基于视觉补充的水稻插秧机多传感器组合定位研究

为改善基于GNSS/INS组合定位的水稻插秧机在遇到遮挡、电磁干扰、传感器失效等情况时的导航效果,在原有GNSS/INS组合定位的基础上,提出一种视觉导航系统（vision navigation system,VNS）补充的水稻插秧机多传感器组合定位方法。首先设计改进的Otsu法和改进的Hough变换算法用于视觉定位信息提取,并构建插秧机和相机坐标系关系方程以求解位姿值;然后采用具有容错功能的联邦卡尔曼滤波算法将VNS输出的定位信息和GNSS、INS输出的定位信息进行融合;最后分别在水泥地和水田进行试验。结果显示,空旷水泥地场景下,GNSS/INS/VNS组合定位和GNSS/INS组合定位精度相近,而在遮挡水泥地场景下,GNSS/INS/VNS组合定位解算出的位置误差和航向误差的平均值分别为1.77 cm和0.99°,相较于GNSS/INS组合定位方法分别提高46.8%和61.5%;水田试验中,经过视觉补充后导航系统的横向偏差和航向偏差平均值分别降低45.7%和67.9%,横向偏差平均值为1.97 cm,航向偏差平均值为0.49°。试验结果表明,基于视觉补充的多传感器组合定位方法能有效降低导航系统的定位误差和跟踪偏差,满足插秧机自动驾驶作业的要求。     

强跟踪自适应卡尔曼滤波在高铁沉降监测中的应用

以高铁沉降监测为应用背景,研究了一种强跟踪自适应卡尔曼滤波算法,并将其与其他几种卡尔曼滤波算法进行仿真对比。结果表明,滤波算法具有较高的精度和较强的跟踪能力。     

基于集合卡尔曼滤波的地表水热通量同化研究

地表水热通量是研究地表能量转换与水文过程中的重要参数,本文借助通用陆面模式CLM3.0(Community Land Model3.0)为动力框架,利用集合卡尔曼滤波作为同化算法构建单站点的地表水热通量同化系统,并利用Ameriflux通量观测网上Chestnut Ridge、ARM SGP Main以及Tonzi Ranch三个站点的通量观测数据进行直接同化地表水热通量试验。结果表明,在三种不同下垫面下,RMSE直接同化水热通量能够很好地改善地表总水热通量的估算效果。经过同化通量观测值,模式输出的通量值的RMSE均有减小。在代表农田下垫面的ARM SGP Main站,感热通量的RMSE由67.49W/m2下降至14.07W/m2,潜热通量的RMSE由70.07W/m2下降至14.35W/m2;在代表森林下垫面的Chestnut Ridge站,感热通量的RMSE由82.56W/m2下降至48.56W/m2,潜热通量的RMSE由42.99W/m2下降至38.92W/m2;在代表草地下垫面的Tonzi Ranch站,感热通量的RMSE由62.99W/m2下降至17.85W/m2,潜热通量的RMSE由44.76W/m2下降至36.01W/m2。相对于通过同化地表温度和湿度间接改善地表水热通量预报的研究结果,直接同化地表水热通量的结果好于前者。但值得注意的是,针对集合同化方法,不同初始场误差、观测误差和大气强迫数据误差的扰动强度都会对同化结果造成影响。从同化系统对3种误差的敏感性分析结果来看:观测误差的影响最大且减小观测误差能够减小同化后的RMSE值,估计观测误差的方法是否合理会直接影响同化结果的好坏;初始场误差对同化后的RMSE值影响最小;另外,增加大气强迫数据误差和初始场误差能减小同化后的RMSE值。     

基于卡尔曼滤波的车辆侧偏角软测量

针对车辆稳定性控制过程中难以在线测得车辆侧偏角的问题,该文基于参数软测量理论和离散信号滤波理论,并结合卡尔曼滤波和驾驶员—车辆闭环系统模型建立车辆侧偏角软测量模型。该方法通过易测变量横摆角速度和侧向加速度估算车辆侧偏角,以实现车辆侧偏角的状态估计。基于预瞄最优曲率控制理论和预测—跟随理论所建立的二自由度驾驶员—车辆闭环系统建立了软测量模型,并建立其状态方程和观测方程。为进行状态估计,对模型的状态方程和观测方程进行连续系统离散化,得到以横摆角速度和侧向加速度为观测量的系统离散观测方程。通过双移线试验与蛇形试验进行场地试验获取纵向速度、侧向速度、横摆角速度、侧向加速度及车辆侧偏角等试验数据。估计值和试验值比较显示,两者变化趋势一致,误差均值在试验值幅值的10%以内,试验表明,软测量算法能准确估算出车辆侧偏角是可行的。研究结果可为软测量技术在车辆稳定性控制系统上的应用提供参考。     

