基于正则化与遗忘因子的极限学习机及其在故障预测中的应用

为了解决在线贯序极限学习机(OS-ELM)算法容易产生奇异矩阵、算法贯序更新过程中没有考虑训练样本时效性的问题,提出基于l2-正则化和自适应遗忘因子的OS-ELM(RFOS-ELM)算法。RFOS-ELM在初始阶段加入正则化机制,克服因矩阵奇异而降低OS-ELM泛化能力的缺点。在贯序更新阶段,RFOS-ELM通过引入自适应遗忘因子实时调整新旧训练样本所占比重,推导正则化条件下带遗忘因子RFOS-ELM的递推更新算法,提高其对动态变化系统的跟踪能力。某型无人机机载发射机故障预测实例表明,相比于传统OS-ELM和正则化OS-ELM算法,本文提出方法具有更高的预测精度。     

MSTAR图像的一种ATR算法

人造目标SAR图像的自动目标识别(ATR)是个挑战性的课题,在军事上具有非常重要的作用.随着神经网络理论和应用研究的不断深入,许多作者已经应用神经网络技术对自动目标识别进行了研究[1,2,3,4].然而他们只是对原始图像进行神经网络识别,并且提取特征矢量时也未考虑目标阴影的形状信息.本文克服了上述缺点,把阴影形状信息作为其中一个特征参数给出了一种ATR算法.并用MSTAR原始图像和经过降斑重构后的图像,通过BP神经网络分别进行识别,得到了较好的试验结果,给出了一些结论.     

卫星定位技术在水下移动目标监控中的应用

研究了基于卫星定位技术的水下移动目标定位原理，分析了目标的实时定位算法，提出了一种基于GPS技术、DSP技术和无线通信技术的水下合作目标监控系统设计方案。     

无人机六自由度飞行建模与仿真研究

鉴于无人机在军事和民用领域广泛的发展,用数字仿真的手段可以验证无人机在特定条件下是否达到了飞行品质的要求,进而进行半实物仿真,最后进行飞行试验。通过飞行仿真可以缩短无人机的研制周期,降低研制经费和风险。无人机六自由度飞行仿真建模研究对无人机系统的初期研究和后期模拟训练器的研制都起着重要的作用。课题组利用Simulink工具进行了无人机六自由度飞行建模仿真研究,所建立的无人机的六自由度空气动力学模型既可以进行纯数字的仿真试验,也可以为后续研制高逼真的无人机模拟训练器中无人机动力学模型设计打下基础。     

基于Matlab/Simulink的硬件在回路无人机仿真系统设计

随着无人机在军事和民用领域的应用前景,高效率的地面控制操控训练替代实装飞行是保证系统安全、提高效率和节省经费的重要手段,针对无人机飞行控制系统仿真的特点和人在回路仿真系统的要求,提出利用Matlab/Simulink提供仿真环境进行人在回路的无人机仿真系统的设计方案,该方案将PC机作为实时飞控系统,从而将其作为飞行控制的仿真平台,相对于传统手工编写代码的方式,基于Simulink模块构建的仿真模型具有灵活、快速、高效和低成本等特点,对无人机模拟训练系统中飞行动态仿真模型的设计和人在同路的仿真训练具有很高的实用价值.     

基于STSCKF和改进型X2检验的模拟电路故障辨识

针对模拟电路中不可直接测量故障元件定位和参数估计问题,提出一种基于强跟踪平方根容积卡尔曼滤波(STSCKF)和X2验的故障辨识算法.根据强跟踪滤波理论,将X2验引入到强跟踪SCKF的残差异常检测中,解决了强跟踪SCKF缺乏故障定位能力的问题.改进传统的X2验法,增强其对缓变故障的检测灵敏性.首先利用改进型X2验法检测不同故障模型的STSCKF残差输出,确定故障元件,然后采用STSCKF对故障元件参数进行估计.有源滤波电路仿真模型和某型无人机发射机实际故障数据的实验结果表明,相比于传统的X2验法,改进型X2验能更早地定位故障参数,STSCKF估计误差分别低于强跟踪无迹卡尔曼滤波(STUKF)估计误差的90％和普通SCKF估计误差的5％.     

一种基于雷达导引头的弹道导弹爆高解算方法

目前弹道导弹主要通过无线电引信测高来进行战斗部爆高控制,但弹头的再入环境对无线电引信测高装置的要求非常高,且引信存在着易被干扰的问题。为此,该文针对采用雷达景象匹配末制导的弹道导弹,提出一种基于雷达导引头的弹道导弹爆高控制方法,通过雷达导引头测高数据与惯性导航数据的融合处理,实时计算弹头飞行高程,来实现爆高控制,既保证了精度,又增强了抗干扰能力。仿真算例证明了该方法的有效性和爆高解算精度。     

基于MC9S12DG128B的轨线导航AGV设计与实现

针对AGV轨线导航竞速比赛的普遍要求,提出了一种基于高性能单片机MC9S12DG128B微处理器的通用轨线导航AGV的设计方法.实践表明,该系统具有机械结构简洁、电气原理简单、可靠性高、行进速度快等特点.     

强跟踪平方根容积卡尔曼滤波和 自回归模型融合的故障预测

为了解决非线性系统中不可测量参数的预测问题,提出一种带有次优渐消因子的强跟踪平方根容积卡尔曼滤波(STSCKF)和自回归(AR)模型相结合的故障预测方法.利用AR模型时间序列预测法预测未来时刻的测量值,将预测的测量值作为STSCKF的测量变量,从而将预测问题转化为滤波估计问题.STSCKF通过在预测误差方差阵的均方根中引入渐消因子调节滤波过程中的增益矩阵,克服了故障参数变化函数未知情况下普通SCKF跟踪故障参数缓慢甚至失效的局限性,使得STSCKF能较好地预测故障参数的发展趋势.连续搅拌反应釜(CSTR)仿真结果表明,STSCKF的预测精度高于普通SCKF和强跟踪无迹卡尔曼滤波(STUKF),验证了方法的有效性.     

SAR图像降斑算法研究

对于synthetic aperture radar(SAR)的降斑处理,目前有许多的方法(ML,MMSE,Lee,MAP,CMAP,SA).它们各自都有其优点和不足,没有一种可适应任何情况.本文对这些方法进行了详细的分析和比较,重点对simulated annealing(SA)方法作了较大改进.得到了一些重要的结论.通过对渤海某处SIR－C/X－SAR图像的处理得到了一系列试验结果.