基于信息融合的GPS航位推算组合导航系统设计

全球定位系统（GPS）和航位推算（DR）两种定位方式的结合,构建了基于卡尔曼滤波的算法,实现陆地GPS/DR组合定位系统的数据融合,当其中任何一个子系统出现故障时联合滤波器仍然可继续为用户提供导航服务。本文简介了GPS/DR车载组合导航。系统的设计原理及运用联合卡尔曼滤波进行数据融合的实现方法。     

基于航位推算的LEACH协议改进算法的研究

本文首先分析了LEACH这种经典的无线传感器网络路由协议存在的一些问题,指出了它的优缺点,在此基础上提出了一种新的LEACH协议改进算法——DR-LEACH,该算法主要通过航位推算方法来减少数据收发次数,进而达到减少能耗的目的。通过计算和NS2仿真实验表明,DR-LEACH算法在不影响数据精度的前提下,延长了网络生存周期,有效的证明了该算法的可行性。     

车辆无陀螺航位推算系统的导航原理及其算法

建立了利用车辆内部传感器取代惯性敏感器获得航向、速度信息的车辆航位推算（DR）系统的系统方程和观测方程,并采用描述机动载体运动的当前统计模型,给出了基于自适应卡尔曼滤波的车载无陀螺DR系统的导航算法,在导航算法中,对原始测量数据进行组合运算获得线性形式的观测方程,避免了目前常用导航算法由于观测方程线性化引起的模型误差,算法稳定性较好,且计算量小,现场跑车试验表明,给出的车载无陀螺DR系统的模型及其导航算法能够获得满意的导航精度。     

一种基于MEMS惯性传感器室内行人航位推算算法

在室内行人定位中,行人航位推算 (Pedestrian Dead Reckoning, PDR)由于不需要外部辅助信息,而被广泛应用。针对传统室内PDR存在步长局限性等问题,提出了一种基于微机械电子系统(Micro Electro Mechanical System, MEMS)传感器的行人航位自适应拟合推算算法。该算法选用六位置法和卡尔曼滤波器(Kalman Filter, KF)作为对加速度计和陀螺仪原始数据误差处理方案。通过过零检测和步态短时不变性计算脚的运动状态,并结合加速度自适应拟合行进距离,最后利用位置推算解算行人的运动轨迹。仿真结果表明,该算法在95 m运动距离内,最大误差不超1.5 m,具有良好精确性和灵活性,适用于实际的室内行人定位。     

基于行人航位推算的后向地磁匹配算法

针对行人航位推算(pedestrian dead reckoning,PDR)定位存在误差累积和智能手机内置传感器精度不高的问题,采用PDR结合地磁的方法进行室内定位研究,提出一种改进的基于PDR的后向地磁匹配算法.在构建地磁基准库阶段,使用克里金插值算法有效减少数据采集所耗费的大量时间并构建出双分辨率地磁基准库.在地磁匹配阶段,改进了基于动态时间规整(dynamic time warping,DTW)的后向地磁匹配算法,改进后的算法避免传统DTW地磁匹配需要全局搜索地磁序列的缺点,在保证定位精度的前提下,增强了定位实时性.实验结果表明,本文算法最大定位误差小于1.5m,可以满足普通室内定位需求.     

基于EKF的无人潜航器航位推算算法

为了解决传感器的安装角偏离误差以及量测误差导致的无人潜航器(AUV)在水下自主航行时不能满足长时间导航定位的要求,对航位推算算法进行了研究.针对AUV在高纬度、长时间航行中曲率半径的变化,采用地球参考椭球体作为地球几何形状的数学描述;针对数据滤波实时性的要求,基于扩展卡尔曼滤波(EKF)对卫星导航系统(GPS)数据进行滤波,并利用AUV湖试数据对传感器的安装偏离误差进行了校正.对提出的导航算法进行了试验验证,结果表明AUV的自主导航定位精度为0.75%,满足设计要求,并优于改进前的航位推算算法.     

车载GPS/DR组合导航系统的DR算法

随着城市交通道路系统的日益复杂,人们对车辆定位精度的要求也越来越高。传统的车辆导航系统采用GPS（全球卫星导航系统）技术对车辆进行定位,但在现代大都市环境中,由于树木、立交桥、楼群的遮掩,GPS信号会经常出现失锁和多径效应,导致其定位精度大大降低。而航位推算技术（DR）有较强的独立性,同GPS定位技术形成较强的互补。因此对导航系统的DR算法的研究很有必要。     

基于粒子滤波和概率神经网络的步行者定位参数校正

采用粒子滤波器融合全球卫星导航系统GPS和可穿着传感器的测量值,并利用概率神经网络作为分类器,依据从固定时长加速度采样中提取的特征,识别步行者的动作状态,减小了航向角测量误差、步幅估计误差和步数统计误差对航位推算结果的影响,校正了定位参数.通过分析加速度的振动特征估算步行者实时步幅,采用时长比例等效的方法同步采样,进一步优化了系统模型.实验表明,该方案具有较好的定位效果.     

