基于SINS/GPS组合导航的AUV半实物仿真系统设计(英文)

为了满足水下航行远航程和长时间的要求,远航程自主水下航行器(AUV)采用的是以SINS导航为主、卫星导航定期修正的方式,以提高导航的精度和可靠性.设计一种采用GPS卫星定位导航模拟器、GPS接收机、惯性测量器件(IMU)和实时仿真计算机构成的采用SINS/GPS组合导航方式的AUV导航半实物仿真系统,并对该系统的硬件接口设计、算法和软件开发进行了论述.所开发的系统通过外部的线运动补偿实现了惯性导航系统的完整计算,通过时间同步策略解决了各导航子系统的并行同步问题.部分仿真试验的结果表明,所设计的半实物仿真系统方案可行,可用于更高置信度的AUV组合导航仿真实验.     

一种BP神经网络算法的改进模型

首先对BP网络的结构和算法进行了分析,针对BP网络收敛速度慢,容易陷入局部极小等问题,提出了一种改进的BP网络模型,并对该模型算法进行了改进,通过激活函数的选择,网络的初始化,学习率的调整和训练样本数据的处理等方法,可实现加快网络的收敛速度,并且较好的解决局部最优问题.     

运动目标轨迹分类与识别

运动目标轨迹识别是运动分析中的基本问题,其目的是解释所监视场景中发生的事件,对所监视场景中运动目标轨迹的行为模式进行分析与识别,智能地做出自动分类.对轨迹有效性判断后采用K均值聚类,引入改进的隐马尔可夫模型算法,针对轨迹的复杂程度对各个轨迹模式类建立相应的隐马尔可夫模型,利用训练样本训练模型得到可靠的模型参数,计算测试样本对于各个模型的最大似然概率,选取最大概率值对应的轨迹模式类作为轨迹识别的结果,对两种场景中聚类后的轨迹进行训练与识别,平均识别率较高,实验结果表明该方法是有效的.     

基于免疫粒子群算法的自抗扰飞行控制器设计

提出了一种基于免疫粒子群优化算法的自抗扰大包线飞行控制器设计方法.针对传统的增益调参设计方法存在的工作量巨大与设计效率低的问题,利用自抗扰控制器进行大包线飞行控制器设计,并推导了适用于该方法的飞机非线性方程.由于自抗扰控制能够动态补偿对象模型的内扰和外扰,因此在很大的飞行区域内仅需一套控制器便可,从而避免了烦琐复杂的增益调参设计过程,并用免疫粒子群优化算法对自抗扰控制器参数进行了优化研究.仿真结果表明,所设计的自抗扰控制器具有优良的控制性能,并且控制器参数在较大的包线范围内不需要改变,从而简化了大包线飞行控制器设计.     

卫星活动部件的干扰辨识与抑制

采用干扰辨识的方法实现带活动部件三轴稳定卫星的高精度姿态控制问题.首先以扫描镜为例进行,分析扫描镜运动对卫星产生的等效干扰力矩;然后根据卫星控制系统的稳态输出数据,采用特征系统实现算法对扫描运动产生的干扰频率进行闭环辨识;最后在所辨识干扰频率的基础上,采用偶极子干扰抑制滤波器消除扫描镜运动干扰对卫星姿态的影响.仿真结果表明,所提出的方法能有效地克服活动部件运动产生的未知干扰对卫星姿态稳定度的影响,提高在轨运行卫星的姿态控制精度.     

HLA和视景仿真技术的装甲车辆乘员协同训练系统

简单介绍了HLA/RTI的特点和功能,讨论了利用MultiGen Creator 和 Vega Prime建立三维模型时用到的关键技术,以及部分特效的实现技巧.并详细说明了分布式协同训练系统下的时间管理和数据分发管理的实现策略.给出了基于HLA/RTI和三维视景仿真技术下分布式协同训练系统的实现方法.     

模糊时滞系统控制器依赖于状态时滞的H∞控制

针对一类非线性时滞系统,研究了该系统基于T—S模糊模型的H∞控制器设计问题。采用线性矩阵不等式LMI的方法,设计一个依赖于状态时滞的模糊控制器,得到了系统存在模糊控制器的充分条件,此充分条件等价于一类线性矩阵不等式的可解性,最后通过仿真说明了控制器的有效性。     

发变电所传导干扰分析与抑制措施的研究

通过对发变电所由开关操作在二次系统和低压交流电源系统传导测量结果的分析,确定变电站低压交流电源中传导干扰的特征,利用安捷伦（Agilent）矢量网络分析仪,研究几种典型电源滤波器的插入损耗和特性阻抗等频率特性,应用夏弗纳（Schaffner）等系列抗扰度试验设备,研究电源滤波器对电快速瞬变脉冲群和衰减振荡波的滤波和抑制效果,给出了变电站电源滤波器的滤波特性要求。     

基于模糊事件的入侵检测模型

对模糊入侵事件进行了描述,分析了模糊入侵事件间的相似性,提出了基于模糊ECA规则的入侵检测知识表示方法,并阐述了模糊ECA规则的分析过程,以解决入侵行为的不确定性。     

用声发射信号和改进的BP神经网络预测磨削表面粗糙度

针对磨削表面粗糙度传统BP（Back Propagation）神经网络模型在线预测时存在预测精度低、误差大等问题,以磨削声发射信号的RMS值、FFT值、标准差、方差和偏斜度5参量为输入单元,建立了三层BP神经网络来预测磨削表面粗糙度,并应用附加动量法和自适应学习速率法对其进行了改进。通过仿真优化了隐层单元数,利用模型对磨削加工10个频段的声发射信号样本进行优选,确定将300400kHz的声发射（Acoustic Emission,AE）信号作为表面粗糙度预测模型学习样本频段。实验结果显示：改进后的BP预测模型与传统BP模型相比,具有收敛速度快、预测精度高的特点,相对误差可控制在8.66%以内。