CN112069592B - 一种航天器外弹道跟踪测速数据特征点识别方法 - Google Patents
一种航天器外弹道跟踪测速数据特征点识别方法 Download PDFInfo
- Publication number
- CN112069592B CN112069592B CN202010807380.5A CN202010807380A CN112069592B CN 112069592 B CN112069592 B CN 112069592B CN 202010807380 A CN202010807380 A CN 202010807380A CN 112069592 B CN112069592 B CN 112069592B
- Authority
- CN
- China
- Prior art keywords
- speed measurement
- spacecraft
- downsampling
- measurement data
- data
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007621 cluster analysis Methods 0.000 claims abstract description 7
- 230000035772 mutation Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种航天器外弹道跟踪测速数据特征点识别方法,具体为:首先,对航天器外弹道跟踪测速数据进行降采样,得到降采样数据;再对降采样数据进行四次后项差分;之后利用莱特准则设置阈值得到疑似特征点;最后对疑似特征点进行聚类分析得到估计特征点。本发明通过降采样步骤扩展了样本数据量,克服了航天器外弹道跟踪测速数据在一次飞行任务中样本数量有限的固有缺陷,提高了特征点识别的鲁棒性和准确性;通过多次差分操作消除了数据本身带的趋势项;通过设定双阈值将特征点从正常数据点和野值点中识别出来,克服了野值对特征点识别的干扰。
Description
技术领域
本发明属于航空航天跟踪数据处理研究领域,具体涉及一种航天器外弹道跟踪测速数据特征点识别方法。
背景技术
航天飞行器外弹道跟踪测速数据是分析和评估飞行器飞行实验是否成功的重要依据,也是改进飞行器控制系统设计、提高制导精度的重要依据。在飞行器外弹道跟踪测速数据中,特征点是一种非常重要的弹道跟踪数据点。特征点的本质是目标受力的突变,即时域上目标加速度的突变,这些突变时刻表现为航天飞行器开舱、助推器分离、级间分离、突发故障、姿态改变等事件。
航天飞行器外弹道特征点测量数据处理的目的,是通过处理这些突变时刻的测量数据,计算出精确的突变点时刻。如何从外弹道跟踪测速数据中快速准确的检测到特征点对于提高弹道跟踪数据精度,修正系统误差,分析误差原因等方面都有重要的实际意义。当前各种关于特征点的识别方法仅限于理论研究,无法给出能够应对实际复杂工程的可行性识别方案。
发明内容
本发明的目的是提供一种航天器外弹道跟踪测速数据特征点识别方法,解决了现有技术在样本数量不足和野值干扰条件下从外弹道跟踪测速数据中无法有效识别特征点的问题。
本发明所采用的技术方案是,一种航天器外弹道跟踪测速数据特征点识别方法,具体实施包括以下步骤:
步骤1,对航天器外弹道跟踪测速数据进行降采样,得到降采样数据;
步骤2,对降采样数据进行四次后项差分;
步骤3,利用莱特准则设置阈值得到疑似特征点;
步骤4,对疑似特征点进行聚类分析得到估计特征点。
本发明的特点还在于,
步骤1中,具体为:
设共有M条航天器外弹道跟踪测速数据参与特征点的识别,则第m(1≤m≤M)条航天器外弹道跟踪测速数据对应采样时间值/>经过降采样后,降采样率为k,得到第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据,如式(1)所示:
步骤2中,具体为:将第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据表示为分段多项式的形式,如式(2)所示:
式(2)中,t是采样时间,θi(t)是多项式的i次项系数,θ0(t)是常数项系数,ε(t)是标准差为σ的高斯白噪声;
当对进行四次后项差分后得到/>如式(3)所示;
tc是四次后项差分序列对应的时间变量;
{v(tσ)}~N(0,r×σ),即,ν(tc)服从标准差为r×σ的正态分布;
在不同的时间段有不同的差分序列形式,且满足
