简介:针对当前行人运动特征监测方案中存在运动信息种类单一、特征提取不完善、识别算法复杂且需要依赖专业检测设备等问题,提出基于智能移动端内置惯性传感器的行人运动特征自动辨识方案,为运动特征识别提供准确多样的运动信息。采集移动端MEMS加速度计输出信息后,分别提取加速度数据的三种时域及频域特征后,通过训练最邻近规则分类器实现行人行走、跑步和上下楼梯运动模式的自动识别。不同年龄不同身高的男女性运动特征提取实验结果表明,基于最邻近规则的移动端行人运动特征辨识方法对4种日常活动的平均查准率和查全率分别达到88.7%和90.3%,对提高微惯性行人导航系统普适性具有促进作用。
简介:文章详细讨论了两类非对称涡流动诱发的模型摇滚运动.第1类是针对旋成体机身组合体模型,其摇滚运动是由前体非对称涡流动诱发的,运功形态呈现不确定性,由模型头尖部的扰动触发形成.文章提出了快速旋转头尖部扰动的控制技术,以抑制该类模型的大攻角摇滚运动.第2类是针对非常规机身的组合体模型,其摇滚运动的主控流动是非常规机身和机翼的前缘分离涡流动,这些流动是由组合体模型的边界条件确定的,从而运动形态具有很好的确定性.所以,这类模型的自由摇滚运动必须通过改变边界条件来改变诱发摇滚运动的流动,以达到抑制模型自由摇滚运动的目的.最后,文章还讨论了这类运动是由非对称的机翼涡涡强主控的.
简介:从模式识别的角度分析了搜索模式下水下运载体的重力匹配问题,利用模式识别神经网络实现重力匹配定位。在重力图匹配时,以惯性导航仪指示位置为中心规划真实位置的网格点搜索范围,从参考重力图上提取相应一系列的重力数据,与对应网格点的位置一起定义成多个模式类,构造相应的模式识别概率神经网络,运用该神经网络将实时重力测量数据识别到某个模式类,对比模式类的定义确定载体位置。在实测重力图上对重力辅助惯性导航系统进行了计算机仿真研究。结果表明,在重力场特征显著区域该重力匹配算法能够有效减小厄特弗斯效应的影响,其导航系统定位误差小于一个重力图网格,匹配率在80%以上,匹配效果优于一般的相关匹配算法。
简介:移动机器人的目标检测要求其对特定的静止或运动物体进行运动分析及检测。以Voyager-III移动机器人系统为研究对象,实现非理想光照下,对橘红色目标足球的运动检测。提出在传统三帧差分法基础上,先利用Markowitz投资组合模型进行足球目标的特征提取,将场地非感兴趣的目标中,出现全部像素值发生变化的目标去除,再进行图像帧间差分。利用CCD摄像机对比赛环境中足球的运动轨迹进行录制,选取具有代表性的各帧视频图像、Markowitz算法优化后的差分图像和跟踪图像,结果表明跟踪图像不含非目标物的干扰,克服了差分图像存在空洞的问题,为移动机器人提供了一种实用的运动目标检测方法。
简介:为了提高潜器导航定位精度,针对等值线算法在惯导系统初始误差较大时易发散的问题,提出基于概率神经网络调优的等值线改进方法。首先,在搜索区域内,利用概率神经网络算法对惯导系统航迹进行调优,并经过卡尔曼滤波器与惯导系统航迹进行信息融合形成待匹配航迹;在此基础上利用实时等值线算法得到最佳匹配位置。分别在不同初始条件下进行仿真分析,得出概率神经网络算法在大的初始误差下不易发散但定位精度不高的结论,然后在潜器行驶6h后,初始误差为5.438?的条件下进行仿真验证,结果表明,改进方法定位精度均值优于0.537?,从而证明改进方法是有效的,即使在大的初始误差下仍然能够达到较高的定位精度。
简介:在GPS/IMU组合导航系统中,由于GPS的校正作用,系统输出的导航数据存在周期的阶跃式跳变(典型的校正周期为1s),对于SAR成像运动补偿而言,这相当于引入了高频测量噪声,会严重影响雷达成像质量。为解决该问题,系统另外引入了一个捷联解算模块。为保证该模块输出的数据平滑且精度稳定,受跟踪随动控制系统的设计思想启发,从控制理论的角度对系统进行了数学建模,设计了捷联解算模块对组合导航系统的跟踪环路,给出了环路中关键模块“环路滤波器”的设计方法。该方案实现了在不影响系统测量带宽的情况下,组合导航系统对捷联解算模块的高频、连续、平滑校正。仿真及实验结果证明了该方案的有效性及可行性。
简介:开展了机器学习在翼型气动力计算和反设计方法中的应用研究,实现了在更大翼型空间范围内,人工神经网络的训练和优化,建立了翼型气动力计算模型,和给定目标压力分布的翼型反设计优化模型.作为机器学习领域兴起的研究热点,人工神经网络的研究工作不断深入,有研究者尝试将其应用于流体力学的学科范畴内.文章实现人工神经网络在翼型计算领域中应用的方法如下:首先通过Parsec参数化方法,围绕基准翼型构造了一定翼型空间范围的翼型库,利用XFOIL进行数值模拟,搭建了和翼型库具有一一映射关系的流场信息库.通过训练和优化神经网络,实现了基于此模型的快速、高可信度的翼型气动力预测,以及新型的翼型优化设计方法.通过自动化编程实现样本库的批量生成,实现了不同翼型空间的样本量下,神经网络的训练和优化过程.实验结果表明,在机器学习领域中,基于神经网络的翼型反设计模型的精确性高度依赖于训练样本量的大小和覆盖范围.
简介:针对系统误差的不确定性可能会引起滤波精度降低或发散的问题,提出一种新的基于模型预测滤波的前向神经网络算法。首先,采用模型预测滤波估计网络在正向传递过程中的模型误差,并对其进行修正,以弥补模型误差对隐含层权值更新的影响;然后,利用模型预测滤波为神经网络提供精确的训练样本,学习待估计系统的非线性关系。将提出的算法应用于SINS/CNS/BDS组合导航系统,并与扩展卡尔曼滤波进行比较,仿真结果表明,提出的算法得到的姿态误差、速度误差和位置误差分别在[-0.25′,+0.25′]、[-0.05m/s,+0.05m/s]和[-5m,+5m]以内,滤波性能明显优于扩展卡尔曼滤波算法,表明该算法能提高组合导航定位的解算精度。
简介:为了更加精确地模拟流动/运动耦合问题,建立了耦合动态混合网格生成、非定常流场计算和六自由度运动方程求解的一体化计算方法,并在统一框架内同时实现了松耦合与紧耦合方法.通过圆柱涡致自激振荡(vortexinducedvibration,VIV)的模拟,对不同时间精度的松耦合和紧耦合算法的优劣及适用范围进行了评估和分析;通过引入附加质量的概念,对耦合算法的稳定性进行了理论分析.研究表明:在流体的密度与物体的密度接近时,松耦合方法是不稳定的,必须采用紧耦合方法.最后利用耦合算法对二维鱼体的自主游动和钝锥三自由度自由飞过程进行了数值模拟,证实了理论分析的结论.