CN110824570B - 一种三轴磁传感器的本体磁性校正方法 - Google Patents
一种三轴磁传感器的本体磁性校正方法 Download PDFInfo
- Publication number
- CN110824570B CN110824570B CN201911031568.9A CN201911031568A CN110824570B CN 110824570 B CN110824570 B CN 110824570B CN 201911031568 A CN201911031568 A CN 201911031568A CN 110824570 B CN110824570 B CN 110824570B
- Authority
- CN
- China
- Prior art keywords
- magnetic sensor
- magnetic
- formula
- matrix
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/40—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation specially adapted for measuring magnetic field characteristics of the earth
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Measuring Magnetic Variables (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种三轴磁传感器的本体磁性校正方法。在磁传感器校正的过程中,因为转变的参数过多,导致解空间的维度过高,从而使得求解变得复杂、计算成本过大。本发明如下:一、用被校正磁传感器在其工作位置持续进行检测。二、求取磁场变异系数;三、若变异系数S<0.5,则进入步骤四;否则,进入步骤五。四、利用“基于乌鸦搜索算法的弱干扰模型”校正磁传感器。五、通过常规校正方法在强干扰模型下校正磁传感器。本发明通过引入磁场变异系数的方式,将磁传感器的校正分为两种不同的情况;从而变异系数较小的情况下利用基于乌鸦搜索算法的弱干扰模型进行磁传感器标定,提高标定的效率。
Description
技术领域
本发明属于传感器领域,具体涉及一种根据三轴磁传感器采集数据本身的规律性进行本体磁性校正的方法。
背景技术
磁法勘探是一种海洋矿产资源探查的重要手段,通过对测试区域的磁异常分析,结合氧化还原、浊度等传感器信息,可以探查区域内的资源分布。使用磁法勘探资源时,磁传感器测量可能会因为采集数据的误差较大从而导致探查资源的准确率降低。
为了降低误差,我们大多使用一些元启发式智能算法校正误差,将误差校正转化成解决复杂高维数值函数优化问题。在优化过程中,因为转变的参数过多,导致解空间的维度过高,从而使得求解变得复杂、计算成本过大,而且有些算法所需要调整的参数较多,或者在校正时,容易出现局部最优解导致不能够较好的对本体磁性进行校正的情况。
发明内容
本发明的目的在于提供一种根据三轴磁传感器采集数据本身的规律性进行本体磁性校正的方法。
本发明一种三轴磁传感器的本体磁性校正方法的第一种方案如下:
步骤一、用被校正磁传感器在其工作位置持续进行检测,获得k组磁场三分量值和k个磁性总场值。
步骤三、若变异系数S<0.5,则进入步骤四;否则,进入步骤五。
步骤四、利用“基于乌鸦搜索算法的弱干扰模型”校正磁传感器。
4-1.确定飞行长度fl、感知概率AP,最大迭代次数tmax和乌鸦数量N;
生成初始位置矩阵Crows如下:
建立记忆矩阵Memory如下:
4-2.i=1,2,…,N,依次执行步骤4-3,计算出N个行向量各自的适应度t+1次迭代值E(Xi,t+1)。
4-3.以行向量Xi,t内的九个元素作为x1,i~x9,i,计算行向量Xi,t对应的k个适应度值Eij如式(1)所示,j=1,2,…,k。
式(1)中,bxij=x′j-x7,i;byij=y′j-x8,i;bzij=z′j-x9,i。x′j、y′j、z′j分别为被校正磁传感器在步骤一中的第j次得到的磁场三分量值。
取k个适应度值Eij中的最小值作为行向量Xi,t的适应度最终值E(Xi,t+1)。
4-4.将N只乌鸦当前位置Xi,t更新为Xi,t+1,i=1,2,…,N;Xi,t+1的表达式如式(2)所示。
式(3)中,ri表示0-1之间服从均匀分布的随机数;randi为满足初始位置矩阵Crows第i行取值范围的一个随机数;Xi,1=Xi;Mi,1=Mi。
4-5.将N只乌鸦各自的最佳记忆位置Mi,t更新为Mi,t+1,i=1,2,…,N;Mi,t+1的表达式如式(3)所示。
式(3)中,E(Mi,t)为E(Xi,1)、E(Xi,2)、....、E(Xi,t)中的最小值。
4-6.若t<tmax,则将t增大1,并重复执行步骤4-3和4-5;否则,进入步骤4-7。
4-7.将Mi,t+1作为校正磁传感器的九个误差补偿参数,进行磁传感器的校正,具体为:用Mi,t+1的前6个元素作为软磁误差R的上三角中的六个元素;用Mi,t+1的后3个元素作为硬磁误差Hhard的三个分量,代入磁传感器输出量模型来完成磁传感器的校正。其中,为磁传感器检测到的数据;为校正后的输出数据。
步骤五、通过常规校正方法在强干扰模型下校正磁传感器。
作为优选,所述飞行长度fl的取值为2。
作为优选,所述感知概率AP的取值0.1。
作为优选,所述初始位置矩阵Crows的第一个至第N个行向量内各元素的取值范围分别为[0.6,1.6]、[-0.6,0.6]、[-0.6,0.6]、[0.6,1.6]、[-0.6,0.6]、[0.6,1.6]、[-20000,20000]、[-20000,20000]、[-20000,20000]。
本发明一种三轴磁传感器的本体磁性校正方法的第二种方案如下:
步骤一、用被校正磁传感器在其工作位置持续进行检测,获得k组磁场三分量值。
步骤二、校正磁传感器。
2-1.确定飞行长度fl、感知概率AP,最大迭代次数tmax和乌鸦数量N;
生成初始位置矩阵Crows如下:
建立记忆矩阵Memory如下:
2-2.i=1,2,…,N,依次执行步骤2-3,计算出N个行向量各自的适应度t+1次迭代值E(Xi,t+1)。
2-3.以行向量Xi,t内的九个元素作为x1,i~x9,i,计算行向量Xi,t对应的k个适应度值Eij如式(4)所示,j=1,2,…,k。
式(4)中,bxij=x′j-x7,i;byij=y′j-x8,i;bzij=z′j-x9,i。x′j、y′j、z′j分别为被校正磁传感器在步骤一中的第j次得到的磁场三分量值。
取k个适应度值Eij中的最小值作为行向量Xi,t的适应度最终值E(Xi,t+1)。
2-4.将N只乌鸦当前位置Xi,t更新为Xi,t+1,i=1,2,…,N;Xi,t+1的表达式如式(5)所示。
式(5)中,ri表示0-1之间服从均匀分布的随机数;randi为满足初始位置矩阵Crows第i行取值范围的一个随机数;Xi,1=Xi;Mi,1=Mi。
2-5.将N只乌鸦各自的最佳记忆位置Mi,t更新为Mi,t+1,i=1,2,…,N;Mi,t+1的表达式如式(6)所示。
式(6)中,E(Mi,t)为E(Xi,1)、E(Xi,2)、....、E(Xi,t)中的最小值。
2-6.若t<tmax,则将t增大1,并重复执行步骤2-3和2-5;否则,进入步骤2-7。
2-7.将Mi,t+1作为校正磁传感器的九个误差补偿参数,进行磁传感器的校正,具体为:用Mi,t+1的前6个元素作为软磁误差R的上三角中的六个元素;用Mi,t+1的后3个元素作为硬磁误差Hhard的三个分量,代入磁传感器输出量模型来完成磁传感器的校正。其中,为磁传感器检测到的数据;为校正后的输出数据。
步骤五、通过常规校正方法在强干扰模型下校正磁传感器。
本发明具有的有益效果是:
1、本发明通过引入磁场变异系数的方式,将磁传感器的校正分为两种不同的情况;从而变异系数较小的情况下利用基于乌鸦搜索算法的弱干扰模型进行磁传感器标定,提高标定的效率。
2、本发明进行校正时,只依赖采集的数据本身,而无需借助其它设备,降低了成本;
3、本发明极大简化了操作步骤,减少了调节参数,并可以得到更加准确的校正数据;
4、本发明采用的校正模型具有一定的适应性,可以随测量环境的变化,自行更新参数,从而降低采集的误差。
具体实施方式
以下对本发明作进一步说明。
实施例1
一种三轴磁传感器的本体磁性校正方法,具体步骤如下:
步骤一、用被校正磁传感器在其工作位置持续进行检测,获得k组磁场三分量值和k个磁性总场值。磁性总场值的平方等于x、y、z三个磁场分量值的平方和。
步骤三、若变异系数S<0.5,则进入步骤四;否则,进入步骤五。
步骤四、利用“基于乌鸦搜索算法的弱干扰模型”校正磁传感器。
4-1.初始化乌鸦的位置和记忆。
定义飞行长度fl(本实施例中取值为2)、感知概率AP(本实施例中取值0.1)和最大迭代次数tmax。每个乌鸦表示问题的一种可能解,N只乌鸦随机分布在d维搜索空间,乌鸦有记忆,最初没有经验。元启发式算法应该在多样化和集约化之间提供良好的平衡,受AP控制,AP值越大,多元化程度越高。
随机生成N只乌鸦的位置(每个位置都是可行的解),生成初始位置矩阵Crows如下:
初始位置矩阵Crows的第i个行向量Xi表示第i只乌鸦所代表d维解,i=1,2,…,N。初始位置矩阵Crows的第一个至第N个行向量内各元素的取值范围分别为[0.6,1.6]、[-0.6,0.6]、[-0.6,0.6]、[0.6,1.6]、[-0.6,0.6]、[0.6,1.6]、[-20000,20000]、[-20000,20000]、[-20000,20000]。
用最初的位置当作乌鸦目前的记忆,建立记忆矩阵Memory如下:
4-2.建立适应度函数f(x)如式(1)所示
