本程序是关于四元数法捷联惯导解算算法的matlab程序组合包,其中包括滤波初始对准仿真,罗经法初始对准仿真,捷联惯导解算仿真,组合卡尔曼滤波等演示程序及其必需的参数矩阵转换程序,程序算法皆是本人通过大量阅读捷联惯导经典论文书籍编写的,经过调试已经通过,所得圆锥误差,划桨误差与秦永元所编惯性导航一书相符,可靠性较高。适合惯导学习者参考改进使用
上传时间: 2014-01-23
上传用户:水中浮云
摘要:对基于弹载IMU/C:PS组合导航系统的动基座对准问题进行了研究与仿真 首先,分析了弹载IMU与GI S的系统误差,建 立获得了其系统误差模型 然后,利用卡尔曼滤波技术,设计了弹载IMU/UPS组合导航系统的动基座对准算法 仿真结果表明,在初 始误差较大的情况下,经过36。秒的动基座对准,IMU的姿态角误差可降至10个角秒,同时位置和速度误差也得到了有效修正,从而 证明该动基座对准算法是行之有效的 关} i}惯性测量装} <IMU)。全球定位系统<GPS) 动基座对准 卡尔曼滤波
上传时间: 2013-12-29
上传用户:yepeng139
有很多朋友问说:“排毒餐是不是就要素食?”不然,我自始自终都没有讲说要吃素食。为什么?因为我发现有很多所谓的素食,其实并不正确。
标签:
上传时间: 2013-12-13
上传用户:duoshen1989
Smarty 入門 不過因為有針對舊有的內容做一些小調整,所以這次把它放回到自己的 Blog 裡。 序言 剛開始接觸樣版引擎的 PHP 設計師,聽到 Smarty 時,都會覺得很難。其實筆者也不例外,碰都不敢碰一下。但是後來在剖析 XOOPS 的程式架構時,開始發現 Smarty 其實並不難。只要將 Smarty 基礎功練好,在一般應用上就已經相當足夠了。當然基礎能打好,後面的進階應用也就不用怕了。 這次的更新,主要加上了一些概念性的東西,當然也有一些進階的技巧。不過這些也許早已深入大家的程式之中,如果有更好的觀點,也歡迎大家能夠回饋。
标签: Smarty
上传时间: 2014-12-01
上传用户:凤临西北
matlab, FTF算法,选用电力系统谐波信号作为输入信号。参考书目:现代数字信号处理,皇甫堪等,电子工业出版社
上传时间: 2013-12-25
上传用户:
Keil的基本使用教學,若是一開始接觸Keil可參考文件說明。
上传时间: 2015-03-19
上传用户:jingquan
激光捷联惯导系统角增量输入姿态算法,参考秦永元的书籍,
上传时间: 2016-08-17
上传用户:瓦力瓦力hong
红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断 中,而对设备快速精确地检测定位是实现自动检测与诊断的前提。与普通目标的可见光图像相比, 电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原 始的 YOLOv3 模型难以精确定位到目标。针对此问题,该文对 YOLOv3 模型进行改进:在其骨干 网络中引入跨阶段局部模块;将路径聚合网络融合到原模型的特征金字塔结构中;加入马赛克 (Mosaic)数据增强技术和 Complete-IoU(CIoU)损失函数。将改进后的模型在四类具有相似波纹 外观结构的电力设备红外图像数据集上进行训练测试,每类的检测精度均能达到 92%以上。最后, 将该文方法的测试结果与其他三个主流目标检测模型进行对比评估。结果表明:不同阈值下,该 文提出的改进模型获得的平均精度均值优于 Faster R-CNN、SSD 和 YOLOv3 模型。改进后的 YOLOv3 模型尽管在检测速度上相比原 YOLOv3 模型有所牺牲,但仍明显高于其他两种模型。对 比结果进一步验证了所提模型的有效性。
上传时间: 2021-10-30
上传用户:
神经网络在智能机器人导航系统中的应用研究1神经网络在环境感知中的应 用 对环境 的感 知 ,环境模型 妁表示 是非常重要 的。未 知 环境中的障碍物的几何形状是不确定的,常用的表示方浩是 槽格法。如果用册格法表示范围较大的工作环境,在满足 精度要求 的情况下,必定要占用大量的内存,并且采用栅 格法进行路径规划,其计算量是相当大的。Kohon~n自组织 神经瞬络为机器人对未知环境的蒜知提供了一条途径。 Kohone~冲经网络是一十自组织神经网络,其学习的结 果能体现出输入样本的分布情况,从而对输入样本实现数 据压缩 。基于 网络 的这些特 性,可采 用K0h0n曲 神经元 的 权向量来表示 自由空间,其方法是在 自由空间中随机地选 取坐标点xltl【可由传感器获得】作为网络输入,神经嘲络通 过对大量的输八样本的学习,其神经元就会体现出一定的 分布形 式 学习过程如下:开 始时网络的权值随机地赋值 , 其后接下式进行学 习: , 、 Jm(,)+叫f)f,)一珥ff)) ∈N,(f) (,) VfeN.