-
公开(公告)号：CN111856525B
公开(公告)日：2023-01-03
申请号：CN202010607441.3
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于LSTM神经网络的周跳探测和修复方法，通过长短时记忆网络(LSTM)对时序载波相位测量值的特征数据进行回归预测，并以多普勒信息进行辅助，实现了对GNSS载波相位测量值周跳的探测和修复。本发明包括以下步骤：(1)采集载波相位测量值和多普勒值，并对数据做预处理；(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络；(3)使用LSTM神经网络处理数据集；(4)利用LSTM神经网络输出结果探测和修复周跳；(5)更新历元信息，并重复执行步骤(1)到步骤(4)，直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。经验证，本发明可以有效探测并修复大于0.3周的周跳。
-
公开(公告)号：CN110487271A
公开(公告)日：2019-11-22
申请号：CN201910915008.3
申请日：2019-09-26
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种GNSS信号受阻时Elman神经网络辅助紧组合导航方法，以惯性和GNSS紧组合导航系统模型为基础，针对GNSS信号失锁时的紧组合导航问题，动态Elman神经网络预测模型，来对惯导的误差模型和GNSS的补偿模型进行学习；当GNSS信号缺失时，利用训练好的神经网络预测出GNSS的输出误差并补偿惯导的输出，使误差不会急剧发散，让系统继续进行组合导航。最后利用设计的低成本下的紧组合导航模块进行实地测量，将采集的信息进行预处理，组成训练神经网络的样本数据对Elman神经网络模型进行训练。本算法能在GNSS信号缺失100s的情况进行预测，使系统仍然能进行紧组合导航。
-
公开(公告)号：CN111694025B
公开(公告)日：2023-06-09
申请号：CN202010466269.4
申请日：2020-05-28
Applicant: 哈尔滨工程大学
Abstract: 本发明一种应用于MBOC导航信号的无模糊多径抑制方法，对MBOC导航信号采用具有改进ASPECT去模糊算法的跟踪环路，并将超前‑滞后码间距设置为0.1码片；对于改进后跟踪环路的输出，采用Delta检测指标对导航信号是否受到多径进行区分，将导航信号分类为受多径影响以及不受多径影响两类；通过计算获得每个跟踪上的导航信号的载噪比，并基于载噪比的加权模型为每个导航信号测量值设置初始权值，获得WPDOP参考量的最小值，并将对应的权值组合确定为最终值，进行导航信号测量值权值赋值；本发明能够解决MBOC导航信号在多径环境下定位精度显著变差的问题，有效的减小定位误差。
-
公开(公告)号：CN105885090A
公开(公告)日：2016-08-24
申请号：CN201610265223.X
申请日：2016-04-26
Applicant: 哈尔滨工程大学
Abstract: 本发明提供的是一种提升SMA增强树脂基智能复合材料界面性能的方法。步骤一：将SMA丝截用清水洗净；步骤二：将SMA丝完全淹没在浓硝酸溶液中，浸泡时间为8～10h，取出后用流动水冲洗干净；步骤三：将占溶液质量比2％的纳米SiO2颗粒放入异丙醇溶液中，搅拌成含纳米SiO2的混合溶液；步骤四：利用物理气相沉积法将纳米SiO2颗粒覆盖在SMA表面。本发明使得纳米SiO2颗粒镶嵌进SMA表面刻痕中，解决了现有工业工艺生产方法中改性形状记忆合金丝表面纳米SiO2颗粒易脱落和采用SMA作为增强相的树脂基复合材料存在界面粘结性能差的问题。
-
公开(公告)号：CN111694025A
公开(公告)日：2020-09-22
申请号：CN202010466269.4
申请日：2020-05-28
Applicant: 哈尔滨工程大学
Abstract: 本发明一种应用于MBOC导航信号的无模糊多径抑制方法，对MBOC导航信号采用具有改进ASPECT去模糊算法的跟踪环路，并将超前-滞后码间距设置为0.1码片；对于改进后跟踪环路的输出，采用Delta检测指标对导航信号是否受到多径进行区分，将导航信号分类为受多径影响以及不受多径影响两类；通过计算获得每个跟踪上的导航信号的载噪比，并基于载噪比的加权模型为每个导航信号测量值设置初始权值，获得WPDOP参考量的最小值，并将对应的权值组合确定为最终值，进行导航信号测量值权值赋值；本发明能够解决MBOC导航信号在多径环境下定位精度显著变差的问题，有效的减小定位误差。
-
Patent Agency Ranking
公开(公告)号：CN111856525A
公开(公告)日：2020-10-30
申请号：CN202010607441.3
申请日：2020-06-29