tc=tσ∪tτ∪tδ,tδ、tσ、tτ依次为航天器外弹道降采样跟踪测速数据中含有突变野值项时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速数据中含有特征点时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速为正常数据段时所对应多项式的时间自变量;
其中,航天器外弹道降采样跟踪测速为正常数据段时经过四次后项差分后数据趋势被消除,其变为平稳高斯白噪声序列如式(4)所示:
{V(tσ)}~N(0,r×σ) (4);
r×σ是ν(tσ)的标准差,是一个待估计量。
步骤3中,具体为:利用莱特准则理论,估计出平稳高斯白噪声序列的均值/>和标准差/>如式(5)、式(6)及式(7)所示;
设定下阈值和上阈值/>则求解不等式/>其解为:tc=tτ;tτ是从第m条航天器外弹道跟踪测速数据降采样得到的第j个外弹道降采样跟踪数据中识别出来的疑似特征点,令/>
步骤4中,具体为:
步骤4.1:初始化聚类分析算法参数;
设置类内距离为Id;设置获取聚类中心的方式;设置θ为每一聚类域中最少的样本数目,若少于此数即删除该类;
步骤4.2:读入所有识别出来的疑似特征点集合;
所有识别出来的疑似特征点,如式(8)所示;
T=T1∪T2∪…∪Tm∪…∪TM (8);
其中, 是从第m条航天器外弹道跟踪测速数据降采样得到的第j条外弹道降采样跟踪数据中识别出来的疑似特征点;
步骤4.3:将所有疑似特征点中相等的值聚为一类,不相等的疑似特征点单独作为一个类;
步骤4.4:统计每一类中样本的个数,如果样本个数少于θ,则将该类删除;
步骤4.5:遍历所有类,如果两个类之间的距离小于类内距离Id则将两个类合并为一个新类;
步骤4.6:将每个新类中的样本均值作为一个估计特征点。
本发明的有益效果是:
本发明的方法鲁棒性强,能够在克服航天器外弹道跟踪测速数据样本数量不足的固有缺陷、排除数据样本中野值干扰的前提下,自主识别出特征点的个数并得到高精度特征点的值。
附图说明
图1是本发明一种航天器外弹道跟踪测速数据特征点识别方法的流程图;
图2是本发明一种航天器外弹道跟踪测速数据特征点识别方法中对疑似特征点进行聚类分析的流程图;
图3是含有特征点以及野值点的航天器外弹道跟踪测速数据;
图4是含有特征点以及野值点的航天器外弹道跟踪测速数据四次后项差分序列;
图5是含有特征点以及野值点的航天器外弹道跟踪测速数据四次后项差分序列绝对值序列和对应的上(下)阈值曲线。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明将利用图1中基于聚类算法的航天器外弹道跟踪测速数据特征点识别算法流程图,具体实施包括以下步骤:
步骤1,对航天器外弹道跟踪测速数据进行降采样,得到降采样数据;
具体为:在降采样率为k的条件下,一条采样率为f外弹道跟踪数据,经过降采样技术后,可以得到k条采样率为(f/k)的外弹道跟踪数据;
设共有M条航天器外弹道跟踪测速数据参与特征点的识别,则第m(1≤m≤M)条航天器外弹道跟踪测速数据(对应采样时间值/>),经过降采样(降采样率为k)后,得到第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据,如式(1)所示:
步骤2,对降采样数据进行四次后项差分;
第m(1≤m≤M)条航天器外弹道跟踪测速数据降采样后得到的第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据可以将其表示为分段多项式的形式,如式(2)所示:
式(2)中,t是采样时间,θi(t)是多项式的i次项系数,θ0(t)是常数项系数,ε(t)是标准差为σ的高斯白噪声,即{ε(t)}~N(0,σ),它们都是关于时间变量t的函数,在不同的时间段有不同的取值。
在不同的时间段内分段多项式的最高项次数p也是不同的。具体来说,当某时间段内的航天器外弹道跟踪测速数据含有大幅值突变野值项的时候,p=pδ≥6;当某时间段内的航天器外弹道跟踪测速数据是正常的测速数据序列的时候,p=pσ=3;当某时间段内的航天器外弹道跟踪测速数据是含有特征点的测速数据序列的时候,此段弹道测速数据序列相对于正常的测速数据序列有较大的波动性,却小于含有突变野值数据序列的波动性,因此有p=pτ(5≥pτ≥4),三种情况下时间分段多项式最高项次数的关系为:pσ<pτ<pδ。
当对进行四次后项差分后得到/>如式(3)所示;
tc是四次后项差分序列对应的时间变量{v(tσ)}~N(0,r×σ),即,ν(tc)服从标准差为r×σ的正态分布;
可以发现在不同的时间段有不同的差分序列形式,且满足
