盾构法隧道施工中的线形管理

盾构法隧道施工中的线形管理是保证隧道顺利贯通的关键,它是通过对盾构机掘进过程中的姿态控制来实现的。本文主要介绍盾构机在掘进过程中姿态的控制和隧道线形管理的主要方法和措施。     

基于Matlab的弹道修正弹药仿真

基于现代战争对导弹的要求,需要提升导弹的打击密度以及打击精确度,从而提高导弹的杀伤力。由于地磁场的作用,弹体空中姿态受到影响,利用磁阻传感器对空中弹体的姿态进行测量,运用四元数法建立弹体空中姿态数学模型,利用Matlab对弹体空中姿态进行仿真。通过仿真,计算出弹体空中的理想姿态,从而对弹道进行修正,将大大提升导弹的打击密度及精度,从而实现现代战争的技术要求。     

高转速弹丸姿态解算方法研究

针对传统利用三轴磁阻传感器测量姿态角的解算方法计算量大这一问题,根据常规高转速弹丸在飞行过程中偏转角变化小这一特点,提出了一种基于偏转角的计算方法,计算结果既保证了姿态角的解算精度,又减少了计算量,表明了此解算方法的可行性。     

基于地磁传感器与陀螺仪的姿态测量法

姿态测量系统是火箭弹简易制导领域不可或缺的一部分。文中基于地磁传感器与MEMS陀螺仪的姿态测量系统,对传统单点姿态测量方法进行了研究与改进。以MEMS陀螺仪解算所得的偏航角作为三轴地磁传感器输入,推导了姿态角测量方法。针对姿态测量方法,设计了三轴地磁传感器姿态测量模块,在三轴旋转平台上进行了半实物仿真实验。实验结果表明,改进后的方法可以满足火箭弹姿态解算,提高了姿态角解算精度。     

基于对极几何学的红外目标姿态估计

通过红外导引头获得目标不同姿态的图像序列,利用数字图像分析技术提取序列图像的匹配点。采用对极几何学方法求解匹配点之间的变换关系,并解算出目标三维空间信息,进而求得目标姿态信息。本方法彻底摆脱了目标表面控制点要求,简单、可靠地实现了对红外非合作目标相对姿态的估计。     

弹体姿态调控引信系统设计与仿真

为减小巡飞弹弹体姿态偏差对引战配合的不利影响,提出弹体姿态调控引信的概念。在利用弹上信息的基础上,设计一种通过弹上加装微型脉冲推冲器产生的直接力快速调控弹体滚转角的引信;建立滚转角调控量计算模型,利用相平面分析法,设计微型脉冲推冲器的启动策略,保证弹体姿态在起爆时满足最佳引战配合要求。仿真结果表明调控时间短,使用的微型脉冲推冲器数量少,利用引信进行姿态调控是可行的。     

横浪对潜射导弹出水姿态的影响

基于ANSYS/LS-DYNA有限元动力分析软件,建立了潜射导弹出水过程三维模型,分析了潜射导弹在横浪影响下出水姿态的变化规律。结果显示：横浪是引起潜射导弹偏航的主要因素;横浪对潜射导弹俯仰运动基本没有影响。     

基于平方根无迹滤波的滚转弹姿态估计

给出一种基于平方根无迹卡尔曼滤波器(SR-UKF)的滚转弹飞行姿态获取方法.使用一个双轴角速率陀螺构成滚转弹飞行姿态遥测系统,利用SR-UKF对遥测数据进行处理,以重构弹体飞行姿态.针对低速滚转弹姿态运动模型的强非线性,运用SR-UKF算法进行姿态运动估计,避免了扩展卡尔曼滤波(EKF)产生的线性化误差.运用低速滚转弹姿态运动模型,导出了一组基于SR-UKF的迭代滤波方程.将基于SR-UKF算法与EKF及UKF的估计结果进行了对比,仿真结果验证了算法的有效性.     

基于GPS-OEM板的低成本二维姿态测量系统

基于GPS-OEM板的低成本二维姿态测量系统,由数据采集与数据识别处理,模糊度与姿态解算,显示揪信息和编译动态链接库等模块组成.由两个GPS天线组成基线,接收GPS卫星信号,经连接电缆传到GPS-OEM板.再通过串行端口送至导航计算机,姿态解算软件对其经度、纬度等数据进行处理,解算完成后输出姿态测量结果.     

双分支特征融合网络的步态识别算法

目的 在步态识别算法中,基于外观的方法准确率高且易于实施,但对外观变化敏感;基于模型的方法对外观变化更加鲁棒,但建模困难且准确率较低。为了使步态识别算法在获得高准确率的同时对外观变化具有更好的鲁棒性,提出了一种双分支网络融合外观特征和姿态特征,以结合两种方法的优点。方法 双分支网络模型包含外观和姿态两条分支,外观分支采用GaitSet网络从轮廓图像中提取外观特征;姿态分支采用5层卷积网络从姿态骨架中提取姿态特征。在此基础上构建特征融合模块,融合外观特征和姿态特征,并引入通道注意力机制实现任意尺寸的特征融合,设计的模块结构使其能够在融合过程中抑制特征中的噪声。最后将融合后的步态特征应用于识别行人身份。结果 实验在CASIA-B （Institute of Automation,Chinese Academy of Sciences,Gait Dataset B）数据集上通过跨视角和不同行走状态两种实验设置与目前主流的步态识别算法进行对比,并以Rank-1准确率作为评价指标。在跨视角实验设置的MT （medium-sample training）划分中,该算法在3种行走状态下的准确率分别为93.4%、84.8%和70.9%,相比性能第2的算法分别提升了1.4%、0.5%和8.4%;在不同行走状态实验设置中,该算法在两种行走状态下的准确率分别为94.9%和90.0%,获得了最佳性能。结论 在能够同时获取外观数据和姿态数据的场景下,该算法能够有效地融合外观信息和姿态信息,在获得更丰富的步态特征的同时降低了外观变化对步态特征的影响,提高了步态识别的性能。