式(1)中,是磁力仪传感器测量到的第i个三分量;R为载体的软磁误差(三行三列的上三角矩阵);Hhard为载体的硬磁误差(三分量),表示载体坐标下的真实矢量磁场的总场强度;为矩阵的内积;R共有六个解;Hhard共有三个解;
4-3.i=1,2,…,N,依次执行步骤4-4,计算出N个行向量的适应度t+1次迭代值E(Xi,t+1)。
4-4.以行向量Xi,t内的九个元素作为适应度函数f(x)内R的六个解x1,i~x6,i、Hhard的三个解x7,i~x9,i,计算行向量Xi,t对应的k个适应度值Eij如式(2)所示,j=1,2,…,k。
式(2)中,bxij=x′j-x7,i;byij=y′j-x8,i;bzij=z′j-x9,i。x′j、y′j、z′j分别为被校正磁传感器在步骤一中的第j次得到的磁场三分量值。
取k个适应度值Eij中的最小值作为行向量Xi,t的适应度最终值,记为E(Xi,t+1)。
4-5.将N只乌鸦当前位置Xi,t更新为Xi,t+1,i=1,2,…,N;Xi,t+1的表达式如式(3)所示。
式(3)中,ri表示0-1之间服从均匀分布的随机数;AP为感知概率;randi为满足初始位置矩阵Crows第i行取值范围的一个随机数;Xi,1=Xi;Mi,1=Mi。
4-6.将N只乌鸦各自的最佳记忆位置Mi,t更新为Mi,t+1,i=1,2,…,N;Mi,t+1的表达式如式(4)所示。
式(4)中,E(Mi,t)为E(Xi,1)、E(Xi,2)、....、E(Xi,t)中的最小值。
4-7.若t<tmax(最大迭代次数),则将t增大1,并重复执行步骤4-3和4-6;否则,进入步骤4-8。
4-8.将Mi,t+1作为校正磁传感器的九个误差补偿参数,进行磁传感器的校正,具体为:
用Mi,t+1的前6个元素作为软磁误差R的上三角中的六个元素;用Mi,t+1的后3个元素作为硬磁误差Hhard的三个分量,代入磁传感器输出量模型来完成磁传感器的校正。为磁传感器检测到的数据;为校正后的输出数据。
步骤五、通过常规校正方法在强干扰模型下校正磁传感器。具体使用论文《三轴磁通门传感器误差分析与校正》中记载的“神经网络算法的WIDROW-HOFF学习规则对数据进行迭代”方法进行校正。
①.对水下勘探过程中磁力仪传感器的输出量进行建模,具体公式如下:
当地磁场的模值若是常值,此时取模观测方程成立:
③.利用上述方程估算未知参数矩阵,因此校正问题转变成多参数估计问题,由于为3×3可逆矩阵,Hhard为3×1矩阵,校正模型解空间的维度为12,此时维度过高,求解方式将变得复杂,通过QR分解理论对矩阵进行分解,降低维度公式如下:
式中:Q是一个正交矩阵,R是一个正上三角矩阵,因为正交矩阵的性质:‖Q‖=1,得到如下公式:
此时解的空间维度由12维变为9维,
实施例2
本实施例与实施例1的区别在于:在步骤一执行后,不再计算变异系数,而是直接进入步骤四,进行磁传感器的校正。本实施例应用在深海环境中的磁传感器;这类磁传感器所处环境的磁场较稳定,故能够默认为不需要变异系数较小。
Claims (5)
1.一种三轴磁传感器的本体磁性校正方法,其特征在于:步骤一、用被校正磁传感器在其工作位置持续进行检测,获得k组磁场三分量值和k个磁性总场值;
步骤三、若变异系数S<0.5,则进入步骤四;否则,进入步骤五;
步骤四、利用“基于乌鸦搜索算法的弱干扰模型”校正磁传感器;
4-1.确定飞行长度fl、感知概率AP,最大迭代次数tmax和乌鸦数量N;
生成初始位置矩阵Crows如下:
建立记忆矩阵Memory如下:
4-2.建立适应度函数f(x)如下:
4-3.i=1,2,…,N,依次执行步骤4-4,计算出N个行向量各自的适应度t+1次迭代值E(Xi,t+1);
4-4.以行向量Xi,t内的九个元素作为x1,i~x9,i,计算行向量Xi,t对应的k个适应度值Eij如式(1)所示,j=1,2,…,k;
式(1)中,bxij=x′j-x7,i;byij=y′j-x8,i;bzij=z′j-x9,i;x′j、y′j、z′j分别为被校正磁传感器在步骤一中的第j次得到的磁场三分量值;
取k个适应度值Eij中的最小值作为行向量Xi,t的适应度最终值E(Xi,t+1);
4-5.将N只乌鸦当前位置Xi,t更新为Xi,t+1,i=1,2,…,N;Xi,t+1的表达式如式(2)所示;
式(2 )中,ri表示0-1之间服从均匀分布的随机数;randi为满足初始位置矩阵Crows第i行取值范围的一个随机数;Xi,1=Xi;Mi,1=Mi;
4-6.将N只乌鸦各自的最佳记忆位置Mi,t更新为Mi,t+1,i=1,2,…,N;Mi,t+1的表达式如式(3)所示;
式(3)中,E(Mi,t)为E(Xi,1)、E(Xi,2)、....、E(Xi,t)中的最小值;
4-7.若t<tmax,则将t增大1,并重复执行步骤4-4和4-6;否则,进入步骤4-8;
4-8.将Mi,t+1作为校正磁传感器的九个误差补偿参数,进行磁传感器的校正,具体为:用Mi,t+1的前6个元素作为软磁误差R的上三角中的六个元素;用Mi,t+1的后3个元素作为硬磁误差Hhard的三个分量,代入磁传感器输出量模型来完成磁传感器的校正;其中,为磁传感器检测到的数据;为校正后的输出数据;