(f1 其 中M(f1:神经元 1在t时刻对 应的权值 ;a(∽ 谓整系 数 ; (『l网络的输八矢量;Ⅳ():学习的 I域。每个神经元能最 大限度 地表示一 定 的自由空间 。神经 元权 向量的最 小生成 树可以表示出自由空问的基本框架。网络学习的邻域 (,) 可 以动 态地 定义 成矩形 、多边 形 。神经 元数量 的选取取 决 于环境 的复杂度 ,如果神 经元 的数量 太少 .它们就 不能 覆 盖整十空间,结果会导致节点穿过障碍物区域 如果节点 妁数量太大 .节点就会表示更多的区域,也就得不到距障 碍物的最大距离。在这种情况下,节点是对整个 自由空间 的学 习,而不是 学习最 小框架空 间 。节 点的数 量可 以动态 地定义,在每个学习阶段的结柬.机器人会检查所有的路 径.如检铡刊路径上有障碍物 ,就意味着没有足够的节点 来 覆盖整 十 自由窑 间,需要增加 网络节点来 重新学 习 所 138一 以为了收敛于最小框架表示 ,应该采用较少的网络 节点升 始学习,逐步增加其数量。这种方法比较适台对拥挤的'E{= 境的学习,自由空间教小,就可用线段表示;若自由空问 较大,就需要由二维结构表示 。 采用Kohonen~冲经阿络表示环境是一个新的方法。由 于网络的并行结构,可在较短的时间内进行大量的计算。并 且不需要了解障碍物的过细信息.如形状、位置等 通过 学习可用树结构表示自由空问的基本框架,起、终点问路 径 可利用树的遍 历技术报容易地被找到 在机器人对环境的感知的过程中,可采用人】:神经嘲 络技术对 多传 感器的信息进 行融台 。由于单个传感器仅能 提 供部分不 完全 的环境信息 ,因此只有秉 甩 多种传感器 才 能提高机器凡的感知能力。 2 神经 网络在局部路径规射中的应 用 局部路径 规删足称动吝避碰 规划 ,足以全局规荆为指 导 利用在线得到的局部环境信息,在尽可能短的时问内
上传时间: 2022-02-12
上传用户:qingfengchizhu
FPGA那些事儿--Modelsim仿真技巧REV6.0,经典Modelsim学习开发设计经验书籍-331页。前言笔者一直以来都在纠结,自己是否要为仿真编辑相关的教程呢?一般而言,Modelsim 等价仿真已经成为大众的常识,但是学习仿真是否学习Modelsim,笔者则是一直保持保留的态度。笔者认为,仿真是Modelsim,但是Modelsim 不是仿真,严格来讲Modelsim只是仿真所需的工具而已,又或者说Modelsim 只是学习仿真的一部小插曲而已。除此之外,笔者也认为仿真可以是验证语言,但是验证语言却不是仿真,因为验证语言只是仿真的一小部分而已,事实上仿真也不一定需要验证语言。常规告诉笔者,仿真一定要学习Modelsim 还有验证语言,亦即Modelsim 除了学习操作软件以外,我们还要熟悉TCL 命令(Tool Command Language)。此外,学习验证语言除了掌握部分关键字以外,还要记忆熟悉大量的系统函数,还有预处理。年轻的笔者,因为年少无知就这样上当了,最后笔者因为承受不了那巨大的学习负担,结果自爆了。经过惨痛的经历以后,笔者重新思考“仿真是什么?”,仿真难道是常规口中说过的东西吗?还是其它呢?苦思冥想后,笔者终于悟道“仿真既是虚拟建模”这一概念。虚拟建模还有实际建模除了概念(环境)的差别以外,两者其实是同样的东西。换句话说,一套用在实际建模的习惯,也能应用在仿真的身上。按照这条线索继续思考,笔者发现仿真其实是复合体,其中包括建模,时序等各种基础知识。换言之,仿真不仅需要一定程度的基础,仿真不能按照常规去理解,不然脑袋会短路。期间,笔者发现愈多细节,那压抑不了的求知欲也就愈烧愈旺盛,就这样日夜颠倒研究一段时间以后,笔者终于遇见仿真的关键,亦即个体仿真与整体仿真之间的差异。常规的参考书一般都是讨论个体仿真而已,然而它们不曾涉及整体仿真。一个过多模块其中的仿真对象好比一块大切糕,压倒性的仿真信息会让我们喘不过起来,为此笔者开始找寻解决方法。后来笔者又发现到,早期建模会严重影响仿真的表现,如果笔者不规则分化整体模块,仿真很容易会变得一团糟,而且模块也会失去连接性。笔者愈是深入研究仿真,愈是发现以往不曾遇见的细节问题,然而这些细节问题也未曾出现在任何一本参考书的身上。渐渐地,笔者开始认识,那些所谓的权威还有常规,从根本上只是外表好看的纸老虎而已,细节的涉及程度完全不行。笔者非常后悔,为什么自己会浪费那么多时间在它们的身上。可恶的常规!快把笔者的青春还回来! 所以说,常规什么的最讨厌了,最好统统都给我爆炸去吧!呜咕,过多怨气实在一言难尽,欲知详情,读者自己看书去吧...
上传时间: 2022-05-02
上传用户: