迹状态估计计算得到第一个距离测度S1,并与门限T1比较.若S1小于门限T1则融合节点将选择本地航迹估计作为全局航迹估计;否则计算距离测度S2.这里S2也是局部航迹状态估计的函数.若S2小于门限T2则判决融合节点执行简单融合算法;否则判决融合节点执行协方差加权航迹融合算法.这里门限值T1,和T2代表了系统对融合航迹质量的要求以及系统可用资源对融合算法的综合影响.仿真结果表明自适应融合算法能够根据融合系统不同时刻对融合质量的不同要求以及系统资源的变化来自适应地选择满足要求的融合算法,从而降低航迹融合算法的计算复杂度.     

车载仪表信息化改造设计

通过对车载原有仪表传感器信息的提取,把原有仪表融入整车的信息化管理体系中,在有效节约设计成本的情况下,实现整车重要参数信息的实时监控,为乘员准确了解全车各项重要参数信息、及时进行决策提供了可靠的数据支持。     

多平台多传感器数据融合中的时间一致

解决多平台多传感器系统数据融合中传感器误差配准问题,首先要实现各传感器的时间一致,将关于同一目标的各传感器不同步的量测信息同步到同一基准时标下.将时间误差分为确定性和不确定性两种,分析了引起多传感器时间误差的原因,提出一种基于Kalman滤波的时间对准算法,有效解决了一定范围内不确定传输延迟引起的时间不一致问题.     

多传感器任务分派的快速启发式规划新算法

在多目标多传感器管理中经常采用的线性规划算法中,随着传感器个数和目标个数的增加,计算量会爆炸式增长,使得跟踪系统不能实时计算,为此,根据传感器管理中线性规划的特点,提出了一种快速启发式算法,考虑组合中的传感器个数将组合的分配效用转化为权重,递推分配权重最大的组合,逐步减小组合和目标的个数.证明了权重最大的组合分派能实现组合中的传感器的最大效用.仿真结果表明该算法在与采用线性规划方法的跟踪精度相当的情况下,能有效地减小计算量.     

无线传感器网络在海防工程结构健康监测中的应用

海防工程是海军赢得非接触、非对称作战胜利和保存作战潜力的重要硬件基础,将关系到海军作战装备战斗力的发挥,直接影响作战的进程与结局。因此,海防工程结构健康监测系统正成为军内学术界和工程界的研究热点。无线传感器网络由于安装方便、维护成本低和部署灵活等特点,已被广泛应用于各类工程结构健康监测系统中。本文阐述了基于无线传感器网络的海防工程结构健康监测系统提出的背景、基本概念和构成体系,通过模拟部署舰艇洞库结构健康监测系统,协作地实时感知和采集洞库结构信息及环境数据,从而实现海防工程、信息网络和后勤管理的无缝衔接,形成一体化保障能力。     

视觉惯性SLAM研究进展

近年来视觉惯性SLAM是机器人及计算机视觉领域中的研究热点问题,在无人驾驶、增强现实、三维重建等领域有着广泛的应用.简述了视觉惯性SLAM的关键技术,并从统一的贝叶斯框架出发介绍了后端的两种形式——滤波和优化.对几个代表性视觉惯性SLAM系统进行深入对比分析,讨论了近年研究热点与发展趋势,并做出总结与展望.     

基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了"智能-校正"算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令...