智能农机GNSS/INS组合导航系统设计

为提高自动导航农机的定位精度和可靠性,该研究设计了基于全球导航卫星系统(GlobalNavigationSatellite System, GNSS)和惯性导航系统(Inertial Navigation System, INS)的智能农机组合导航系统,该系统根据来自INS的三轴姿态角速度、加速度信息以及高精度定位板卡的三轴位置、速度信息,采用松耦合模式,通过卡尔曼滤波对INS误差实时校正,解算出农机的精准位置、速度和姿态信息。为实现该组合导航系统,设计和制作了智能农机控制板,集成GNSS高精度解析板卡和惯性测量模块,并在控制板上实现组合导航算法。搭建了东风DF1004-2智能农机试验平台,并在试验田中分别进行静止和直线行驶状态下的试验和单独GNSS导航与组合导航效果的对比。试验结果表明,在农机静止状态,两者性能接近,定位误差均在1 cm以内,姿态角误差均在0.1°以内;在农机以2 m/s的速度按照预设直线行驶时,单独GNSS导航位置误差在6 cm以内,姿态角误差在1°以内,GNSS/INS组合导航位置误差在3 cm以内,姿态角误差在0.5°以内,GNSS/INS组合导航精度明显的提升,可为高精度农机自动导航控制提供技术支持。     

基于深度神经网络及隐马尔科夫模型的生猪状态音频识别

针对传统音频识别方法在生猪音频信号识别中识别率较低的问题,将深度神经网络及隐马尔可夫模型理论作为生猪音频信号识别依据,以长白猪的吃饭声、发情声、嚎叫声、哼叫声和生病长白猪的喘气声为识别对象,利用卡尔曼滤波和改进的EMD-TEO倒谱距离端点检测算法对生猪音频信号进行预处理,把提取的39维的梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)作为网络学习和识别的数据集,构建基于深度神经网络及隐马尔科夫模型的生猪状态音频识别模型。试验结果表明:1)隐马尔可夫隐状态数设置为5,深度神经网络隐藏层设置为3层,每层128个节点的深度神经网络-隐马尔可夫模型(Deep neural network-hidden Markov model,DNN-HMM),对5种生猪状态音频,即吃饭声、嚎叫声、哼叫声、发情声和病猪喘气声的识别率为70%、95%、75%、80%和95%,总体识别率83%;2)相较于传统的高斯混合模型-隐马尔可夫模型(Gaussian mixture model-hidden Markov model,GMM-HMM),DNN-HMM对相应音频的识别率分别提高了5%、5%、15%、30%、30%,总体识别率提高了17%;3)DNN-HMM模型对于5种不同类型的生猪音频信号均呈现出较好的识别效果。基于DNN-HMM生猪音频识别模型,对生猪不同状态下音频的识别具有较高正确率,且更为可靠。     

无人机三轴稳定云台的模糊PID控制

以无人机三轴稳定云台的内框作为研究对象,将自适应卡尔曼滤波算法与模糊PID控制算法相结合,提出了一种基于自适应卡尔曼滤波的模糊PID控制算法.经过Matlab仿真实验表明,相对于经典PID控制算法和模糊PID控制算法而言,该算法在无人机三轴稳定云台的控制上,不仅响应速度快、精度高,而且对控制干扰噪声和测量噪声也起到了较好的抑制作用.     

基于双模定位的冷链物流实时监测系统

为加强冷链物流监管，实现冷链物流的全程温度和定位监测，设计了基于双模定位的冷链物流实时监测系统。本系统除了集成嵌入式技术、卫星定位技术和GPRS无线通信技术等以实现温度采集、数据远程传输和定位等功能，还使用融合数据的双模定位取代单GPS定位以提高复杂环境下的定位精度，并提出使用改进的扩展卡尔曼滤波算法进行定位解算以实现双系统下定位数据融合，在静态时对水平精度和三维精度分别提高了37.5%和28.6%。测试结果表明，本系统提高了冷链物流监测能力，为未来研究冷链无人配送的定位问题提供基础。     

卡尔曼滤波在监测变形分析中的应用

将变形量和变形速度看作状态向量,将变形加速度看作动态噪声,利用卡尔曼滤波法进行某滑坡监测变形分析,实例分析表明,这种分析方法效果较好。     

基于卡尔曼滤波算法的稻纵卷叶螟短期预测模型

利用1994-2014年中国南方四大稻区（华南、西南、江岭和江淮稻区）代表性病虫测报站的稻纵卷叶螟逐候田间赶蛾量资料,筛选出影响各站稻纵卷叶螟发生量的关键气象因子,应用卡尔曼滤波方法分别对各站建立稻纵卷叶螟迁入期候发生量的卡尔曼短期预测模型,并计算模型的准确率、误差大小和稳定性。结果表明：（1）稻纵卷叶螟发生量与前一候和前两候的田间蛾量呈极显著正相关（P<0.01）,与前一候的近地面最低气温、平均气温和最高气温呈极显著正相关（P<0.01）,与前一候的地面气压呈极显著负相关（P<0.01）。（2）经1994-2011年的回检拟合和2012-2014年试报检验,卡尔曼模型的发生量预测综合平均误差为-88.63,平均绝对误差为217.72,均方根误差为605.04。发生量预测综合准确率为84.33%,平均历史拟合率为83.33%,各站卡尔曼模型的预报结果与实测值基本吻合,表明模型可以应用于稻纵卷叶螟候发生量的预测。