步骤五、通过常规校正方法在强干扰模型下校正磁传感器。
2.根据权利要求1所述的一种三轴磁传感器的本体磁性校正方法,其特征在于:所述飞行长度fl的取值为2。
3.根据权利要求1所述的一种三轴磁传感器的本体磁性校正方法,其特征在于:所述感知概率AP的取值0.1。
4.根据权利要求1所述的一种三轴磁传感器的本体磁性校正方法,其特征在于:所述初始位置矩阵Crows的第一个至第N个行向量内各元素的取值范围分别为[0.6,1.6]、[-0.6,0.6]、[-0.6,0.6]、[0.6,1.6]、[-0.6,0.6]、[0.6,1.6]、[-20000,20000]、[-20000,20000]、[-20000,20000]。
5.一种三轴磁传感器的本体磁性校正方法,其特征在于:步骤一、用被校正磁传感器在其工作位置持续进行检测,获得k组磁场三分量值;
步骤二、校正磁传感器;
2-1.确定飞行长度fl、感知概率AP,最大迭代次数tmax和乌鸦数量N;
生成初始位置矩阵Crows如下:
建立记忆矩阵Memory如下:
2-2.建立适应度函数f(x)如下:
2-3.i=1,2,…,N,依次执行步骤2-4,计算出N个行向量各自的适应度t+1次迭代值E(Xi,t+1);
2-4.以行向量Xi,t内的九个元素作为x1,i~x9,i,计算行向量Xi,t对应的k个适应度值Eij如式(4)所示,j=1,2,…,k;
式(4)中,bxij=x′j-x7,i;byij=y′j-x8,i;bzij=z′j-x9,i;x′j、y′j、z′j分别为被校正磁传感器在步骤一中的第j次得到的磁场三分量值;
取k个适应度值Eij中的最小值作为行向量Xi,t的适应度最终值E(Xi,t+1);
2-5.将N只乌鸦当前位置Xi,t更新为Xi,t+1,i=1,2,…,N;Xi,t+1的表达式如式(5)所示;
式(5)中,ri表示0-1之间服从均匀分布的随机数;randi为满足初始位置矩阵Crows第i行取值范围的一个随机数;Xi,1=Xi;Mi,1=Mi;
2-6.将N只乌鸦各自的最佳记忆位置Mi,t更新为Mi,t+1,i=1,2,…,N;Mi,t+1的表达式如式(6)所示;
式(6)中,E(Mi,t)为E(Xi,1)、E(Xi,2)、....、E(Xi,t)中的最小值;
2-7.若t<tmax,则将t增大1,并重复执行步骤2-4和2-6;否则,进入步骤2-8;
2-8.将Mi,t+1作为校正磁传感器的九个误差补偿参数,进行磁传感器的校正,具体为:用Mi,t+1的前6个元素作为软磁误差R的上三角中的六个元素;用Mi,t+1的后3个元素作为硬磁误差Hhard的三个分量,代入磁传感器输出量模型来完成磁传感器的校正;其中,为磁传感器检测到的数据;为校正后的输出数据;
步骤三、通过常规校正方法在强干扰模型下校正磁传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031568.9A CN110824570B (zh) | 2019-10-28 | 2019-10-28 | 一种三轴磁传感器的本体磁性校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911031568.9A CN110824570B (zh) | 2019-10-28 | 2019-10-28 | 一种三轴磁传感器的本体磁性校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110824570A CN110824570A (zh) | 2020-02-21 |
CN110824570B true CN110824570B (zh) | 2021-07-27 |
Family
ID=69550861
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911031568.9A Active CN110824570B (zh) | 2019-10-28 | 2019-10-28 | 一种三轴磁传感器的本体磁性校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110824570B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113176529B (zh) * | 2021-03-31 | 2023-10-24 | 西南民族大学 | 一种磁梯度仪校正方法、磁梯度仪校正装置及存储介质 |
CN113866688B (zh) * | 2021-09-22 | 2022-10-04 | 西北工业大学 | 一种小姿态角条件下的三轴磁传感器误差校准方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7425829B2 (en) * | 2003-10-14 | 2008-09-16 | Merlin Technology, Inc. | Tracking positions of personnel, vehicles, and inanimate objects |
