-
公开(公告)号：CN116242369A
公开(公告)日：2023-06-09
申请号：CN202310298754.9
申请日：2023-03-24
Applicant: 哈尔滨工程大学
Abstract: 本发明公开了一种模型不确定性下的用于航天器姿态估计的鲁棒滤波方法，包括步骤1、采集航天器运行时星敏感器和陀螺的输出数据，将其作为量测量；步骤2、建立具有乘法噪声、未知量测干扰和相关噪声的航天器姿态估计系统模型；步骤3、假设k时的状态估计值为误差方差上界为Ωk|k‑1，计算得到预测增益Jk，根据Jk得到一步预测估计和预测误差方差上界Ωk+1|k；步骤4、根据预测误差方差上界Ωk+1|k计算得到滤波增益Kk+1，根据Kk+1得到状态估计和误差方差上界Ωk+1|k+1；步骤5、判断是否达到设定的系统运行时间N，若k＝N，则姿态估计完成，输出估计结果若k
-
公开(公告)号：CN103968835B
公开(公告)日：2017-02-15
申请号：CN201410201313.3
申请日：2014-05-14
Applicant: 哈尔滨工程大学
IPC: G01C21/02
Abstract: 本发明涉及一种折射星的模拟方法，其特征在于：步骤1：扫描星表，判断当前恒星是否为折射星；若判断为折射星,则进入步骤2,否则继续扫描；步骤2：计算星光折射角；步骤3：求解折射星视位置的赤经、赤纬；步骤4：判断折射星的折射星光是否被星敏感器捕捉到；若判断折射星的折射星光被星敏感器捕捉到,则进入步骤5,否则返回步骤1；步骤5：进行星点成像中心计算并生成模拟折射星图。
-
公开(公告)号：CN104019817B
公开(公告)日：2017-01-04
申请号：CN201410234807.1
申请日：2014-05-30
Applicant: 哈尔滨工程大学
IPC: G01C21/24
Abstract: 本发明公开了一种用于卫星姿态估计的范数约束强跟踪容积卡尔曼滤波方法。包括以下几个步骤：采集陀螺与星敏感器的输出数据；确定卫星姿态估计系统的状态变量和量测量；在k时刻进行标准的容积卡尔曼率波时间更新和量测更新，得到一步状态预测方差、一步量测预测方差及互协方差；利用多重次渐消因子对一步状态预测方差进行校正；重新进行容积卡尔曼滤波量测更新，求得k+1时刻的状态估计和状态估计方差；姿态估计非线性离散系统的结束时刻为M，若k+1＝M，则输出k+1时刻的状态估计的姿态四元数及陀螺漂移，完成姿态估计，若k+1＜M，令k＝k+1则重复步骤三至步骤五。本发明具有高估计精度和强鲁棒性的优点。
-
公开(公告)号：CN116342877A
公开(公告)日：2023-06-27
申请号：CN202310163543.4
申请日：2023-02-24
Applicant: 哈尔滨工程大学
IPC: G06V10/26 , G06V20/70 , G06V10/764 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/048 , G06N3/084
Abstract: 本发明的目的在于提供一种复杂场景下基于改进ASPP和融合模块的语义分割方法，包括如下步骤：在Pytorch框架下搭建Deeplabv3+模型；基于传统ASPP结构，设计RA‑ASPP模块；设计CBB模块；采用RA‑ASPP模块对Deeplabv3+模型中的ASPP模块进行替换，采用CBB模块替换解码融合部分的3×3标准卷积；采用冻结训练法训练模型，并分别使用Xception、MobileNetV2作为骨干部分在PASCALVOC07+12数据集上进行消融实验，对比不同模型性能。本发明所提出的改进模块提升了Deeplabv3+的分割效果，不同骨干部分也为复杂场景下的语义分割任务提供了更多的选择。
-
公开(公告)号：CN109000638A
公开(公告)日：2018-12-14
申请号：CN201810519570.X
申请日：2018-05-28
Applicant: 哈尔滨工程大学
IPC: G01C21/02
Abstract: 本发明公开了一种小视场星敏感器量测延时滤波方法，属于飞行器姿态估计技术领域。本发明考虑到非线性姿态估计系统状态模型存在乘性噪声以及量测模型存在未知干扰的情况，建立了两种模型不确定存在下的飞行器姿态估计模型，同时基于扩展卡尔曼滤波的结构，利用鲁棒算法设计找到预测方差及估计方差的上界范围，再利用最小方差理论设计最优的滤波增益。本发明采用鲁棒扩展卡尔曼滤波对飞行器姿态确定，其本质是一种最小方差准则估计，不同于一般的频率域滤波器，本发明可以用于处理不确定性条件下进行姿态估计，具有实时性高、对先验信息依赖度低等优势，解决了星敏感器存在延时的问题，即使在信息不确定的情况下也能保证较高的姿态估计精度。
-
Patent Agency Ranking
公开(公告)号：CN103616028B
公开(公告)日：2016-12-07
申请号：CN201310624874.X
申请日：2013-11-29
Applicant: 哈尔滨工程大学
IPC: G01C21/24
Abstract: 本发明公开了一种基于单星敏感器的星光折射卫星自主导航方法，包括以下几个步骤：步骤一，按照最佳安装角度将星敏感器安装在卫星上；步骤二，星敏感器拍摄星图后，使用三角形算法识别星图中的正常星；步骤三，利用识别的正常星计算星敏感器光轴指向和卫星姿态；步骤四，根据星敏感器光轴指向从星表中选星生成模拟折射星图；步骤五，利用模拟折射星图识别折射星，根据识别结果计算星光折射角；步骤六，将星光折射角代入系统模型，星载计算机利用最优估计方法得到卫星的导航信息。本发明提高了星光折射卫星自主导航的精度、降低了设计成本。
-
公开(公告)号：CN103913166B
公开(公告)日：2016-09-14
申请号：CN201410087924.X
申请日：2014-03-12
Applicant: 哈尔滨工程大学
IPC: G01C21/02
Abstract: 本发明属于星点提取的技术领域，具体涉及一种基于能量分布的星点提取方法。本发明包括：依次扫描图像，将图像的灰度值与阈值S进行对比；若某一像元的灰度值大于S，则搜索其周围3×3像元区域；判断该3×3像元区域内是否有p个像元的灰度值大于T；若步骤三判断成功则用质心法在该像元周围5×5区域内提取星点质心，否则继续扫描。本发明能够提高质心提取的精度；本发明能将星图分割的两个阶段和质心提取算法同时进行，提高星图处理实时性。
-
公开(公告)号：CN103940432A
公开(公告)日：2014-07-23
申请号：CN201410145806.X
申请日：2014-04-11
Applicant: 哈尔滨工程大学
IPC: G01C21/24
CPC classification number: G01C21/24
Abstract: 本发明公开了一种星敏感器的姿态确定方法，包括以下几个步骤：在初始时刻进行星图识别并计算载体的姿态；利用载体的姿态和陀螺的输出信息计算当前时刻星敏感器的视轴方向，利用得到的视轴方向从星表中选星生成模拟星图；将模拟星图与当前时刻星敏感器的拍摄星图组合形成新的星图；从新星图的真实视场中选择参考星使用栅格算法进行识别；若识别成功的星点数目大于2，则星图识别成功，计算载体姿态，反之重新运行。本发明将扩充视场的方法应用于栅格算法，使得视场中的恒星数目增加，打破了栅格算法不能应用与小视场、低星等敏感器的限制；使得星敏感器的星图识别过程具有高识别率。
-
公开(公告)号：CN103913166A
公开(公告)日：2014-07-09
申请号：CN201410087924.X
申请日：2014-03-12
Applicant: 哈尔滨工程大学
IPC: G01C21/02
CPC classification number: G01C21/025
Abstract: 本发明属于星点提取的技术领域，具体涉及一种基于能量分布的星点提取方法。本发明包括：依次扫描图像，将图像的灰度值与阈值S进行对比；若某一像元的灰度值大于S，则搜索其周围3×3像元区域；判断该3×3像元区域内是否有p个像元的灰度值大于T；若步骤三判断成功则用质心法在该像元周围5×5区域内提取星点质心，否则继续扫描。本发明能够提高质心提取的精度；本发明能将星图分割的两个阶段和质心提取算法同时进行，提高星图处理实时性。
-
公开(公告)号：CN117409355A
公开(公告)日：2024-01-16
申请号：CN202310765008.6
申请日：2023-06-27
Applicant: 哈尔滨工程大学
IPC: G06V20/50 , G06V10/774 , G06V10/82 , G06V10/764 , G06V10/77 , G06N3/0464
Abstract: 本发明公开了一种基于改进YOLOv4的轻量化多目标检测方法，提出的L‑YOLOv4模型比传统YOLOv4更轻量。本发明的网络基于YOLOv4进行改进,选择MobileNeXt替换CSPDarknet53，采用轻量级骨干网络提高特征提取效率，降低模型复杂度；提出一种改进的ReceptiveFieldBlocksmaller(RFB‑s)模块，采用非对称空洞卷积和SE模块来增强网络特征提取能力，增大感受野；提出一种融合深度可分离卷积与ECA模块的DSC‑ECA模块替换传统YOLOv4中的标准卷积，进一步降低模型参数量与计算量，并弥补了精度损失。本发明提出的L‑YOLOv4模型在VOC数据集上的精度为74.85％，在COCO数据集上的精度为25.28％。L‑YOLOv4在保证检测精度的前提下，参数量降低了77.23％，计算量仅为YOLOv4的16％，在3060Ti上的检测速度为45.2fps，达到了媲美先进算法的性能，并实现了模型的轻量化与实时性检测。
-
-
-
-
-
-
-
-
-
Search Results
28
records
(took 0.037 seconds)
