SINS/Two-Antenna GPS组合导航系统设计及实现

对SINS／two—antenna GPS全组合导航系统进行了研究，建立了相应的误差模型和系统观测模型，特别是组合系统下的GPS载波相位双差观测模型。提出了一种扩展的卡尔曼滤波方法，并进行了系统硬件集成设计。仿真结果表明：该设计改善了系统性能，提高了导航定位的精度、可靠性和实用性。     

基于卡尔曼滤波器的运动目标检测与跟踪

针对摄像机静止的情况,提出了一种可运用于实时监控中的运动目标检测与跟踪的方法．采用更新函数实现背景实时更新,通过差分算法检测运动目标．在跟踪模块中,提出建立帧间目标“关系矩阵”实现多个运动目标匹配,并采用卡尔曼滤波器预测目标参数,在运动目标相互遮挡的情况下,根据预测参数跟踪目标,获得目标轨迹．通过多个图像序列测试,算法具有良好的实时性和适应环境变化的能力．     

基于高斯混合-隐马尔科夫融合算法识别奶牛步态时相

奶牛步态时相是反映奶牛健康及跛行严重程度的重要指标。为准确自动识别奶牛步态时相,本研究提出一种融合高斯混合模型 （Gaussian Mixture Model,GMM） 和隐马尔科夫模型 （Hidden Markov Model,HMM）的无监督学习奶牛步态时相识别算法 GMM-HMM。使用惯性测量单元采集奶牛后肢加速度和角速度信号,通过卡尔曼滤波消除噪声,筛选并提取特征值,构建GMM-HMM模型,实现奶牛静立相、连续步态中的站立相和摆动相等3种步态时相的自动识别。结果表明,静立相识别的准确率、召回率和F₁分别为89.28%、90.95%和90.91%,连续步态中的站立相识别的准确率、召回率和F₁分别为91.55%、86.71%和89.06%,连续步态中的摆动相识别的准确率、召回率和F₁分别为86.67%、91.51%和89.03%。奶牛步态分割的准确率为91.67%,相较于基于事件的峰值检测法和动态时间规整算法准确率分别提高了4.23%和1.1%。本研究可为下一步基于穿戴式步态分析的奶牛跛行特征提取提供技术参考。     

基于GPS和机器视觉的组合导航定位方法

准确、可靠的位置信息是进行农业机械自动导航的前提。该文构建了一个基于GPS和机器视觉的多传感器组合导航定位系统。在此系统中,采用GPS获取导航车的绝对位置信息、航向角度和行驶速度;机器视觉通过图像处理获取导航基准线,并得到代表作物行特征的点;UKF（unscented kalman filter,无迹卡尔曼滤波）滤波器用来对上述传感器获取的信息进行滤波,并以电瓶车为平台,对滤波前后的定位效果进行对比。试验结果表明,使用UKF滤波后的定位精度和稳定性得到了改善,X方向和Y方向标准偏差分别为2.43、0.07 m,定位曲线得到了平滑,克服了使用单一传感器进行定位的弊端,能够满足自动导航系统的要求。     

基于卡尔曼滤波的小麦叶面积指数同化方法

该文对作物生长模型模拟的数据和观测数据之间的同化进行了研究。采用农业技术转移决策支持系统（DSSAT）中的小麦生长模型对叶面积指数（LAI）进行了模拟,应用插值方法解决模型模拟的连续值和地面观测的离散值的时间尺度的匹配问题,结果表明,与最邻近点插值法、线性插值法、三次样条插值法和立方插值法的插值结果相比,表明立方插值法对实测的LAI的插值效果较好。其次是应用卡尔曼滤波法对内插后的LAI进行了同化,试验结果表明,内插方法与卡尔曼滤波法相结合是一种具有稳定性和可用性的方法,经过同化后的LAI数据较接近真实情况,其效果好于DSSAT模型模拟的LAI。     

风电场风速预测方法的研究

风速预测对风电场和含风电的电力系统的运行都具有重要意义。对风速进行比较准确的预测,可以有效地减轻或避免风电场对电力系统的不利影响,同时提高风电场在电力市场中的竞争能力,因此预测方法得到广泛地发展。本文重点分析随机时间序列法、工神经网络法、卡尔曼滤波法、模糊逻辑法、小波分析法、空间相关法等几种基本方法的原理。     

基于X射线脉冲星的新型卫星天文导航

基于X射线脉冲星导航（XNAV）是一种新型的卫星自主导航技术。使用卫星上的相位测量值和脉冲星钟预报的相位值,可以确定卫星的位置和速度。由探测到的脉冲相位,计算出沿着脉冲星视线方向的卫星相对于地心的距离。同时测量三颗脉冲星,就可以计算出卫星在惯性系下的位置。结合距离测量方程和轨道动力学,设计了广义卡尔曼滤波算法。仿真验证表明,该导航算法能实现卫星的精确导航,定轨精度在百米以内。此外还分析了影响导航性能的因素。     

ET_0预测的卡尔曼滤波修正ANFIS模型研究

实时、准确地对作物需水量的预测是实现智能节水灌溉的关键技术。预测模型的合理选择及精度提高是作物需水决策系统的核心。本文将陕西西安地区的气象数据环境信息引入自适应神经模糊推理(ANFIS)作物参考蒸腾量(ET_0)预测模型,应用卡尔曼滤波器对气象数据经ANFIS建模得到的ET_0预测值进行滤波去噪,以提高模型的预测精度,并通过仿真和实验验证,从理论和实践两个方面来验证模型的精度。仿真结果得到,反映模型预测值与真实值之间拟合程度的均等系数(EC)值校正前为0.93,校正后达到0.98。实验结果得到,ANFIS预测模型的平均绝对误差是28.94%,平均相对误差是26.37%,卡尔曼修正后的ANFIS预测模型的平均绝对误差是7.24%,平均相对误差是6.59%。仿真和实验结果表明,利用卡尔曼滤波对ANFIS预测模型进行修正,可以提高预测的精度,经卡尔曼修正后的ANFIS模型能更佳地反映ET_0的变化趋势。     

农机具姿态倾角测量系统设计与试验

农机具姿态倾角测量技术是实现农机装备精准作业的关键技术之一。为进一步提高农机装备作业质量,以ADIS16445微惯性MEMS传感器和STM32F446核心处理器搭建硬件平台,以欧拉角法解算姿态,建立卡尔曼滤波模型融合加速度计与陀螺仪信息,实现农机具姿态倾角的精准测量。融合算法模型考虑陀螺仪零偏特性,并根据MEMS微传感器运动特性,自适应模型误差协方差矩阵Q与R,适应不同工况下农机具姿态倾角测量。采用SGT320E三轴多功能转台与BD982双天线定位测姿模块对系统进行测试与验证。三轴多功能转台试验结果表明,ADIS16445内置陀螺仪与加速度计性能合格,满足系统设计硬件要求;卡尔曼滤波融合模型精准有效,倾角静态测量误差精度为0.15°,动态测量精度典型值为0.3°,最大测量误差为0.5°。田间作业试验结果表明,自适应模型能保证农机具姿态倾角测量系统在不同工况下的测量精度,更稳定可靠,测量平均误差为0.55°。该文研究的农机具姿态倾角测量系统可满足农机装备精准作业要求。