极坐标-直角坐标下水下目标跟踪算法及试验研究

在实际水下目标跟踪系统中,由声纳获得的速度量测是一个相对径向速度,并且量测噪声是非白的,为此提出了基于扩展量测和扩展状态的混合坐标系下水下目标跟踪算法。该方法把径向速度量测引入观测模型,提高了目标的状态估计精度和收敛时间;引入了扩充向量,克服了实际水下目标观测噪声非白的影响。提出了水下多目标跟踪水池试验方法。该方法应用静态长线阵和多目标信号源在水池实现了多目标和跟踪体之间的相对运动的模拟。水池试验结果表明所提出的方法性能明显优于基于量测转换跟踪方法(如MC方法),具有重大工程应用价值。     

基于形状记忆合金的再制造涂层自修复研究

形状记忆合金以其特有的形状记忆效应和超弹性成为人们广泛关注的新型功能材料。主要介绍了形状记忆合金的工作原理及分类,就国内外已经取得一定成果的形状记忆合金用于监测及自修复的现状及其原理加以介绍。探讨了形状记忆合金的力学性能随温度、应变幅值的变化情况及常温下合金轴向应变与电阻变化率之间的关系,进而为其应用于自修复提供理论支持。最后,展望了其应用于再制造涂层自修复中的前景,并分析了亟待解决的问题。     

基于量子逻辑的几类有穷自动机之间的关系

根据初始状态和终止状态是否为分明的,非确定型量子有穷自动机可分为四类,确定型量子有穷自动机可分为三类.本文详细讨论了四类非确定型量子有穷自动机之间的关系以及三类确定型量子有穷自动机之间的关系,并且利用新的构造方法,证明了初态为分明的确定型量子有穷自动机与终态为分明的确定型量子有穷自动机是等价的.这些结论为实际应用中计算模型的合理选取提供了理论依据.     

小波熵及其在状态趋势分析中的应用

研究了离散小波变换的若干特性．以及用信息熵来反映信号统计分布特征的方法．引进了多尺度．下小波熵和相对小波熵的概念，并且以此为参量对系统状态进行趋势分析．从而突出系统信号中短暂的异常信号．达到及早发现可能故障的目的。最后通过数值实验和应用实例说明：分析这两个参数的变化情况．可以反映系统的状态趋势，提高维修的针对性．降低设备维修的代价，提高设备的安全性和可靠性。     

基于形态提升小波的机械状态监测数据压缩研究

针对大型复杂机电设备状态分布式监测面临的海量数据传输问题,对比研究基于提升小波与形态提升小波的振动信号数据压缩方法。对实测浮点型振动信号,利用小波稀疏分解特性提出基于提升小波变换的机械振动信号数据压缩方法,通过变换后小波系数优化组合及改进编码方法,可提高阈值处理数据压缩效果。针对实测数据含大量冗余信息缺点,结合状态监测目的提出基于形态提升小波的数据压缩方法,利用形态学滤波器非线性分析特性,在振动信号网络监测数据压缩传输过程中实现信号预处理,预制噪声干扰,较好保留有用信息。所提最大区分度准优化选择分解层数,通过对比分析两种数据压缩方法表明,形态提升小波方法具有计算量小、分析速度快、压缩比高等优点。     

基于观测器的轮式移动机器人路径跟踪控制

研究基于状态观测器的轮式移动机器人的路径跟踪控制问题.首先简要回顾了基于状态反馈的移动机器人的路径跟踪控制问题;进而通过适当的状态变换将移动机器人模型转换为合适的形式,并在移动机器人的位置可以测量的情况下设计了一种可保证状态观测误差指数收敛的状态观测器;最后结合状态反馈路径跟踪控制器和所设计的观测器得到了一种基于观测器的路径跟踪控制器,该控制器可以保证移动机器人的运动轨迹指数收敛到期望路径上.仿真结果证实了所提出的基于观测器的路径跟踪控制器的有效性.     

仿射非线性奇异系统的受控分布

研究非线性奇异系统的受控不变分布问题.讨论了非线性奇异系统的受控不变分布算法与该系统经过状态反馈转化为正常非线性系统的受控不变分布算法的关系.得到了在一定条件下,正则非线性奇异系统的受控不变分布算法与该系统经过状态反馈转化为正常非线性系统的受控不变分布算法的一致性.并给出一个例子说明本文的结果.     

球磨机状态监测系统设计与故障诊断

针对球磨机传动系统设计了球磨机振动监测系统,采用信号的时域、频域分析相结合的方法对球磨机进行了振动监测和故障诊断,测试分析结果较好地反映了球磨机的真实工况和故障,为选矿厂对球磨机的检修和维护提供了技术支持。     

辊式磨粉机常用传感器类型和性能特点

介绍了开关量、模拟量和数字量等三种传感器的性能特点,并对辊式磨粉机常用的电容式、重力式和光电式等三种料位传感器的性能特点进行了比较分析,认为其中的电容式料位传感器经久耐用,具有较好的发展应用前景。     

结构化状态空间中的递阶再励学习方法

在状态空间满足结构化条件的前提下,通过状态空间的维度划分直接将复杂的原始MDP问题递阶分解为一组简单的MDP或SMDP子问题,并在线对递阶结构进行完善.递阶结构中嵌入不同的再励学习方法可以形成不同的递阶学习.所提出的方法在具备递阶再励学习速度快、易于共享等优点的同时,降低了对先验知识的依赖程度,缓解了学习初期回报值稀少的问题.