在机载激光雷达扫描过程中,建筑物背面的地面边缘线常常被遮挡,无法获取精确的建筑物背面边缘点信息,在利用获得的激光点云进行三维重建时,使得创建数字表面模型(DSM)的精度较低。为消除背面边缘点缺失造成的DSM精度降低,提出了一种建筑物地面缺失边缘线的自动提取算法;通过提取建筑物侧面和地面局部点云的拟合趋势面,计算两相邻局部趋势面的交线,并补充缺失部分的边缘点数据;最后采用补充了边缘点的建筑物激光点云重建了建筑物的DSM,并对边缘点补充前后的DSM精度进行了对比仿真实验。仿真结果表明,通过提取和补充建筑物的边缘点可有效提高建筑物重建DSM的高程精度。

1.4g模块机载网络rtk

对于机载单站无源定位中观测向量和系数矩阵均存在噪声的情况，采用经典的最小二乘(LS)算法会导致估计结果有偏，而一般的批处理算法运算量大，不满足定位的实时性要求。为此提出一种递推总体最小二乘定位(RTLS)算法。在建立机载无源测向定位模型的基础上，引入由系数矩阵和观测向量构成的增广矩阵，利用矩阵分解的性质建立了增广自相关逆矩阵和最右奇异向量的递推方程，从而推导出RTLS定位算法。仿真结果表明，RTLS算法的收敛速度和定位精度优于RLS算法和TWDRLS算法，并且实现了TLS算法对目标位置的实时估计，能够定位

聚束式SAR适用于小场景成像,目前聚束式SAR的成像算法有很多,基于实际系统中实时性的要求,可采用S-RD算法来完成对目标的成像.由于成像区域较小,距离徙动的影响较小,成像算法可分维处理.在距离维,采用去斜技术对回波进行处理,实现脉冲压缩;在方位维,用方位向匹配函数实现方位向聚焦,最后计算该算法的运算量.试验结果表明:该算法步骤简单,运算量小,可被应用于实际系统中完成对目标的实时成像.

机载多发多收合成孔径雷达(MIMO - SAR)可以实现高分辨成像,但不可避免的存在运动误差补偿的问题。对多子带并发的机载MIMO - SAR系统进行研究,首先建立并分析了MI- MO - SAR运动误差模型;然后提出了一种扩展的MIMO - SAR运动补偿距离徙动算法(RMA),通过改进的Stolt映射将距离徙动校正与方位向聚焦分开,并结合两步运动补偿技术对MIMO - SAR回波数据的运动误差进行校正,消除了运动误差带来的影响;最后在空频域对各子带信号进行带宽合成实现了距离向高分辨。用该算法对散射点目

移动开发-基于Nand Flash的机载控制记录设备的设计.pdf

机载海洋激光雷达通常被应用于近海岸区域的水下地形测绘、水质和水底特征参数的勘测，新的应用需求对测绘精度与勘测精度的要求越来越高，因此需要更精确的雷达信号解析式，实现水深测量、水质和水底特征参数的反演。基于Mclean等给出的光束扩散函数和海水介质传递函数，采用傅里叶变换方法，引入多次散射和脉冲时间展宽的影响，推导了发射系统和接收系统共轴的水底反射光和水体后向散射光信号的解析表达式，给出了系统衰减系数的计算方法，分析了脉冲展宽对深度测量误差的影响，在浑浊海港海水中，脉冲展宽可达到数十纳米量级。该数学模型能够更准确地描述机载海洋激光雷达接收信号的特征，能够用于分析机载海洋激光雷达的性能，并为海水深度的归算、水体与水底参数的反演提供一定的理论依据。

