CN112731252A - 一种基于分区天牛须算法的三轴磁传感器误差校正方法 - Google Patents
一种基于分区天牛须算法的三轴磁传感器误差校正方法 Download PDFInfo
- Publication number
- CN112731252A CN112731252A CN202110001750.0A CN202110001750A CN112731252A CN 112731252 A CN112731252 A CN 112731252A CN 202110001750 A CN202110001750 A CN 202110001750A CN 112731252 A CN112731252 A CN 112731252A
- Authority
- CN
- China
- Prior art keywords
- longicorn
- iteration
- length
- far
- error
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本发明公开了一种基于分区天牛须算法的三轴磁传感器误差校正方法,解决诸如磁通门传感器类的矢量传感器在制造和组装过程中,由于工艺限制,引入的非正交误差、灵敏度误差以及零偏误差问题。根据这些误差的物理意义建立包含这三种误差的模型,得到磁感应强度测量值与实际值之间的关系,并由此推导出传感器的校正模型。利用优化算法对校正模型进行参数求解,就可以获得该传感器的校正参数,对其进行校正,有效消除测量值中的这三类误差。本发明通过在传统天牛须搜索算法中引入种群和分区的概念,在保证局部搜索精度的前提下显著提高全局搜索能力,提升对高维目标函数的搜索能力,可以精确有效地求解校正参数,完成校正工作。
Description
技术领域
本发明属于语音识别技术领域,具体涉及一种三轴磁传感器误差校正方法。
背景技术
由于制造工艺的限制,以及安装误差的影响,使用矢量传感器测量的数据不可避免地包含了非正交误差、灵敏度误差以及零偏误差,进而影响测量数据的准确性。因此,在使用矢量传感器进行磁信号测量之前,对其进行上述误差的校正是极为重要的。文献“H.Yu,S.Feng and W.Li-hua,"Synchronous correction of two three-axismagnetometers using FLANN,"Sensors and Actuators A:Physical,vol.179,pp.312-318,2012.”中采用了一种线性的误差校正模型,并使用了线性神经网络(LNN)的方法对相关参数进行求解,完成了矢量传感器的校正工作。除此之外,还有采用粒子群优化算法(PSO)、遗传算法(GA)等搜索算法求解模型的校正思路。但是,采用忽略二阶小量得到的线性误差校正模型不适用于误差参数较大的情况,而针对非线性的高维模型,粒子群优化等算法存在易陷入局部最优的缺点。
发明内容
为了克服现有技术的不足,本发明提供了一种基于分区天牛须算法的三轴磁传感器误差校正方法,解决诸如磁通门传感器类的矢量传感器在制造和组装过程中,由于工艺限制,引入的非正交误差、灵敏度误差以及零偏误差问题。根据这些误差的物理意义建立包含这三种误差的模型,得到磁感应强度测量值与实际值之间的关系,并由此推导出传感器的校正模型。利用优化算法对校正模型进行参数求解,就可以获得该传感器的校正参数,对其进行校正,有效消除测量值中的这三类误差。本发明通过在传统天牛须搜索算法中引入种群和分区的概念,在保证局部搜索精度的前提下显著提高全局搜索能力,提升对高维目标函数的搜索能力,可以精确有效地求解校正参数,完成校正工作。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:建立误差校正模型:
其中,为非正交误差矩阵,θ为测量坐标轴Xm与标准正交坐标轴X之间的夹角;为测量坐标轴Ym在XOY平面上的投影与标准正交坐标轴Y之间的夹角;ψ为测量坐标轴Ym与XOY平面之间的夹角,为灵敏度误差矩阵,kx、ky、kz为XYZ三轴对应的灵敏度误差参数,Bm为地磁场测量数据,为零偏误差矩阵,bx、by、bz为XYZ三轴对应的零偏误差参数,为校正后的磁感应强度矩阵;
步骤3:建立误差校正目标函数:
其中,Te表示地磁总场强度,Bi′表示第i组地磁场测量数据对应的校正后的磁感应强度矩阵;
步骤5:将误差校正参数代入误差校正模型,完成传感器校正工作。
进一步地,步骤4中所述的利用分区天牛须算法对误差校正目标函数进行参数解算,具体为:
步骤4-1:初始化下列参数,给定预设值:初始位置 n为种群规模,k为变量维度;远区天牛须初始长度远区天牛须长度衰减系数αfar、远区初始步长远区步长衰减系数βfar,近区天牛须初始长度近区天牛须长度衰减系数αnear、近区初始步长近区步长衰减系数βnear;
步骤4-2:计算每个天牛所在位置的初始适应度,得到种群全局最优值fbest及种群全局最优点wbest;令t=1;
步骤4-3:计算每个天牛到种群全局最优点wbest的欧拉距离;将计算得到的欧拉距离按从近到远排序,如果天牛总数为偶数,则前半数天牛划分为近区,后半数天牛划分为远区;如果天牛总数为奇数,则中间数之前包括中间数天牛划分为近区,其余天牛划分为远区;
步骤4-4:对于属于远区的天牛,生成一个随机方向矢量采用远区参数:远区天牛须长度、远区天牛须长度衰减系数、远区步长和远区步长衰减系数,计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
天牛须坐标在第t次迭代中的计算公式为:
天牛的位置更新公式为:
步骤4-5:对于属于近区的天牛,生成一个随机方向矢量采用近区参数:近区天牛须长度、近区天牛须长度衰减系数、近区步长、近区步长衰减系数,用式(1)和式(2)计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
步骤4-6:更新远区和近区的天牛须及步长参数,天牛须参数更新公式为:
dt=αdt-1+d0
步长更新公式为:
δt=βδt-1+δ0
当更新远区参数时,dt表示第t次迭代时远区天牛须长度dt-1表示第t-1次迭代时远区天牛须长度α表示远区天牛须长度衰减系数αfar,d0表示远区天牛须初始长度δt表示第t次迭代远区步长δt-1表示第t-1次迭代远区步长β表示远区步长衰减系数βfar,δ0表示远区初始步长
当更新近区参数时,dt表示第t次迭代时近区天牛须长度dt-1表示第t-1次迭代时近区天牛须长度α表示近区天牛须长度衰减系数αnear,d0表示近区天牛须初始长度δt表示第t次迭代近区步长δt-1表示第t-1次迭代近区步长β表示近区步长衰减系数βnear,δ0表示近区初始步长
步骤4-7:计算每个天牛所在位置的适应度,得到的最优值如果小于全局最优值,则用得到的最优值和最优点分别替换全局最优值fbest及全局最优点wbest,并转至步骤4-3;如果得到的最优值大于等于全局最优值,则转至步骤4-4;令t加1;直到fbest<ε,其中ε是预设收敛阈值,结束迭代,输出全局最优点wbest。
本发明的有益效果如下:
1、本发明通过在传统天牛须搜索算法中引入种群和分区的概念,在保证局部搜索精度的前提下显著提高全局搜索能力,提升对高维目标函数的搜索能力。
2、将本发明的方法用于磁通门矢量传感器的非正交、灵敏度、零偏三种误差校正模型,可以精确有效地求解校正参数,完成校正工作。
附图说明
图1是本发明方法的逻辑框图。
图2是本发明方法的矢量传感器中的非正交误差示意图。
图3是本发明实施例中PSO算法和PBAS算法的迭代过程曲线。
图4是本发明实施例中测量组校正前后的数据。
图5是本发明实施例中测试组校正前后的数据。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
针对非线性模型适用面较窄的问题,以及粒子群优化等算法易陷入局部最优的问题,本发明提供一种采用非线性误差校正模型的基于分区天牛须算法(PBAS)的三轴磁传感器误差校正方法。考虑到非线性模型具有计算复杂且普遍存在多个局部最优点的特点,本发明选用结构简单的天牛须搜索算法作为基础,引入种群化思想,增强其并行搜索的能力。为了在确保局部搜索精度的同时,强化全局搜索能力,又在种群化的天牛须搜索算法中加入了分区过程。两个区域分别采用不同的参数,近区小尺寸小步长,远区与之相反,各有其针对性。
如图1和图2所示,一种基于分区天牛须算法的三轴磁传感器误差校正方法,包括以下步骤:
步骤1:建立误差校正模型:
其中,为非正交误差矩阵,θ为测量坐标轴Xm与标准正交坐标轴X之间的夹角;为测量坐标轴Ym在XOY平面上的投影与标准正交坐标轴Y之间的夹角;ψ为测量坐标轴Ym与XOY平面之间的夹角,为灵敏度误差矩阵,kx、ky、kz为XYZ三轴对应的灵敏度误差参数,Bm为地磁场测量数据,为零偏误差矩阵,bz、by、bz为XYZ三轴对应的零偏误差参数,为校正后的磁感应强度矩阵;
步骤3:建立误差校正目标函数:
其中,Te表示地磁总场强度,通常由测量平均值代替,或通过国际地磁参考场(IGRF)查询得到;Bi′表示第i组地磁场测量数据对应的校正后的磁感应强度矩阵;
步骤5:将误差校正参数代入误差校正模型,完成传感器校正工作。
进一步地,步骤4中所述的利用分区天牛须算法对误差校正目标函数进行参数解算,具体为:
步骤4-1:初始化下列参数,给定预设值:初始位置 n为种群规模,k为变量维度;远区天牛须初始长度远区天牛须长度衰减系数αfar、远区初始步长远区步长衰减系数βfar,近区天牛须初始长度近区天牛须长度衰减系数αnear、近区初始步长近区步长衰减系数βnear;
步骤4-2:计算每个天牛所在位置的初始适应度,得到种群全局最优值fbest及种群全局最优点wbest;令t=1;
步骤4-3:计算每个天牛到种群全局最优点wbest的欧拉距离;将计算得到的欧拉距离按从近到远排序,如果天牛总数为偶数,则前半数天牛划分为近区,后半数天牛划分为远区;如果天牛总数为奇数,则中间数之前包括中间数天牛划分为近区,其余天牛划分为远区;
步骤4-4:对于属于远区的天牛,生成一个随机方向矢量采用远区参数:远区天牛须长度、远区天牛须长度衰减系数、远区步长和远区步长衰减系数,计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
天牛须坐标在第t次迭代中的计算公式为:
天牛的位置更新公式为:
步骤4-5:对于属于近区的天牛,生成一个随机方向矢量采用近区参数:近区天牛须长度、近区天牛须长度衰减系数、近区步长、近区步长衰减系数,用式(1)和式(2)计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
步骤4-6:更新远区和近区的天牛须及步长参数,天牛须参数更新公式为:
dt=αdt-1+d0
步长更新公式为:
δt=βδt-1+δ0
当更新远区参数时,dt表示第t次迭代时远区天牛须长度dt-1表示第t-1次迭代时远区天牛须长度α表示远区天牛须长度衰减系数αfar,d0表示远区天牛须初始长度δt表示第t次迭代远区步长δt-1表示第t-1次迭代远区步长β表示远区步长衰减系数βfar,δ0表示远区初始步长
当更新近区参数时,dt表示第t次迭代时近区天牛须长度dt-1表示第t-1次迭代时近区天牛须长度α表示近区天牛须长度衰减系数αnear,d0表示近区天牛须初始长度δt表示第t次迭代近区步长δt-1表示第t-1次迭代近区步长β表示近区步长衰减系数βnear,δ0表示近区初始步长
步骤4-7:计算每个天牛所在位置的适应度,得到的最优值如果小于全局最优值fbest,则用得到的最优值和最优点分别替换全局最优值fbest及全局最优点wbest,并转至步骤4-3;如果得到的最优值大于等于全局最优值,则转至步骤4-4;令t加1;直到fbest<ε,其中ε是预设收敛阈值,结束迭代,输出全局最优点wbest。
具体实施例:
本实施例考虑地磁背景场条件下的三轴磁传感器三种误差校正情景。假设地磁总场强度Te为50000nT,非正交误差参数ψ,θ以及分别为0.018,0.021以及0.013,灵敏度误差参数kx、ky、kz设置为[1.01 0.95 1.01]T,零偏误差参数bx、by、bz设置为[10 -10 10]TnT。
至此,完成所有仿真数据准备。本发明的具体计算过程如下:
1、基于已设定的参数构造地磁矩阵以及测量矩阵。
测量矩阵与地磁矩阵的关系式为:
2、建立目标函数
目标函数表达式为:
其中,Te通过对36个测量组计算总量平均值得到。
3、基于建立的目标函数,调用分区天牛须搜索算法进行最优参数解算;
初始化相关参数:种群规模及初始位置远区天牛须初始长度远区天牛须长度衰减系数αfar=0.98、远区初始步长远区步长衰减系数βfar=0.987,近区天牛须初始长度近区天牛须长度衰减系数αnear=0.95、近区步长近区步长衰减系数βnear=0.98;
再根据步骤4-2到步骤4-7,最终得到的最优参数为:
x=[-0.0190 0.0201 -0.0015 -0.0474 0.0414 0.0025 -1.1392 -2.17910.04439]T
4、将得到的最优参数代入误差校正模型,分别对测量值以及测试组进行校正;
如图3-图5所示,本实施例中,除了本发明方法外,引入了粒子群优化算法(PSO)以及线性神经网络算法(LNN)作为比较,以显现出本发明的方法的优势。上述三种算法都在尽可能相同的条件下进行,算法迭代停止条件也尽可能相同。完成测量组数据的校正之后,在相同条件下额外生成10000组测量角度循环扫描的包含误差的磁场数据,作为验证校正效果广泛性的测试组,使用相同的校正参数进行误差校正。
为了定量分析校正效果,引入平均绝对误差(MAD)作为对比标准。对于一组数据{x1 x2 … xn},其平均绝对误差的计算公式为:
本实施例的仿真结果中原始数据以及三种方法校正数据的MAD值在表1中给出。
表1三种算法的误差校正效果对比
从表中可以看出,本发明方法可以很好地完成磁通门矢量传感器三种误差的校正工作,相较于现有的PSO以及LNN算法,测量组数据和测试组数据的MAD都有明显的减小。
Claims (2)
1.一种基于分区天牛须算法的三轴磁传感器误差校正方法,其特征在于,包括以下步骤:
步骤1:建立误差校正模型:
其中,为非正交误差矩阵,θ为测量坐标轴Xm与标准正交坐标轴X之间的夹角;为测量坐标轴Ym在XOY平面上的投影与标准正交坐标轴Y之间的夹角;ψ为测量坐标轴Ym与XOY平面之间的夹角,为灵敏度误差矩阵,kx、ky、kz为XYZ三轴对应的灵敏度误差参数,Bm为地磁场测量数据,为零偏误差矩阵,bx、by、bz为XYZ三轴对应的零偏误差参数,为校正后的磁感应强度矩阵;
步骤3:建立误差校正目标函数:
其中,Te表示地磁总场强度,B′i表示第i组地磁场测量数据对应的校正后的磁感应强度矩阵;
步骤5:将误差校正参数代入误差校正模型,完成传感器校正工作。
2.根据权利要求1所述的一种基于分区天牛须算法的三轴磁传感器误差校正方法,其特征在于,步骤4中所述的利用分区天牛须算法对误差校正目标函数进行参数解算,具体为:
步骤4-1:初始化下列参数,给定预设值:初始位置 n为种群规模,k为变量维度;远区天牛须初始长度远区天牛须长度衰减系数αfar、远区初始步长远区步长衰减系数βfar,近区天牛须初始长度近区天牛须长度衰减系数αnear、近区初始步长近区步长衰减系数βnear;
步骤4-2:计算每个天牛所在位置的初始适应度,得到种群全局最优值fbest及种群全局最优点wbest;令t=1;
步骤4-3:计算每个天牛到种群全局最优点wbest的欧拉距离;将计算得到的欧拉距离按从近到远排序,如果天牛总数为偶数,则前半数天牛划分为近区,后半数天牛划分为远区;如果天牛总数为奇数,则中间数之前包括中间数天牛划分为近区,其余天牛划分为远区;
步骤4-4:对于属于远区的天牛,生成一个随机方向矢量采用远区参数:远区天牛须长度、远区天牛须长度衰减系数、远区步长和远区步长衰减系数,计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
天牛须坐标在第t次迭代中的计算公式为:
天牛的位置更新公式为:
步骤4-5:对于属于近区的天牛,生成一个随机方向矢量采用近区参数:近区天牛须长度、近区天牛须长度衰减系数、近区步长、近区步长衰减系数,用式(1)和式(2)计算当前天牛左右两个天牛须感知点的坐标及适应度,并更新天牛的位置;
步骤4-6:更新远区和近区的天牛须及步长参数,天牛须参数更新公式为:
dt=αdt-1+d0
步长更新公式为:
δt=βδt-1+δ0
当更新远区参数时,dt表示第t次迭代时远区天牛须长度dt-1表示第t-1次迭代时远区天牛须长度α表示远区天牛须长度衰减系数αfar,d0表示远区天牛须初始长度δt表示第t次迭代远区步长δt-1表示第t-1次迭代远区步长β表示远区步长衰减系数βfar,δ0表示远区初始步长
当更新近区参数时,dt表示第t次迭代时近区天牛须长度dt-1表示第t-1次迭代时近区天牛须长度α表示近区天牛须长度衰减系数αnear,d0表示近区天牛须初始长度δt表示第t次迭代近区步长δt-1表示第t-1次迭代近区步长β表示近区步长衰减系数βnear,δ0表示近区初始步长
步骤4-7:计算每个天牛所在位置的适应度,得到的最优值如果小于全局最优值,则用得到的最优值和最优点分别替换全局最优值fbest及全局最优点wbest,并转至步骤4-3;如果得到的最优值大于等于全局最优值,则转至步骤4-4;令t加1;直到fbest<ε,其中ε是预设收敛阈值,结束迭代,输出全局最优点wbest。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110001750.0A CN112731252A (zh) | 2021-01-04 | 2021-01-04 | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110001750.0A CN112731252A (zh) | 2021-01-04 | 2021-01-04 | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112731252A true CN112731252A (zh) | 2021-04-30 |
Family
ID=75609506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110001750.0A Pending CN112731252A (zh) | 2021-01-04 | 2021-01-04 | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731252A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866688A (zh) * | 2021-09-22 | 2021-12-31 | 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 (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110074382A1 (en) * | 2009-09-25 | 2011-03-31 | University Of Washington | Whole structure contactless power consumption sensing |
CN102269071A (zh) * | 2010-06-04 | 2011-12-07 | 通用汽车环球科技运作公司 | 基于曲轴加速度控制发动机功能的方法和控制系统 |
CN102680016A (zh) * | 2012-05-14 | 2012-09-19 | 北京理工大学 | 一种光电编码器的误差补偿方法 |
US20140177930A1 (en) * | 1999-08-27 | 2014-06-26 | Iris Biotechnologies Inc. | Artificial Intelligence System for Genetic Analysis |
CN107290801A (zh) * | 2017-06-14 | 2017-10-24 | 哈尔滨工程大学 | 基于函数链接型神经网络和场模平方差的捷联三轴磁强计误差一步校正方法 |
US20180300487A1 (en) * | 2017-04-10 | 2018-10-18 | Arizona Board Of Regents On Behalf Of Arizona State University | Framework for security strength and performance analysis of machine learning based biometric systems |
CN109506650A (zh) * | 2018-09-12 | 2019-03-22 | 广东嘉腾机器人自动化有限公司 | 基于bp网络的agv导航行程偏差修正方法 |
CN110361683A (zh) * | 2019-07-17 | 2019-10-22 | 哈尔滨工程大学 | 基于双目标函数粒子群优化的磁力计校正方法 |
CN111311077A (zh) * | 2020-01-21 | 2020-06-19 | 南京航空航天大学 | 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法 |
CN111488709A (zh) * | 2020-04-16 | 2020-08-04 | 湖北汽车工业学院 | 一种零件平面度误差分析方法、误差分析系统及计算机 |
CN111859698A (zh) * | 2020-07-28 | 2020-10-30 | 佛山科学技术学院 | 一种基于天牛须算法的机床加工节能优化方法 |
CN112087813A (zh) * | 2020-08-31 | 2020-12-15 | 浙江工业大学 | 一种改进的天牛须搜索算法求解非正交随机接入最优吞吐量的方法 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
-
2021
- 2021-01-04 CN CN202110001750.0A patent/CN112731252A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140177930A1 (en) * | 1999-08-27 | 2014-06-26 | Iris Biotechnologies Inc. | Artificial Intelligence System for Genetic Analysis |
US20110074382A1 (en) * | 2009-09-25 | 2011-03-31 | University Of Washington | Whole structure contactless power consumption sensing |
CN102269071A (zh) * | 2010-06-04 | 2011-12-07 | 通用汽车环球科技运作公司 | 基于曲轴加速度控制发动机功能的方法和控制系统 |
CN102680016A (zh) * | 2012-05-14 | 2012-09-19 | 北京理工大学 | 一种光电编码器的误差补偿方法 |
US20180300487A1 (en) * | 2017-04-10 | 2018-10-18 | Arizona Board Of Regents On Behalf Of Arizona State University | Framework for security strength and performance analysis of machine learning based biometric systems |
CN107290801A (zh) * | 2017-06-14 | 2017-10-24 | 哈尔滨工程大学 | 基于函数链接型神经网络和场模平方差的捷联三轴磁强计误差一步校正方法 |
CN109506650A (zh) * | 2018-09-12 | 2019-03-22 | 广东嘉腾机器人自动化有限公司 | 基于bp网络的agv导航行程偏差修正方法 |
CN110361683A (zh) * | 2019-07-17 | 2019-10-22 | 哈尔滨工程大学 | 基于双目标函数粒子群优化的磁力计校正方法 |
CN111311077A (zh) * | 2020-01-21 | 2020-06-19 | 南京航空航天大学 | 一种基于天牛须搜索的粒子群算法求解柔性作业车间调度的方法 |
CN111488709A (zh) * | 2020-04-16 | 2020-08-04 | 湖北汽车工业学院 | 一种零件平面度误差分析方法、误差分析系统及计算机 |
CN111859698A (zh) * | 2020-07-28 | 2020-10-30 | 佛山科学技术学院 | 一种基于天牛须算法的机床加工节能优化方法 |
CN112087813A (zh) * | 2020-08-31 | 2020-12-15 | 浙江工业大学 | 一种改进的天牛须搜索算法求解非正交随机接入最优吞吐量的方法 |
CN112085277A (zh) * | 2020-09-10 | 2020-12-15 | 南京工业大学 | 一种基于机器学习的scr脱硝系统预测模型优化方法 |
Non-Patent Citations (2)
Title |
---|
XIANGANG LI 等: "Partition Beetles Antennae Search Algorithm for Magnetic Sensor Calibration Optimization", 《IEEE SENSORS JOURNAL》 * |
高翔 等: "三轴磁通门磁梯度仪转向差校正方法研究", 《仪器仪表学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866688A (zh) * | 2021-09-22 | 2021-12-31 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109489548B (zh) | 一种利用三维点云的零件加工精度自动检测方法 | |
CN108426571B (zh) | 一种电子罗盘本地实时校准方法及装置 | |
CN111145227B (zh) | 一种地下隧道空间多视点云的可迭代整体配准方法 | |
CN108919156B (zh) | 基于噪声补偿的三轴磁强计线下校正方法 | |
CN109458994B (zh) | 一种空间非合作目标激光点云icp位姿匹配正确性判别方法及系统 | |
CN110716194B (zh) | 同时参考球与面的多波束三维激光成像系统的检校方法 | |
CN110285781B (zh) | 一种相对于基准面的平面平行度快速评定方法 | |
CN110211174B (zh) | 曲面测量装置标定的方法、设备和存储介质 | |
CN108344361A (zh) | 一种基于激光跟踪仪的平面法向量测量方法 | |
CN113074721A (zh) | 一种基于磁矩量法的地磁指纹构建方法 | |
CN112731252A (zh) | 一种基于分区天牛须算法的三轴磁传感器误差校正方法 | |
CN115727874A (zh) | 电子罗盘传感器温度误差一体化标定与补偿方法 | |
CN111891176A (zh) | 基于轨道几何状态测量仪的轨道测量数据整体平差方法 | |
CN112720480B (zh) | 一种基于分级误差的机器人轨迹修正方法及系统 | |
CN112305473B (zh) | 三轴tmr传感器的校准方法 | |
CN115597571B (zh) | 电子罗盘传感器误差及安装误差快速标定与补偿方法 | |
CN115096294B (zh) | 一种多参量水下磁目标体定位方法 | |
CN113296045B (zh) | 基于传感阵列的微型电流传感器的误差校正方法 | |
CN115752243A (zh) | 一种测量数据融合方法 | |
CN110567421A (zh) | 基于贝叶斯原理的圆度不确定度动态评定方法 | |
CN116413642A (zh) | 一种面向运动平台的单点磁梯度定位方法及装置 | |
CN113405511B (zh) | 一种基于ipde算法的关节式坐标测量机标定方法 | |
CN112733072B (zh) | 一种反距离平方加权空间插值方法 | |
CN114781056A (zh) | 一种基于特征匹配的飞机整机外形测量方法 | |
CN114089244A (zh) | 一种捷联三轴磁强计两步标定方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210430 |
|
WD01 | Invention patent application deemed withdrawn after publication |