十二加速度计阵列解耦算法研究

在无陀螺惯性测量组合中,加速度计敏感轴偏差使得加速度计能敏感到垂直于敏感轴方向上的加速度,由此产生的耦合效应是导致加速度计输出误差增大的重要因素.针对敏感轴偏差产生的耦合效应提出了相应的解耦算法,并制作了十二加速度计惯性测量组合模型及高精度同步数据采集实验系统.在三轴转台上进行的仿真实验结果表明了解耦算法的有效性.经过解耦,加速度计输出精度达到选用加速度计的分辨率级精度-10-3g,比未解耦的输出提高了2个数量级,从源头上降低了无陀螺惯性测量组合的误差.     

六自由度柔性测量臂关节零位偏差标定算法研究

多关节柔性测量臂的关节零位偏差是由于装配引起的系统误差,对测量精度的影响极大.采取高精度的标定方法,获得关节零位偏差的实际值,然后对关节转角的理论值进行补偿,可以提高测量精度.首先应用D-H建模方法,建立了六自由度柔性测量臂的测量模型,在测量模型的基础上,应用全微分法建立了基于关节零位偏差的误差模型,然后用最小二乘法和迭代算法,建立了柔性臂关节零位偏差的线性标定方法,最后通过Matlab仿真验证了该标定算法的正确性.     

非球面非零位拼接测量的对准误差模型

为消除非零位拼接检测非球面中对准误差对拼接结果的影响,建立了基于对准误差修正的优化拼接模型;在非零位检测非球面对准误差模型的基础上,分析对准误差各误差分量的表现形式及影响规律,并建立了基于对准误差补偿的拼接检测非球面的数学模型,实现子孔径的高精度拼接合成。实验表明,该方法可以有效地提高拼接测量精度,经过对准误差校正的拼接测量结果的PV值精度可达0.03λ。     

带单轴稳定惯导系统的双位置对准法

本文针对带单轴稳定的惯性导航系统提出了使平台在对准过程中围绕相应轴转动一定角度用以实现双位置对准的两种原理方案。文中对这两种方案分别进行了研究,所得的结论是:在技术上两种方案都是可行的。转一定角度的双位置对准法是提高初始对准精度的有效措施。在忽略惯性器件标定系数误差的条件下,对于加速度计零位偏置为1×10~(-4)g 的系统,有可能把平台漂移测定和补偿到仅限于陀螺随机漂移的程度;只要无特殊要求,使用沿俯仰轴转动一定角度的结构方案比较有利,因为这种方案在结构上比转动方位角易于实现,而且姿态角的计算误差也比较小。     

气流式水平姿态传感器数据拟合技术的研究

为了提高气流式水平姿态传感器的环境性能,将数据插值拟合方法应用在该传感器的软件温度补偿中。采用拉格朗日插值和分段线性插值法,运用Matlab软件计算并比较2种算法,把算法应用在温度补偿中,计算出温度补偿完成后零位电压值。结果表明,高次插值的runge现象使得拉格朗日数据拟合精度降低;而分段线性插值法更能准确地反映环境温度与零位电压的变化,可以为温度补偿提供精确的参考值。采用分段线性插值进行温度补偿后,环境温度的影响几乎为零,零位电压稳定在2．0V／℃,同时分段线性插值运算量少。这两点有利于提高后续补偿的精度,降低传感器的响应时间,对气流式水平姿态传感器的实用化研究和批量生产有重要意义。     

加速度计静态温度模型辨识及温度补偿方法研究

为了消除环境温度对加速度计精度的影响,采用最小二乘法拟合得到了石英挠性摆式加速度计数学模型的系数随温度变化的规律,建立了20℃～50℃温度范围内加速度计的静态温度模型．由TMS320F240 DSP组成的硬件系统利用该模型进行温度补偿后,加速度计输出随温度变化的数量级为10^-4,相对于没有进行温度补偿前的10-3,补偿效果明显．     

车体双轴倾角传感器的标定

为了消除由双轴倾角传感器基准面加工误差、电子元器件的焊接误差、电路板的安装误差和标定过程不规范所带来的传感单元敏感轴与标定平台的旋转轴之间的平行误差,在MEMS倾角传感器的测量原理基础上,分析了双轴倾角传感器标定过程中误差的来源并建立了标定误差的数学模型.根据该误差模型对测量数据进行了模拟,分析模拟结果并提出了有效的软件实时修正的标定方法,弥补了传统标定方法的不足.对采取该修正方法前后的数据进行比较,实验结果表明传感器输出数据误差减小了1个数量级以上.文中方法可明显提高双轴倾角传感器的标定精度.     

航姿参考系中磁传感器误差补偿的研究

针对现阶段地磁传感器误差补偿算法采用的椭球模型假设对输入的校准参数有较高的要求,容易出现较大的拟合误差问题,提出了一种基于模糊逻辑系统的数据分布自判定算法,用来判断校正数据的分布是否合理,使其适当地分布在整个椭球面,准确地拟合出理论的椭球模型。通过仿真分别求取最小二乘拟合误差和模糊逻辑系统计算误差,结果表明,利用模糊逻辑能够有效的剔除分布不合理的数据样本,解决了校正数据分布不合理带来较大拟合误差的问题,有利于提高地磁传感器的误差自动校正的精度。     

无陀螺惯性测量组合姿态解算新方法

从加速度计配置的一般性出发,在加速度计安装位置存在偏差的实际条件下,提出了具有补偿效应的无陀螺惯性测量组合姿态算法．该算法通过推导加速度计输出误差方程,在传统算法中进行相应补偿以达到减小误差的目的．同时针对目前多种加速度计配置方案,提出了9加速度计配置方案．在此方案基础上进行了算法仿真．仿真结果表明该算法可有效提高角度估算精度．     