CN102252689A (zh) * | 2010-05-19 | 2011-11-23 | 北京国浩传感器技术研究院(普通合伙) | 一种基于磁传感器的电子罗盘校准方法 |
CN103424780A (zh) * | 2013-08-27 | 2013-12-04 | 中国航空无线电电子研究所 | 基于感应线圈的载机磁环境补偿方法 |
CN103869379A (zh) * | 2014-03-24 | 2014-06-18 | 东南大学 | 基于遗传算法优化改进bp神经网络的磁力计校正方法 |
CN104166169A (zh) * | 2014-08-22 | 2014-11-26 | 哈尔滨工程大学 | 一种捷联于水下潜器的三轴磁场传感器误差补偿方法 |
CN104765013A (zh) * | 2015-04-22 | 2015-07-08 | 武元新 | 三轴磁传感器标定方法 |
CN107272069A (zh) * | 2017-06-13 | 2017-10-20 | 哈尔滨工程大学 | 基于磁异常梯度的磁性目标追踪方法 |
CN107356978A (zh) * | 2017-07-11 | 2017-11-17 | 中国科学院电子学研究所 | 基于主成分分析的航磁补偿方法 |
CN108873086A (zh) * | 2018-06-05 | 2018-11-23 | 哈尔滨工程大学 | 一种采用地磁总场梯度阵列对磁性目标定位的方法 |
CN109507891A (zh) * | 2019-01-21 | 2019-03-22 | 闽江学院 | 一种半主动模糊控制方法 |
CN109716168A (zh) * | 2016-07-13 | 2019-05-03 | Iskn公司 | 用于估计磁性物体的参考轴与磁轴之间的角度偏差的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8060310B2 (en) * | 2004-06-15 | 2011-11-15 | Baker Hughes Incorporated | Geosteering in earth formations using multicomponent induction measurements |
CN103411624B (zh) * | 2013-07-22 | 2017-11-17 | 复旦大学 | 基于微动平台的磁跟踪系统的磁场源标定方法及系统 |
-
2019
- 2019-10-28 CN CN201911031568.9A patent/CN110824570B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7425829B2 (en) * | 2003-10-14 | 2008-09-16 | Merlin Technology, Inc. | Tracking positions of personnel, vehicles, and inanimate objects |
CN102252689A (zh) * | 2010-05-19 | 2011-11-23 | 北京国浩传感器技术研究院(普通合伙) | 一种基于磁传感器的电子罗盘校准方法 |
CN103424780A (zh) * | 2013-08-27 | 2013-12-04 | 中国航空无线电电子研究所 | 基于感应线圈的载机磁环境补偿方法 |
CN103869379A (zh) * | 2014-03-24 | 2014-06-18 | 东南大学 | 基于遗传算法优化改进bp神经网络的磁力计校正方法 |
CN104166169A (zh) * | 2014-08-22 | 2014-11-26 | 哈尔滨工程大学 | 一种捷联于水下潜器的三轴磁场传感器误差补偿方法 |
CN104765013A (zh) * | 2015-04-22 | 2015-07-08 | 武元新 | 三轴磁传感器标定方法 |
CN109716168A (zh) * | 2016-07-13 | 2019-05-03 | Iskn公司 | 用于估计磁性物体的参考轴与磁轴之间的角度偏差的方法 |
CN107272069A (zh) * | 2017-06-13 | 2017-10-20 | 哈尔滨工程大学 | 基于磁异常梯度的磁性目标追踪方法 |
CN107356978A (zh) * | 2017-07-11 | 2017-11-17 | 中国科学院电子学研究所 | 基于主成分分析的航磁补偿方法 |
CN108873086A (zh) * | 2018-06-05 | 2018-11-23 | 哈尔滨工程大学 | 一种采用地磁总场梯度阵列对磁性目标定位的方法 |
