排序方式: 共有8条查询结果,搜索用时 7 毫秒
1
1.
为提高星点图像的质心提取精度,针对星点亚像元定位的系统误差和随机误差提出了一种改进补偿方法。采用三次样条插值函数表示质心位置与系统误差之间的关系,利用该函数进行系统误差补偿,极大地减小了误差采样点的数量和计算量。为了进一步抑制随机误差的影响,在系统误差补偿的基础上,采用非线性加权算法计算星点质心位置,并通过仿真实验确定了该算法的最优加权系数。在没有加入噪声的情况下,改进算法可以将质心法的精度从1/50 pixel 提高到10-4 pixel;加入服从N(0,22)分布的高斯白噪声后,改进算法可以达到0.0054pixel的精度,远小于质心法的0.0184pixel。实验结果表明:文中提出的改进补偿算法计算简单,精度高于质心法,满足了高精度星敏感器质心提取的要求。 相似文献
2.
3.
莫尔光栅的纳米级测量需要对莫尔信号进行高倍细分,而高倍细分的精度往往受到高斯白噪声的影响.将莫尔信号视为稳态模型进行去噪分析与处理时存在信号频率相对固定的缺陷,根据信号的频率是大范围可变的,且噪声分布在整个频率范围内,提出了一种更符合实际的时变模型,并采用小波阈值去噪法对信号进行处理.对时变莫尔信号进行了建模,对小波去噪原理及阈值去噪法进行了分析,经大量实验对比,选用Sym8小波基、分解尺度为6、阈值准则为Heursure的软阈值法去噪效果最好.去噪后,光栅莫尔信号接近理想信号,使莫尔信号的细分倍数达到1 000倍. 相似文献
4.
5.
6.
Real time remaining useful life(RUL) prediction based on condition monitoring is an essential part in condition based maintenance(CBM). In the current methods about the real time RUL prediction of the nonlinear degradation process, the measurement error is not considered and forecasting uncertainty is large. Therefore, an approximate analytical RUL distribution in a closed-form of a nonlinear Wiener based degradation process with measurement errors was proposed. The maximum likelihood estimation approach was used to estimate the unknown fixed parameters in the proposed model. When the newly observed data are available, the random parameter is updated by the Bayesian method to make the estimation adapt to the item's individual characteristic and reduce the uncertainty of the estimation. The simulation results show that considering measurement errors in the degradation process can significantly improve the accuracy of real time RUL prediction. 相似文献
7.
8.
多轴特种车辆的动力学模型具有强非线性,精细化的物理建模需要准确的模型参数和动力学方程以映射车辆动力学的特性。在无精确的车辆先验物理参数信息和动力学函数关系条件下,为提高车辆动力学建模的保真度,针对某型五轴特种车辆的横向动力学行为,提出了一种基于神经网络的数据建模方法。网络框架主体呈闭环结构,网络输出的状态信息同时作为输入用于预测下一时刻的状态,实现了数据建模递归更新;针对闭环网络模型,设计了闭环结构的训练策略,在网络模型中引入中间变量,使得网络在训练阶段仍然保持闭环结构;网络模块采用循环门控单元(Gate Recurrent Unit)和全连接网络(Full Neural Networks)的组合方式;数据集由经过实车验证的Trucksim仿真模型生成,分析结果表明:在无精确车辆先验信息条件下,物理建模难以准确预测出车辆的状态信息,数据模型具有更好的保真度。闭环训练方法可以使得闭环结构的网络具有更好的保真度,对于横向速度和横摆角速度预测的最大绝对值误差仅为0.079 km/h和0.342°/s,相比于开环训练的结果,最大误差降低了58.40%和49.48%。 相似文献
1