Applicant: 哈尔滨工程大学
Abstract: 本发明提供一种基于LSTM神经网络的周跳探测和修复方法，通过长短时记忆网络(LSTM)对时序载波相位测量值的特征数据进行回归预测，并以多普勒信息进行辅助，实现了对GNSS载波相位测量值周跳的探测和修复。本发明包括以下步骤：(1)采集载波相位测量值和多普勒值，并对数据做预处理；(2)设计用于预测载波相位测量值的特征数据的LSTM神经网络；(3)使用LSTM神经网络处理数据集；(4)利用LSTM神经网络输出结果探测和修复周跳；(5)更新历元信息，并重复执行步骤(1)到步骤(4)，直到处理完所有历元。最后得到周跳探测结果和周跳修复结果。经验证，本发明可以有效探测并修复大于0.3周的周跳。
-
公开(公告)号：CN111694029A
公开(公告)日：2020-09-22
申请号：CN202010466728.9
申请日：2020-05-28
Applicant: 哈尔滨工程大学
IPC: G01S19/37
Abstract: 本发明提出了一种生成B1C信号伪随机噪声码的硬件实现方法，其特征是，包括如下步骤：步骤一：设计出一种基于块存储器的勒让德硬件输出的实现方法；步骤二：设计出基于块ROM共用B1C伪随机噪声码输出的硬件电路方案；步骤三：提出一种多通道分时复用FPGA中块存储器的方案，实现序列的多通道输出方法。本发明针对多通道B1C信号伪码发生器占用硬件资源过多的问题，提出了基于FPGA和分时复用算法的多通道B1C伪随机噪声码输出硬件设计，并给出了具体设计方案和仿真结果，实现了低功耗北斗导航接机B1C信号伪随机噪声码的多通道输出，解决了生成伪码序列占用硬件资源过大和电路结构复杂的问题。
-
公开(公告)号：CN109141521A
公开(公告)日：2019-01-04
申请号：CN201810855321.8
申请日：2018-07-31
Applicant: 哈尔滨工程大学
IPC: G01D21/02
CPC classification number: G01D21/02
Abstract: 本发明属于惯性测量与信号检测技术研究领域，具体涉及一种适用于船舶姿态和升沉及振动测量的一体化检测装置和方法，由传感器检测单元、供电通信线缆、监测PC机三部分组成，供电通信线缆连接着传感器检测单元和监测PC机；且传感器检测单元从下到上由集成一体化六轴惯性传感器、数据采集与信息处理电路、防水机械结构三部分组成；供电通信线缆由供电线缆和信息传输线缆两部分组成，且供电线缆和信息传输线缆封装在一个绝缘防护层中；监测PC机由PC机主体和电源转换与信号收发箱两部分组成，且电源转换与信号收发箱一端与供电通信线缆相连接，另一端与PC机主体相连接。设备体积小、价格低廉、测量结果精确、使用起来方便、效率高。
-
公开(公告)号：CN112083457B
公开(公告)日：2023-08-15
申请号：CN202010978097.9
申请日：2020-09-17
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种神经网络优化的IMM卫星定位导航方法，针对IMM仍无法有效解决机动状态下变加速的定位精度低的问题，本发明引入RBF径向基神经网络用以修正卡尔曼滤波算法。建立运动模型和观测模型，采用基于交互式多模型算法(IMM)的扩展卡尔曼滤波器对高机动载体进行卫星定位导航，在IMM算法中将加速度自适应调整的当前统计模型与CV模型相结合，改善交互式多模型的算法精度；并利用RBF神经网络的非线性映射能力来学习滤波误差，以训练好的网络输出作为滤波结果的校正量，这样的混合滤波器可以极大提升系统的机动目标跟踪能力，通过这种方式对交互式多模型的预测结果进行修正，使预测结果能够更加贴近接收机载体运动状态的真实值。
-
公开(公告)号：CN112083457A
公开(公告)日：2020-12-15
申请号：CN202010978097.9
申请日：2020-09-17
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种神经网络优化的IMM卫星定位导航方法，针对IMM仍无法有效解决机动状态下变加速的定位精度低的问题，本发明引入RBF径向基神经网络用以修正卡尔曼滤波算法。建立运动模型和观测模型，采用基于交互式多模型算法(IMM)的扩展卡尔曼滤波器对高机动载体进行卫星定位导航，在IMM算法中将加速度自适应调整的当前统计模型与CV模型相结合，改善交互式多模型的算法精度；并利用RBF神经网络的非线性映射能力来学习滤波误差，以训练好的网络输出作为滤波结果的校正量，这样的混合滤波器可以极大提升系统的机动目标跟踪能力，通过这种方式对交互式多模型的预测结果进行修正，使预测结果能够更加贴近接收机载体运动状态的真实值。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.023 seconds)