tc=tσ∪tτ∪tδ,tδ、tσ、tτ依次为航天器外弹道降采样跟踪测速数据中含有突变野值项时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速数据中含有特征点时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速为正常数据段时所对应多项式的时间自变量;
其中,航天器外弹道降采样跟踪测速为正常数据段时经过四次后项差分后数据趋势被消除,其变为平稳高斯白噪声序列如式(4)所示:
{ν(tσ)}~N(0,r×σ) (4);
r×σ是ν(tσ)的标准差,是一个待估计量;
步骤3,利用莱特准则设置阈值得到疑似特征点;
利用莱特准则理论,估计出平稳高斯白噪声序列的均值/>和标准差如式(5)、式(6)及式(7)所示;
由工程实践经验和莱特准则设定下阈值和上阈值/>则求解不等式其解为:tc=tτ;tτ是从第m条航天器外弹道跟踪测速数据降采样得到的第j个外弹道降采样跟踪数据中识别出来的疑似特征点,令/>
步骤4,对疑似特征点进行聚类分析得到估计特征点;如图2所示,具体为:
步骤4.1,初始化聚类分析算法参数;
设置类内距离为Id;设置获取聚类中心的方式;设置θ为每一聚类域中最少的样本数目,若少于此数即删除该类;
步骤4.2:读入所有识别出来的疑似特征点集合;
所有识别出来的疑似特征点,如式(8)所示
T=T1∪T2∪…∪Tm∪…∪TM (8);
其中,(1≤j≤k),/>是从第m条航天器外弹道跟踪测速数据降采样得到的第j条外弹道降采样跟踪数据中识别出来的疑似特征点;
步骤4.3:将所有疑似特征点中相等的值聚为一类,不相等的疑似特征点单独作为一个类;
步骤4.4:统计每一类中样本的个数,如果样本个数少于θ,则将该类删除;
步骤4.5:遍历所有类,如果两个类之间的距离小于类内距离Id则将两个类合并为一个新类。
步骤4.6:将每个新类中的样本均值作为一个估计特征点。
针对在野值、系统误差和随机误差干扰的情况下无法稳定有效地利用一组外弹道跟踪测速数据识别特征点的难题,本发明公开了一种航天器外弹道跟踪测速数据特征点识别方法。本发明通过降采样步骤扩展了样本数据量,克服了航天器外弹道跟踪测速数据在一次飞行任务中样本数量有限的固有缺陷,提高了特征点识别的鲁棒性和准确性;通过多次差分操作消除了数据本身带的趋势项;通过设定双阈值将特征点从正常数据点和野值点中识别出来,克服了野值对特征点识别的干扰;借鉴迭代自组织数据分析技术思想通过聚类分析过程将疑似特征点最终聚合为估计特征点。
如图3所示,含有特征点以及野值点的航天器外弹道跟踪测速数据,可以发现这条数据里面有两个明显的特征点和两处明显的野值,利用本发明方法对图3中的含有野值和特征点的外弹道跟踪数据进行特征点的识别,如图4所示,对图3中含有特征点以及野值点的航天器外弹道跟踪测速数据进行四次后项差分后,得到图4,可以发现图4中有三种类型的差分序列,其中,野值段的四次后项差分序列幅值最大,特征点段的四次后项差分序列幅值次之,正常序列段的四次差分序列的幅值最小(高斯白噪声序列)。如图5所示,将图4中含有特征点以及野值点的航天器外弹道跟踪测速数据四次后项差分序列求绝对值,然后设置上下两个阈值曲线从而将特征点段的四次后项差分序列识别出来,疑似特征点就是特征点段的四次后项差分序列对应的采样时刻,最终识别出来的特征点分别为152.0800、276.5208、289.4719、698.8400、763.9333。
Claims (3)
1.一种航天器外弹道跟踪测速数据特征点识别方法,其特征在于,具体实施包括以下步骤:
步骤1,对航天器外弹道跟踪测速数据进行降采样,得到降采样数据;具体为:
设共有M条航天器外弹道跟踪测速数据参与特征点的识别,则第m(1≤m≤M)条航天器外弹道跟踪测速数据对应采样时间值/>经过降采样后,降采样率为k,得到第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据,如式(1)所示:
步骤2,对降采样数据进行四次后项差分;
具体为:将第j(1≤j≤k)个航天器外弹道降采样跟踪测速数据表示为分段多项式的形式,如式(2)所示:
式(2)中,t是采样时间,θi(t)是多项式的i次项系数,θ0(t)是常数项系数,ε(t)是标准差为σ的高斯白噪声;
当对进行四次后项差分后得到/>如式(3)所示;
tc是四次后项差分序列对应的时间变量;
{v(tx)}~N(0,r×σ),即,ν(tc)服从标准差为r×σ的正态分布;
在不同的时间段有不同的差分序列形式,且满足
tc=tσ∪tτ∪tδ,tδ、tσ、tτ依次为航天器外弹道降采样跟踪测速数据中含有突变野值项时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速数据中含有特征点时所对应多项式的时间自变量、航天器外弹道降采样跟踪测速为正常数据段时所对应多项式的时间自变量;