海洋激光雷达发射的激光脉冲在海水中传输, 脉冲波形随深度会发生展宽, 相应的雷达接收系统接收到的信号与激光发射脉冲差异会增大, 该现象会导致以发射脉冲作为匹配滤波器的固定匹配滤波方法在处理深水激光雷达回波信号时产生误判。为了改进匹配滤波算法对于海洋激光雷达回波数据的性能, 使用蒙特卡罗法研究在测区条件下不同深度的激光脉冲在雷达探测器上的波形, 并以这组波形作为深度自适应的匹配滤波器来代替匹配滤波算法中的固定匹配滤波器, 并用南海的实测数据检验算法的性能。实验表明, 自适应深度提取算法相比于匹配滤波算法稳定性和准确性更好。为了验证算法的正确性, 以单波束声呐测深在同一测区的测深数据为基础, 对雷达测深数据进行精度评定。

设计了一种新型的机载过压保护电路。该电路以芯片LT4356和APL502L为主要器件，简单可靠，能够满足防80 V/50 ms浪涌电压要求。介绍了该防浪涌电压保护电路主要特点和参数设计，并对该电路进行了仿真分析。相应实验结果表明，该电路是一种可靠有效的机载过压保护电路。

３．３　智能故障诊断算法 飞机ＰＨＭ系统智能故障诊断算法依赖于人 工智能技术，常用的智能诊断方法有以下４种。 １）基于神经网络的故障诊断 将系统正常工作检测到的数据进行数据预处 理，提 取 出 特 征 量，离 线 输 入 到 神 经 网 络 进 行 学 习，获得神经网络权值，该神经网络作为系统正常 的模型［２３］。当实际系统运行时，检测系统进行处 理后与神经网络比较，当系统输出与神经网络输 出之差超出阈值，则可以判断为系统故障，如图６ 所示。 图６　基于神经网络的故障诊断 Ｆｉｇ．６　Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ 　 　　２）基于支持向量机的故障诊断 支 持 向 量 机 （Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅｓ， ＳＶＭ）是建立 在 结 构 风 险 最 小 化 的 原 则 基 础 上， 追求有限样本下最优解的方法。ＳＶＭ 用 于 故 障 诊断实质上是一个分类问题，它根据飞机运行过 程中产生的各种信息（如振动频谱、波形特征、相 关运行参数等），判断其是否有故障，并判断故障 产生的原因和部位。采用ＳＶＭ 能在训练样本很 小的情况下很好的达到分类推广的目的，而且不 需要预先知道故障分类的先验知识，如图７所示。 图中Ｒ１、Ｒ２ 和Ｒ３ 分别为３个故障区域；ω１、ω２ 和 ω３ 分别为Ｒ１、Ｒ２ 和Ｒ３ 的权值。 图７　支持向量机故障分类 　Ｆｉｇ．７　Ｆａｕｌｔ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ｂａｓｅｄ　ｏｎ　ｓｕｐｐｏｒｔ　ｖｅｃｔｏｒ ｍａｃｈｉｎｅ（ＳＶＭ） ３）多传感器信息融合故障诊断 信息融合是将多源信息加以智能合 成，产 生 比单一信息源更精确、更完全的估计和判决。多 传感器信 息 融 合 方 法 包 括 基 于 权 系 数 的 融 合 方 法、基于参数 估 计 的 信 息 融 合 方 法、基 于 Ｄ－Ｓ推 理理论的融 合 方 法、基 于 Ｋａｌｍａｎ滤 波 的 融 合 方 法、基于模糊神经网络的融合方法和基于粗糙集 理论的融合方法等［２４］，ＰＨＭ 系统常采用的混 合 式信息融合结构如图８所示。 图８所示结 构 可 以 同 时 进 行 原 始 传 感 器 数 据和特征 数 据 的 融 合，在 数 据 融 合 的 过 程 中 可 以根据 需 要 从 原 始 传 感 器 信 号 中 寻 找 有 用 信 息，进而 有 效 提 高 运 算 结 果 精 度。然 后 再 采 用 独立故障 分 类 算 法 对 特 征 信 号 进 行 处 理，实 现 故障隔离。 ４）模糊逻辑推理 模糊逻辑推理基于隶属度函数将系统输入进 行融合，产生输出［２５］。在完成了隶属度函数度量 之后，通过诸如求和或求最大值等方法将不同隶 属度函数融合在一起，最终利用融合后的隶属度 函数计算融合输出结果，如图９所示。