CN116956647B - 一种气动数据融合方法及系统 - Google Patents
一种气动数据融合方法及系统 Download PDFInfo
- Publication number
- CN116956647B CN116956647B CN202311216504.2A CN202311216504A CN116956647B CN 116956647 B CN116956647 B CN 116956647B CN 202311216504 A CN202311216504 A CN 202311216504A CN 116956647 B CN116956647 B CN 116956647B
- Authority
- CN
- China
- Prior art keywords
- data
- prediction model
- pneumatic
- input variable
- prediction
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000012937 correction Methods 0.000 claims description 31
- 230000004927 fusion Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明涉及飞行器气动数据处理技术领域,公开了一种气动数据融合方法及系统,该方法,基于不同来源的气动数据,在飞行器气动数据建模过程中,利用低准度气动数据建立预测模型,并将高准度气动数据作为观测值,基于观测值对预测模型进行校正。本发明解决了现有技术存在的获取效率低、使用场景限制较多等问题。
Description
技术领域
本发明涉及飞行器气动数据处理技术领域,具体是一种气动数据融合方法及系统。
背景技术
获取飞行器气动数据的三种主要方式为:飞行试验、风洞试验和数值计算,每一种方式都存在各自的优缺点,如飞行试验的飞行环境真实但代价昂贵、风洞试验准度高但存在各种干扰、数值计算方便灵活但物理模型不够完善。单靠单一单源的气动试验手段,难在短时间获得飞行器飞行包线内的高准度气动数据,不能满足新一代飞行器的研制需求。基于多源气动数据融合方法的气动建模方法为解决这一问题提供了一种高效可行的手段。
当前气动数据融合方法可归纳为两类:基于不确定度的加权融合算法和基于气动力建模的数据融合方法。前者需要专家经验等先验知识给定数据源的不确定度,以不确定为依据进行融合;后者则需要知道研究对象精确的物理模型,利用气动数据满足气动力变化规律的程度为依据进行融合。实际工程中,很多时候并不知道数据源的不确定度信息和研究对象精确的物理模型,因此上述方法都有各自的适用性和局限性。
现有技术存在以下缺点:
1.现有的获取气动力数据的三种方式各有自己的优缺点,单靠单一单源的气动试验手段,难以在短时间获得飞行器飞行包线内的高精度气动数据,不能满足新一代飞行器的研制需求;
2.现有的基于不确定度的加权融合算法,需要根据专家经验、试验经验等先验知识来确定气动数据源的不确定度,而对于很多气动数据来讲,并没有先验知识可以参照,所以局限性很大;
3.现有的基于气动力建模的数据融合方法,需要知道研究对象精确的物理模型,然后进行建模和融合,然后对于工程应用来讲,很多情况下并不能明确知道研究对象精确的物理模型,所以局限性很大。
发明内容
为克服现有技术的不足,本发明提供了一种气动数据融合方法及系统,解决现有技术存在的获取效率低、使用场景限制较多等问题。
本发明解决上述问题所采用的技术方案是:
一种气动数据融合方法,基于不同来源的气动数据,在飞行器气动数据建模过程中,利用低准度气动数据建立预测模型,并将高准度气动数据作为观测值,基于观测值对预测模型进行校正。
作为一种优选的技术方案,将预测模型的输入变量离散全排列。
作为一种优选的技术方案,包括以下步骤:
S1,预测模型构建:基于低准度数据源构建预测模型;其中,预测模型的输入变量为类时间项,输出为预测的气动数据;其中,/>且/>为正整数;
S2,初始时刻预测校正:从时刻开始进行预测,判断该时刻是否存在高准度数据:如果存在,则利用高准度数据校正预测模型,并基于校正后的预测模型进行预测;如果不存在,则直接预测气动数据;
S3,后续时刻预测校正:预测后续时刻的气动数据,同时校正预测模型,直至完成所有时刻的预测和校正;
S4,输出:输出经过多次校正后的预测模型和融合后的气动数据。
作为一种优选的技术方案,步骤S1包括以下步骤:
S11,构建预测模型,预测模型的输入变量为多维气动数据;
S12,对预测模型进行泰勒展开,将输入变量转化为一维变量进行排列,得到输入变量为类时间项、输出为预测的气动数据的预测模型。
作为一种优选的技术方案,步骤S12中,输入变量的排列顺序为:设有A行B列的二维输入变量,输入变量元素的行的序号为i,1≤i≤A,列的序号为j,1≤j≤B,转化为一维变量后的输入变量元素编号为t,1≤t≤A×B,t的编号规则为:在i为奇数的行,t按列编号由小到大进行编号;在i为偶数的行,t按列编号由大到小进行编号;t从i=1、j=1的输入变量元素开始编号,行数大的一行中的任一输入变量元素的t均大于行数小的一行中的所有输入变量元素的t,t编号完某一行的全部输入变量元素后再编号比该行的行数大1的行的输入变量元素。
作为一种优选的技术方案,输入变量为(,/>),/>范围为1,2,/>范围为1,2,3;其中,/>表示第一输入变量,/>表示第二输入变量。
作为一种优选的技术方案,为马赫数、迎角、侧滑角、飞行器距离地面高度中的一种,/>为马赫数、迎角、侧滑角、飞行器距离地面高度中的一种,/>与/>种类不同。
作为一种优选的技术方案,范围为1,2,3,4。
作为一种优选的技术方案,预测模型为多阶响应面模型。
一种气动数据融合系统,用于实现所述的一种气动数据融合方法,包括依次连接的以下模块:
预测模型构建模块:用以,基于低准度数据源构建预测模型;其中,预测模型的输入变量为类时间项,输出为预测的气动数据;其中,/>且/>为正整数;
初始时刻预测校正模块:用以,从时刻开始进行预测,判断该时刻是否存在高准度数据:如果存在,则利用高准度数据校正预测模型,并基于校正后的预测模型进行预测;如果不存在,则直接预测气动数据;
后续时刻预测校正模块:用以,预测后续时刻的气动数据,同时校正预测模型,直至完成所有时刻的预测和校正;
输出模块:用以,输出经过多次校正后的预测模型和融合后的气动数据。
本发明相比于现有技术,具有以下有益效果:
(1)本发明是一种数据融合方法,综合利用了不同来源的气动数据的优点,在降低试验代价的同时,提高了数据的预测精度;
(2)本发明与基于不确定度来源的气动数据融合方法相比,本发明不需要获取气动数据的不确定度信息,局限性更小;
(3)本发明与现有的基于气动力建模的数据融合方法相比,本发明不需要获取研究对象精确的物理模型,适用性更强。
(4)本发明用输入变量全排列的方式来类比时间项,解决了传统气动数据不含时间项的问题,扩宽了气动数据融合方法思路。
附图说明
图1为本发明所述的一种气动数据融合方法的流程图;
图2为二维变量离散方式图。
具体实施方式
下面结合实施例及附图,对本发明作进一步的详细说明,但本发明的实施方式不限于此。
实施例1
如图1至图2所示,本发明是一种基于预测校正思想的气动数据融合方法,采用如下技术方案:
1.提出了一种基于预测校正思想的气动数据融合方法,相比于单源数据建模方法,在降低了试验代价的同时,提高了模型预测准度;
2.将输入变量离散全排列来类比时间项,有效地将基于时间序列的预测校正算法应用于气动数据融合上,扩宽了数据融合方法的研究思路。
与现有的气动数据融合方法相比,既不需要获取气动数据的不确定度信息,也不需要研究对象精确的物理模型,规避了现有两类气动数据融合方法中的局限性问题,适用性更强。
本发明为一种基于预测校正思想的数据融合方法,预测校正方法是以消除实际目标与预计目标之间的偏差为目的的一种方法,与常规的气动建模思想不同,它不依赖于准确的预测模型,而是在过程中对不断对预测模型进行修正,根据模型预测值与期望预计值的偏差校正控制量,从而达到提高建模准度的目的。
将预测校正思想应用于气动数据融合中,主要基于不同来源气动数据的特点,在飞行器建模过程中,通常低准度气动数据样本多,输入变量覆盖广,虽然数据准度相对较低,但是反应气动物理规律的变化趋势较为正确;而高准度气动数据由于试验代价高,导致样本少,输入变量覆盖窄,只能覆盖飞行器包线的典型特征点。因此,可利用低准度数据建立预测模型,并将高准度气动数据作为观测值,基于观测值对预测模型进行校正,以提高模型预测准度和外推能力,获得较高准度的气动力预测结果。其中,低准度气动数据指不够精细的网格计算的CFD数据、未进行足够干扰修正的风洞试验数据和飞行条件差的飞行试验数据,高准度气动数据指足够精细的网格计算的CFD数据、进行足够修正的风洞试验数据和飞行条件好的飞行试验数据。可选的,低准度气动数据为CFD计算网格小于400万个计算获得的气动数据,高准度气动数据为CFD计算网格大于400万个计算获得的气动数据。
预测校正思想常应用于飞行器导航算法,利用观测值来修正轨迹预测模型,从而提高模型预测准度,需要基于时间序列来逐步进行预测和修正。本文创新性地提出将输入变量离散全排列的方式来类比时间项,解决了传统气动数据不含时间项的问题。
一种气动数据融合方法的流程如图1所示。
具体步骤如下:
第一步:基于低准度数据源构建预测模型。首先构建多阶响应面模型,然后对其进行泰勒展开,对输入变量进行离散全排列,即可以得到输入为类时间项,输出为融合对象的预测模型。
第二步:预测校正。从时刻开始进行预测,判断该时刻是否存在高准度数据,如果存在,则利用高准度数据校正预测模型,并基于校正后的预测模型进行预测,如果不存在,则直接预测。
第三步:预测校正下一时刻。参照第二步,预测时刻的值,同时校正预测模型,直至完成所有时刻的预测和校正。
第四步:输出经过多次校正的预测模型和数据。
其中,输入变量的离散排列方式对融合结果影响较大,主要存在两方面的影响:离散点的排列顺序和离散点的间距。离散点与输入变量一一对应,在状态方程中,前后两步关系是由导数转化而来,所以离散点的排列方式不对,会导致导数出现不连续的情况;而离散点的间距应该适当小(间距范围为:和/>,/>、/>分别是高准度气动数据的/>、/>的最小的相邻间距,/>、/>分别是离散后的高准度气动数据的、/>的最小的相邻间距,/>表示离散稀疏程度,/>为自然数,/>一般取为[1,10],/>越大越密,/>越小越稀疏。本实施例中,/>取1,/>、/>均为1,所以本实施例中,/>、均为1。),如果间距过大,则观测值很大可能会落在两个预测点之间,导致校正效果不理想,以二维变量为例,本发明设计的离散方式如图2所示。
假设输入为(,/>),/>范围为1-2,/>范围为1-3,离散后结果如表1所示。
表1二维变量离散结果示例表
其中,为类时间项,关键点在于/>这步,并不是(2,1),而是(2,3)。
单一方式获取的气动数据由于各自的“缺陷”,精度上不能满足新一代飞行器的研究需求,而本发明是一种数据融合方法,综合利用了不同数据源的优点,能够在降低试验代价的同时,提高数据的精度;
现有的两类气动数据融合方法,基于不确定度的气动数据融合方法需要根据专家经验、试验经验等先验知识来确定气动数据源的不确定度,而对于很多气动数据来讲,并没有先验的不确定度信息可以参考,而本发明却不需要获取研究对象的不确定度信息,局限性更小;现有的基于气动力建模的数据融合方法,需要获取研究对象精准的物理模型,然后进行建模和融合,然而对于工程应用来讲,很多情况下并不能明确研究对象的精准的物理模型,本发明是一种不同于传统两类数据融合方法,适用性更强。
本发明利用输入变量离散全排列的方式类比时间项,解决了一般气动数据不含时间项的问题,成功将预测校正思想引入数据融合中,扩宽了传统气动数据融合方法研究思路;
本发明不需要获取气动数据不确定度信息和研究对象精准的物理模型信息,适用性更强;
本发明用输入变量离散全排列的方式类比时间项,解决了一般气动数据不含时间项的问题,成功将预测校正思想引入数据融合中,扩宽了传统气动数据融合方法研究思路。
如上所述,可较好地实现本发明。
本说明书中所有实施例公开的所有特征,或隐含公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合和/或扩展、替换。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,依据本发明的技术实质,在本发明的精神和原则之内,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.一种气动数据融合方法,其特征在于,基于不同来源的气动数据,在飞行器气动数据建模过程中,利用低准度气动数据建立预测模型,并将高准度气动数据作为观测值,基于观测值对预测模型进行校正;
将预测模型的输入变量离散全排列;
包括以下步骤:
S1,预测模型构建:基于低准度数据源构建预测模型;其中,预测模型的输入变量为类时间项,输出为预测的气动数据;其中,/>且/>为正整数;
S2,初始时刻预测校正:从时刻开始进行预测,判断该时刻是否存在高准度数据:如果存在,则利用高准度数据校正预测模型,并基于校正后的预测模型进行预测;如果不存在,则直接预测气动数据;
S3,后续时刻预测校正:预测后续时刻的气动数据,同时校正预测模型,直至完成所有时刻的预测和校正;
S4,输出:输出经过多次校正后的预测模型和融合后的气动数据;
步骤S1包括以下步骤:
S11,构建预测模型,预测模型的输入变量为多维气动数据;
S12,对预测模型进行泰勒展开,将输入变量转化为一维变量进行排列,得到输入变量为类时间项、输出为预测的气动数据的预测模型;
步骤S12中,输入变量的排列顺序为:设有A行B列的二维输入变量,输入变量元素的行的序号为i,1≤i≤A,列的序号为j,1≤j≤B,转化为一维变量后的输入变量元素编号为t,1≤t≤A×B,t的编号规则为:在i为奇数的行,t按列编号由小到大进行编号;在i为偶数的行,t按列编号由大到小进行编号;t从i=1、j=1的输入变量元素开始编号,行数大的一行中的任一输入变量元素的t均大于行数小的一行中的所有输入变量元素的t,t编号完某一行的全部输入变量元素后再编号比该行的行数大1的行的输入变量元素。
2.根据权利要求1所述的一种气动数据融合方法,其特征在于,输入变量为(,/>),范围为1,2,/>范围为1,2,3;其中,/>表示第一输入变量,/>表示第二输入变量。
3.根据权利要求2所述的一种气动数据融合方法,其特征在于,为马赫数、迎角、侧滑角、飞行器距离地面高度中的一种,/>为马赫数、迎角、侧滑角、飞行器距离地面高度中的一种,/>与/>种类不同。
4.据权利要求3所述的一种气动数据融合方法,其特征在于,范围为1,2,3,4。
5.根据权利要求1至4任一项所述的一种气动数据融合方法,其特征在于,预测模型为多阶响应面模型。
6.一种气动数据融合系统,其特征在于,用于实现权利要求1至4任一项所述的一种气动数据融合方法,包括依次连接的以下模块:
预测模型构建模块:用以,基于低准度数据源构建预测模型;其中,预测模型的输入变量为类时间项,输出为预测的气动数据;其中,/>且/>为正整数;
初始时刻预测校正模块:用以,从时刻开始进行预测,判断该时刻是否存在高准度数据:如果存在,则利用高准度数据校正预测模型,并基于校正后的预测模型进行预测;如果不存在,则直接预测气动数据;
后续时刻预测校正模块:用以,预测后续时刻的气动数据,同时校正预测模型,直至完成所有时刻的预测和校正;
输出模块:用以,输出经过多次校正后的预测模型和融合后的气动数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311216504.2A CN116956647B (zh) | 2023-09-20 | 2023-09-20 | 一种气动数据融合方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311216504.2A CN116956647B (zh) | 2023-09-20 | 2023-09-20 | 一种气动数据融合方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116956647A CN116956647A (zh) | 2023-10-27 |
CN116956647B true CN116956647B (zh) | 2023-12-19 |
Family
ID=88442905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311216504.2A Active CN116956647B (zh) | 2023-09-20 | 2023-09-20 | 一种气动数据融合方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116956647B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN114692501A (zh) * | 2022-04-01 | 2022-07-01 | 西安交通大学 | 基于多精度深度神经网络的气动数据融合方法及设备 |
CN115014697A (zh) * | 2022-05-31 | 2022-09-06 | 成都流体动力创新中心 | 一种磁浮飞行风洞气动力间接测量方法 |
CN115186486A (zh) * | 2022-07-13 | 2022-10-14 | 中国人民解放军国防科技大学 | 导弹低高精度性能数据的独立融合建模及响应预测方法 |
CN115238836A (zh) * | 2022-09-23 | 2022-10-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于气动数据和物理模型相关度的融合方法 |
-
2023
- 2023-09-20 CN CN202311216504.2A patent/CN116956647B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695192A (zh) * | 2020-05-11 | 2020-09-22 | 上海机电工程研究所 | 气动力多源数据融合和辨识方法、系统及介质 |
CN113269363A (zh) * | 2021-05-31 | 2021-08-17 | 西安交通大学 | 一种高超声速飞行器的轨迹预测方法、系统、设备及介质 |
CN114692501A (zh) * | 2022-04-01 | 2022-07-01 | 西安交通大学 | 基于多精度深度神经网络的气动数据融合方法及设备 |
CN115014697A (zh) * | 2022-05-31 | 2022-09-06 | 成都流体动力创新中心 | 一种磁浮飞行风洞气动力间接测量方法 |
CN115186486A (zh) * | 2022-07-13 | 2022-10-14 | 中国人民解放军国防科技大学 | 导弹低高精度性能数据的独立融合建模及响应预测方法 |
CN115238836A (zh) * | 2022-09-23 | 2022-10-25 | 中国空气动力研究与发展中心计算空气动力研究所 | 一种基于气动数据和物理模型相关度的融合方法 |
Non-Patent Citations (4)
Title |
---|
Nonlinear information fusion algorithms for data-efficient multi-fidelity modelling;P.Perdikaris 等;《Proceedings A》;1-16 * |
基于不确定度和气动模型的气动数据融合算法;邓晨 等;《空气动力学学报》;第40卷(第4期);117-123 * |
基于响应面模型的全三维气动优化设计研究;于海 等;《今日科苑》;112 * |
基于飞行试验和风洞试验数据的融合算法研究;邓晨 等;《空气动力学学报》;第40卷(第6期);45-50 * |
Also Published As
Publication number | Publication date |
---|---|
CN116956647A (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110956312B (zh) | 基于emd-cnn深度神经网络的光伏配电网电压预测方法 | |
CN109726437B (zh) | 一种舱门气动载荷等效节点力处理方法 | |
CN117933095B (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
CN116227554A (zh) | 一种气象数据的模拟数据修正方法及装置、电子设备 | |
CN109191408A (zh) | 快速循环地面气象融合方法、装置及服务器 | |
CN109033181B (zh) | 一种复杂地形地区风场地理数值模拟方法 | |
CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
CN114964259A (zh) | 基于红外焦平面阵列时域信号与红外图像的姿态解算方法及系统 | |
CN116956647B (zh) | 一种气动数据融合方法及系统 | |
CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
Qin et al. | A wireless sensor network location algorithm based on insufficient fingerprint information | |
CN112800599B (zh) | 一种阵元失配情况下基于admm的无网格doa估计方法 | |
CN113568067A (zh) | 数值天气预报方法、装置、计算机存储介质及电子设备 | |
CN114417728A (zh) | 基于温度和发射率及深度学习的近地表空气温度反演方法 | |
CN106872972B (zh) | 基于六维插值的临近空间目标电磁散射数据获取方法 | |
CN115795402B (zh) | 一种基于变分法的多源降水数据融合方法和系统 | |
CN106934453B (zh) | 一种立方系材料母相与子相间位向关系的确定方法 | |
CN113722951B (zh) | 基于神经网络的散射体三维有限元网格优化方法 | |
CN111062159B (zh) | 一种无人机虚拟试验方法 | |
CN113108949B (zh) | 一种基于模型融合的探空仪温度传感器误差预测方法 | |
CN115015832A (zh) | 一种非均匀噪声下大规模阵列幅相误差及目标方位联合估计方法 | |
CN110850366B (zh) | 混合视距和非视距环境下基于接收信号强度的定位方法 | |
CN103870714B (zh) | 一种基于高阶可观阵的导航系统可观测分析方法 | |
CN114186477A (zh) | 一种基于Elman神经网络的轨道预测算法 | |
CN103293519B (zh) | 基于流水线工作方式的i/q通道误差校正方法及其系统 |
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 |