其中,航天器外弹道降采样跟踪测速为正常数据段时经过四次后项差分后数据趋势被消除,其变为平稳高斯白噪声序列如式(4)所示:
{v(tσ)}~N(0,r×σ) (4);
r×σ是ν(tσ)的标准差,是一个待估计量;
步骤3,利用莱特准则设置阈值得到疑似特征点;
步骤4,对疑似特征点进行聚类分析得到估计特征点。
2.根据权利要求1所述的一种航天器外弹道跟踪测速数据特征点识别方法,其特征在于,所述步骤3中,具体为:利用莱特准则理论,估计出平稳高斯白噪声序列的均值/>和标准差/>如式(5)、式(6)及式(7)所示;
设定下阈值和上阈值/>则求解不等式/>其解为:tc=tτ;tτ是从第m条航天器外弹道跟踪测速数据降采样得到的第j个外弹道降采样跟踪数据中识别出来的疑似特征点,令/>
3.根据权利要求2所述的一种航天器外弹道跟踪测速数据特征点识别方法,其特征在于,所述步骤4中,具体为:
步骤4.1:初始化聚类分析算法参数;
设置类内距离为Id;设置获取聚类中心的方式;设置θ为每一聚类域中最少的样本数目,若少于此数即删除该类;
步骤4.2:读入所有识别出来的疑似特征点集合;
所有识别出来的疑似特征点,如式(8)所示;
T=T1∪T2∪…∪…∪TM (8);
其中, 是从第m条航天器外弹道跟踪测速数据降采样得到的第j条外弹道降采样跟踪数据中识别出来的疑似特征点;
步骤4.3:将所有疑似特征点中相等的值聚为一类,不相等的疑似特征点单独作为一个类;
步骤4.4:统计每一类中样本的个数,如果样本个数少于θ,则将该类删除;
步骤4.5:遍历所有类,如果两个类之间的距离小于类内距离Id则将两个类合并为一个新类;
步骤4.6:将每个新类中的样本均值作为一个估计特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807380.5A CN112069592B (zh) | 2020-08-12 | 2020-08-12 | 一种航天器外弹道跟踪测速数据特征点识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010807380.5A CN112069592B (zh) | 2020-08-12 | 2020-08-12 | 一种航天器外弹道跟踪测速数据特征点识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112069592A CN112069592A (zh) | 2020-12-11 |
CN112069592B true CN112069592B (zh) | 2024-03-26 |
Family
ID=73661281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010807380.5A Active CN112069592B (zh) | 2020-08-12 | 2020-08-12 | 一种航天器外弹道跟踪测速数据特征点识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112069592B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069410A (ja) * | 2013-09-30 | 2015-04-13 | Kddi株式会社 | 姿勢パラメータ推定装置、姿勢パラメータ推定システム、姿勢パラメータ推定方法、およびプログラム |
CN106443614A (zh) * | 2016-08-23 | 2017-02-22 | 西安电子科技大学 | 高超声速目标测加速度方法 |
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN110321940A (zh) * | 2019-06-24 | 2019-10-11 | 清华大学 | 飞行器遥测数据特征提取与分级分类方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2961897B1 (fr) * | 2010-06-25 | 2012-07-13 | Thales Sa | Filtre de navigation pour un systeme de navigation par correlation de terrain |
US11436395B2 (en) * | 2018-06-27 | 2022-09-06 | Dalian University Of Technology | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction |
-
2020
- 2020-08-12 CN CN202010807380.5A patent/CN112069592B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015069410A (ja) * | 2013-09-30 | 2015-04-13 | Kddi株式会社 | 姿勢パラメータ推定装置、姿勢パラメータ推定システム、姿勢パラメータ推定方法、およびプログラム |
CN106443614A (zh) * | 2016-08-23 | 2017-02-22 | 西安电子科技大学 | 高超声速目标测加速度方法 |
CN110188810A (zh) * | 2019-05-23 | 2019-08-30 | 西北工业大学 | 一种基于密度聚类的在线野值检测、识别与修正方法 |
CN110321940A (zh) * | 2019-06-24 | 2019-10-11 | 清华大学 | 飞行器遥测数据特征提取与分级分类方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于B样条的外弹道测量数据野值处理方法;段一萍;;电子测量技术;20120715(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112069592A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111259927B (zh) | 基于神经网络和证据理论的火箭发动机故障诊断方法 | |
CN109116834B (zh) | 一种基于深度学习的间歇过程故障检测方法 | |
CN111985093A (zh) | 一种带噪声估计器的自适应无迹卡尔曼滤波状态估计方法 | |
CN112668104B (zh) | 一种高超声速飞行器气动参数在线辨识方法 | |
CN110375772B (zh) | 自适应卡尔曼滤波的环形激光器随机误差建模与补偿方法 | |
CN107229060B (zh) | 一种基于自适应滤波的gps测量数据处理方法 | |
CN113091768B (zh) | 一种mimu整体动态智能标定补偿方法 | |
CN105466660B (zh) | 一种采用加速度观测器的飞机气动参数分区分步辨识方法 | |
CN101221238A (zh) | 基于高斯均值移动配准的动态偏差估计方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN106547899B (zh) | 一种基于多尺度时变聚类中心变化的间歇过程时段划分的方法 | |
CN107797106A (zh) | 一种加速em未知杂波估计的phd多目标跟踪平滑滤波方法 | |
CN110516920B (zh) | 基于指标融合的陀螺仪质量等级评估方法 | |
CN105894014B (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
CN112069592B (zh) | 一种航天器外弹道跟踪测速数据特征点识别方法 | |
CN112797967B (zh) | 一种基于图优化的mems陀螺仪随机漂移误差补偿方法 | |
CN106844836B (zh) | 一种石英挠性加速度计参数稳定性建模方法 | |
CN101149819A (zh) | 气象要素实时数据中奇异值的剔除方法 | |
CN112906213B (zh) | 一种机载电子设备剩余寿命自适应预测方法 | |
Zheng et al. | An rnn-based learnable extended kalman filter design and application | |
CN115372957A (zh) | 高超声速飞行器轨迹跟踪方法 | |
Liu et al. | LGC-Net: A lightweight gyroscope calibration network for efficient attitude estimation | |
CN111157017A (zh) | 一种加速度计偏值的高效可靠性分析方法 | |
CN113761814B (zh) | 一种基于有监督学习模型的翼型转捩区域判断方法 |
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 |