基于DR／激光测距组合导航算法研究

航位推算（DR,Dead—Reckoning）是一种常用的导航定位技术。由于其推算过程是一个累加过程,其传感器的误差随时间的延长而积累,为此,将航位推算与激光测距组合起来用于智能车辆导航,确保系统能在任何时候都能为运动智能车辆提供较为准确的导航信息。而且扩展卡尔曼滤波（EKF,Extend）作为一种非线性滤波器,是智能车辆组合导航系统中一种有效的数据融合方法。本文将EKF方法用于智能车辆组合导航的状态估计,仿真实验结果表明,EKF滤波能够有效地提高智能车辆的导航精度。     

基于节点位置相关性分析的结构位形推算方法

既有空间结构鉴定计算应按结构实际位形建立几何模型.根据空间结构几何构造特性,采用节点位置偏差相关系数的函数模型分析节点位置相关性并给出模型参数确定方法;基于节点位置相关性分析,提出根据抽样测量节点位置推算结构几何位形的方法,以条件概率分布期望作为未测节点实际位置偏差的期望估计值,以交叉验证的方差置信上限作为偏差的方差估计值,由此确定偏差分布,得到结构实际几何位形,建立结构鉴定计算的不确定模型.对实际网壳结构根据抽样测量节点位置推算结构实际几何位形,并进行整体稳定性分析.研究结果表明,基于节点位置相关性分析的推算方法结果更符合实际.     

运动分类步频调节的微机电惯性测量单元室内行人航迹推算

行人航迹推算(pedestrian dead reckoning, PDR)作为一种新兴的导航定位方法, 因其不易受外界环境因素影响而受到广泛关注. 针对室内行人航迹推算, 采集并分析了微机电惯性测量单元(micro-electro-mechanical system-inertial measurement unit, MEMS-IMU)数据, 设计了运动分类的区间对称步频检测, 并建立了步频调节的步长估计模型, 最后提出了运动分类步频调节的MEMS-IMU室内行人航迹推算, 从而实现较精准的定位. 针对不同个体, 对步频调节的步长估计模型进行个性化标定, 以进一步提高室内行人航迹推算性能. 验证结果表明: 与传统峰值非线性方法相比, 运动分类步频调节的MEMS-IMU室内行人航迹推算的定位误差降低了32.6%, 使短距离室内行人航迹推算在无其他定位技术支持的情况下具有较高精度.     

基于增量余弦RBF网络的惯性导航初始对准

针对传统高斯RBF网络应用于惯性导航初始对准建模时，对处于两基函数中心点之间的值拟合效果不太理想的情况，提出了一种将增量余弦RBF网络用于惯性导航初始对准建模的方法。该方法采用增量余弦函数作为RBF网络的基函数，对多变量非线性系统有很好的拟合能力。相对于传统高斯RBF网络，增量余弦RBF网络的基函数具有更强的局域性，解算时同时参与运算的基函数数量更少，有效地降低了网络的解算时间。仿真结果表明，增量余弦RBF网络用于惯性导航的初始对准，既可获得较高的对准精度，又有效地降低了系统的解算时间，提高了系统的实时性。     

基于人工神经网络描述的编程

目的在神经网络结构和算法描述语言的基础上,提出神经网络编程的概念,建立神经网络仿真系统。方法采用具有强类型,并发性和面向对象等特点的Ａｄａ语言作为系统的宿主语言,建立基于结构,算法描述的神经网络认真系统。结果为神经网络的工程应用研究提供手段。结论采用神经网络编程,可以将神经网络与传统的编程语言在通用计算机的基础上统一起来,达到更新更高的处理能力。     

基于模糊划分的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法.由训练数据的模糊聚类结果,把训练数据划分成相交子集,基于各子集生成集成的个体神经网络.由于各子集所包含的数据和数据的类别各不相同,因而个体神经网络性能和结构存在差异.子集个数确定集成中个体神经网络个数.另外,基于隶属度函数计算公式,提出了个体神经网络输出结论结合方法.理论分析和实验结果表明,此方法对模式分类能取得较好的效果.     

基于BP神经网络的柴油发动机故障诊断

阐述了BP神经网络模型及原理,提出了基于BP神经网络的发动机故障诊断分析方法,在理论分析的基础上,对发动机故障的检测和分析进行了MATLAB仿真,仿真结果表明,利用BP神经网络对发动机故障进行检侧具有检测精度高、速度快的特点.     

一种神经网络实现GPS导航定位算法

目的 研究ＧＰＳ接收机状态解算的估计方法。方法 利用Ｈｏｐｆｉｅｌｄ神经网络对ＧＰＳ接收机数据进行处理,结果 以统计自述平均误差和均方根误差作为衡量性能的指标,神经网络方法与迭代量小均方误差算法相比较定位误差减小,结论利用神经网络实现ＧＰＳ接收机状态解算是可行的,且与迭代最小均方误差算法比较,可提高定位精度。     

基于神经网络的负载识别

提出了基于神经网络的负载识别方法,对供电系统管理有重要的现实意义.     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法,利用带通滤波对原始心电数据进行降噪处理,实现QRS波群定位和心拍截取;设计7层的一维卷积神经网络（convolutional neural network,CNN）模型,对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测,从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练,结果显示,其准确度为9900%,召回率为9908%;与相关文献的研究方法对比,本方法具有较高识别精度,能有效解决人工对心电图识别的误诊、错诊问题。