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：