动调陀螺标度因数非线性误差补偿研究

捷联惯性测量组件的非线性误差主要体现在陀螺和加速度计的标度因数上,为了减小捷联惯性测量组件中的动调陀螺的非线性误差,提出了一种对陀螺测量曲线进行自适应分段最佳逼近拟合方法.该方法在分析陀螺非线性误差产生的原因基础上,推导出陀螺的标度因数非线性误差补偿模型,设计了试验标定方案,在惯性测量组件的整个测量范围内进行自适应分段,每段用一个高次曲线最佳逼近,可得到陀螺测量模型在每个分段区间的精确函数描述,从而可以对陀螺非线性测量误差进行实时补偿.系统的速率试验和摇摆试验结果表明,自适应分段高次曲线最佳逼近的方法有效地提高了陀螺的角速度测量精度,最大能提高约10倍.     

基于遗传算法和模拟退火算法的混合算法

结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点,同时用罚函数方法处理约束条件,设计了专门的遗传操作算子,构造了相应的适应度函数,实现了离散时间系统的最优控制.实验结果表明,新算法既具有较快的收敛速度,又能够收敛到最优解.     

非线性Galerkin算法和Galerkin算法

给出了数值求解非线性发展方程的Ｇａｌｅｒｋｉｎ算法和非线性Ｇａｌｅｒｋｉｎ算法,其中空间变量用谱元法离散,时间变量用Ｅｕｉｅｒ显式格式离散。此外,我们分析了两种算法的有界性、稳定性和收敛精度估计。经过比较,在收敛精度相同的条件下,非线性Ｇａｌｅｒｋｉｎ算法具有稳定性能好,计算量少的优点     

对k均值算法和硬C-均值算法的对比分析

通过比较目标函数、聚类原型模式P(0)的初始化方法、划分矩阵U和聚类原型P的更新方法等4个方面,得出k均值算法和硬C-均值算法的区别。     

基于遗传算法的概率译码算法

为了改善纠错码译码算法的综合性能,基于遗传算法提出一种新颖的概率译码算法.利用未经量化的接收序列中的额外信息,通过遗传算法优化接收解调器的匹配滤波器输出达到弥补硬判决误差的目的,从而恢复出最似然传输码字.通过对概率译码的算法性能分析可知,该算法的译码过程几乎不受码元个数的影响,复杂度相对较低,且能实现快速优化译码. 仿真结果表明,该译码算法具有良好的译码纠错性能,是一种实用性强的译码算法.     

双向双步画线算法

本算法的主要思想是每计算一次确定4个象素，并且利用扫描线的连贯性，减少了图元输出时间。实践证实改进是非常有效的：对于斜率的绝对值小于1的线段，本算法效率大约是经典画线算法的5倍，对于斜率的绝对值大于1的线段，本算法效率是经典画线算法的一倍多。     

基于KNN算法的改进K-means算法

针对于K-means算法的缺点做出了一些改进,提出了一种基于KNN算法改进K-means的算法。改进后的算法解决了K-means算法K值无法确定和数据分类中的不强、易受异常数据干扰的缺点,提高了算法的聚类效果以及削弱初始聚类中心选择的随机性对于聚类结果易陷入局部最优的影响。实验表明,改进后的算法不仅解决了传统算法确定K值的问题,而且聚类结果稳定且聚类效果良好。     

基于蚁群算法的改进遗传算法

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率低。根据这一缺陷提出一种将蚁群算法融合到遗传算法的新策略：为了弥补遗传算法中的变异算子变异过程中的盲目无原则性,将蚁群算法的正反馈思想引入到遗传算法中。利用蚁群算法信息素更新原则指导变异规则,有效地提高了算法的寻优效率,优化了解的质量。为了验证算法的有效性,对TSPLIB库中的两个公共实际事例eil51和gr202以及安徽省17个城市的数据进行了仿真实验,结果表明改进后的算法是有效的。     

基于遗传算法的背景提取算法

针对视频图像处理中传统背景提取算法在时间复杂度和空间复杂度兼顾性能较差的缺点,提出一种基于遗传算法的背景重构算法.即在假设背景以最大概率出现在图像序列中的前提下,选择出现频率最高的图像作为背景图像.算法通过将图像分割成子图像,并将子图像参数化再进行统计,达到减低时间复杂度和空间复杂度的目的.仿真结果表明：在运动目标有较长的暂时停顿的情况下,该算法进行实时背景重构具有明显的优点;该算法能够准确地重构背景,并有效地避免混合现象,与直方图法相比,在不增加时间复杂度的情况下,空间复杂度可以减低到约1/50.     

基于蚁群聚类算法的组合算法

基于信息熵的蚁群聚类算法是一种自组织聚类算法,具备健壮性、可视化等特点,并能生成一些新的有意义的聚类模式.基于信息素的K-means算法的K值和初始聚类中心是事先给定的,而往往两者的选择可以直接影响聚类的效果和速度(K-means算法的缺点之一).因此,在基于信息熵的蚁群聚类算法的基础上,结合基于信息素的K-means算法,提出了一种聚类组合算法.     

一种基于遗传算法的立体匹配方法

立体匹配问题是被动视觉研究中最关键的问题之一。本文定义了描述立体匹配问题的染色体表示,设计了相应的适应度函数,并按照立体匹配中相应的约束条件,将遗传算法应用于该问题中。实验证明该算法具有较强的适应性和稳定性。