CN109507891A (zh) * | 2019-01-21 | 2019-03-22 | 闽江学院 | 一种半主动模糊控制方法 |
Non-Patent Citations (3)
Title |
---|
Modified crow search approach applied to electromagnetic optimization;leandro dos santos coelho 等;《2016 IEEE conference on electromagnetic field computation》;20170116;正文第1页 * |
基于全位姿测量优化的机器人精度研究;温秀兰 等;《仪器仪表学报》;20190731;第40卷(第7期);第42-51页 * |
基于遗传算法三轴磁传感器校正系数求解;庞学亮 等;《探测与控制学报》;20170228;第39卷(第1期);第81-89页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110824570A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710974B (zh) | 一种基于深度置信网络的水体氨氮预测方法及装置 | |
CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
CN110659722B (zh) | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 | |
CN110824570B (zh) | 一种三轴磁传感器的本体磁性校正方法 | |
CN111461187B (zh) | 一种建筑物沉降智能检测系统 | |
CN110401978B (zh) | 基于神经网络和粒子滤波多源融合的室内定位方法 | |
CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
CN113411744A (zh) | 一种高精度的室内定位追踪方法 | |
CN114528638A (zh) | 基于强化学习的船舶运动大多步实时预测混合方法及系统 | |
CN112668606B (zh) | 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法 | |
CN113156473A (zh) | 信息融合定位系统卫星信号环境的自适应判别方法 | |
CN112164462B (zh) | 一种乳腺癌风险评估方法、系统、介质及设备 | |
Dwivedi et al. | A comparison of particle swarm optimization (PSO) and genetic algorithm (GA) in second order design (SOD) of GPS networks | |
CN111008549B (zh) | 基于样本熵和ifoa-grnn的uuv平台dvl信号失真重构方法 | |
CN112232129A (zh) | 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法 | |
CN117146954A (zh) | 一种基于改进woa-bp神经网络的称重补偿方法及装置 | |
CN115952685A (zh) | 基于集成深度学习的污水处理过程软测量建模方法 | |
CN115327451A (zh) | 一种基于深度学习的nv色心磁力计磁场计算方法及应用 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
CN113720333A (zh) | 一种基于图注意力网络的室内多点协同定位方法 | |
CN113688770A (zh) | 高层建筑长期风压缺失数据补全方法及装置 | |
CN109858127B (zh) | 基于递归时序深度置信网络的蓝藻水华预测方法 | |
Ghanbarpour Asl et al. | A new non-linear algorithm for complete pre-flight calibration of magnetometers in the geomagnetic field domain | |
Hlavac | Kinematics control of a redundant planar manipulator with a MLP neural network | |
Neuner | Model selection for system identification by means of artificial neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |