XiaoMi-AI文件搜索系统
World File Search System辨识
系统辨识和基于模型的飞行控制系统...
在本文中，我们为敏捷机动四旋翼微型飞行器 (MAV) 技术演示平台提供了一种系统辨识、模型拼接和基于模型的飞行控制系统设计方法。所提出的 MAV 设计用于在悬停/低速和快速前飞条件下进行敏捷机动，在这些条件下可以观察到系统动力学的显著变化。因此，这些显著的变化会导致使用基于传统悬停或前飞模型的控制器设计时性能和精度大幅下降。为了捕捉变化的动态，我们考虑了一种源自全尺寸载人飞机和旋翼机领域的方法。具体而言，使用频域系统辨识方法获得悬停和前飞中的 MAV 的线性数学模型，并在时域中对其进行验证。这些点模型与配平数据拼接，并生成准非线性数学模型以用于仿真目的。在基于多目标优化的飞行控制系统设计方法中使用已识别的线性模型，其中使用多个处理质量规范来优化控制器参数。使用运动学缩放缩小了 ADS-33E-PRF 的横向重新定位和纵向出发/中止任务任务元素，以评估所提出的飞行控制系统。执行位置保持、轨迹跟踪和攻击性分析，蒙特卡罗模拟和实际
系统辨识中一般矩阵的量子线性系统算法
摘要：求解线性方程组是经典辨识系统中最常见、最基本的问题之一。给定一个系数矩阵A和一个向量b，最终任务是寻找解x使得Ax=b。基于奇异值估计技术，该文提出一种改进的量子方案，对于一般的m×n维矩阵A，在O（κ2√rpolylog（mn）/ϵ）时间内得到线性方程组解对应的量子态|x⟩，该方案优于现有的量子算法，其中κ为条件数，r为矩阵A的秩，ϵ为精度参数。同时，我们还设计了一个针对齐次线性方程组的量子电路，并取得了指数级的提升。我们方案中的系数矩阵A是与稀疏性无关的非方阵，可以应用于更一般的场合。我们的研究提供了一个通用的量子线性系统求解器，可以丰富量子计算的研究范围。
VAIDIO — AI影像辨识入侵侦测系统
本产品具有以人工智慧与深度学习技术作为基础的AI引擎，可以针对影像串流中的目标物件作进㇐步的种类辨识。例如将「人」作为目标辨识物件， AI引擎便会排除因为其他不相关物体(动物、塑胶袋、黄昏/黎明的光影移动)进入目标侦测区域(ROI, Region of Interest)所产生的误报，大幅提升入侵侦测的准确率。
用于飞机轨迹跟踪的不完全状态观测系统辨识和 LQR 控制器设计
摘要：本文介绍了一种在并非所有状态都可用的情况下针对飞机跟踪问题的控制器设计流程。在研究中，采用了非线性运输飞机仿真模型，并通过最大似然原理和扩展卡尔曼滤波器对其进行了识别。在并非所有状态都可测量的情况下，所获得的数学模型用于设计具有最佳加权矩阵的线性二次调节器 (LQR)。对具有 LQR 控制器跟踪能力的非线性飞机仿真模型进行了多次实验，实验中噪声水平各不相同。结果表明，所设计的控制器具有鲁棒性，可实现精确的轨迹跟踪。研究发现，在理想的大气条件下，即使对于未测量的变量，跟踪误差也很小。在有风的情况下，跟踪误差与风速成正比，对于小扰动和中等扰动而言是可以接受的。当实验中存在湍流时，会发生与湍流强度成正比的状态变量振荡，对于小扰动和中等扰动而言是可以接受的。
用于飞机轨迹跟踪的不完全状态观测系统辨识和 LQR 控制器设计
摘要：本文介绍了一种在并非所有状态都可用的情况下针对飞机跟踪问题的控制器设计流程。在研究中，采用了非线性运输飞机仿真模型，并通过最大似然原理和扩展卡尔曼滤波器对其进行了识别。在并非所有状态都可测量的情况下，所获得的数学模型用于设计具有最佳加权矩阵的线性二次调节器 (LQR)。对具有 LQR 控制器跟踪能力的非线性飞机仿真模型进行了多次实验，实验中噪声水平各不相同。结果表明，所设计的控制器具有鲁棒性，可实现精确的轨迹跟踪。研究发现，在理想的大气条件下，即使对于未测量的变量，跟踪误差也很小。在有风的情况下，跟踪误差与风速成正比，对于小扰动和中等扰动而言是可以接受的。当实验中存在湍流时，会发生与湍流强度成正比的状态变量振荡，对于小扰动和中等扰动而言是可以接受的。
用于飞机轨迹跟踪的不完全状态观测系统辨识和 LQR 控制器设计
摘要：本文介绍了一种在并非所有状态都可用的情况下针对飞机跟踪问题的控制器设计流程。在研究中，采用了非线性运输飞机仿真模型，并通过最大似然原理和扩展卡尔曼滤波器对其进行了识别。在并非所有状态都可测量的情况下，所获得的数学模型用于设计具有最佳加权矩阵的线性二次调节器 (LQR)。对具有 LQR 控制器跟踪能力的非线性飞机仿真模型进行了多次实验，实验中噪声水平各不相同。结果表明，所设计的控制器具有鲁棒性，可实现精确的轨迹跟踪。研究发现，在理想的大气条件下，即使对于未测量的变量，跟踪误差也很小。在有风的情况下，跟踪误差与风速成正比，对于小扰动和中等扰动而言是可以接受的。当实验中存在湍流时，会发生与湍流强度成正比的状态变量振荡，对于小扰动和中等扰动而言是可以接受的。
用于飞机轨迹跟踪的不完全状态观测系统辨识和 LQR 控制器设计
摘要：本文介绍了一种在并非所有状态都可用的情况下针对飞机跟踪问题的控制器设计流程。在研究中，采用了非线性运输飞机仿真模型，并通过最大似然原理和扩展卡尔曼滤波器对其进行了识别。在并非所有状态都可测量的情况下，所获得的数学模型用于设计具有最佳加权矩阵的线性二次调节器 (LQR)。对具有 LQR 控制器跟踪能力的非线性飞机仿真模型进行了多次实验，实验中噪声水平各不相同。结果表明，所设计的控制器具有鲁棒性，可实现精确的轨迹跟踪。研究发现，在理想的大气条件下，即使对于未测量的变量，跟踪误差也很小。在有风的情况下，跟踪误差与风速成正比，对于小扰动和中等扰动而言是可以接受的。当实验中存在湍流时，会发生与湍流强度成正比的状态变量振荡，对于小扰动和中等扰动而言是可以接受的。
基于充电特性和反向传播神经网络的健康状态评估
等效电路模型 (ECM)、电化学模型和经验退化模型 (EDM) 是常用的 SOH 估算模型。基于 ECM 的方法不研究电池内部复杂的物理化学反应过程，而是基于电路模型，采用滤波算法进行参数辨识，并更新模型参数进行 SOH 估算。例如，余 [3] 采用递归最小二乘 (RLS) 法辨识 ECM 的参数，然后采用自适应 H∞ 滤波算法估计 SOH。徐 [4] 也采用 RLS 辨识参数，然后估算 SOH。基于模型的方法虽然简单、计算成本低，但自适应性较差，且估算结果更多地依赖于参数辨识和滤波算法的有效性。
无人机惯性在线测量...
动力学模型及其参数的辨识是机器人技术和系统动力学建模领域的基本问题之一。对于物体具有六个自由度 (6-DOF) 的一般情况，例如无人机 (UAV) 的情况，关键物理参数是飞行器质量和转动惯量。尽管无人机质量及其几何/拓扑结构很容易获得，但考虑到惯性张量无法通过静态试验测量，因此很难辨识。本文介绍了一种基于双线摆和机载集成传感器系统的简单有效的刚体惯性在线估计方法。其中，测试对象（即无人机）由两根细平行线悬挂，形成绕垂直轴的双线扭摆。使用无人机飞行控制器 (FC) 单元的机载传感器记录和处理摆锤振动，以获得用于最终惯性估计阶段的无趋势和无噪声信号。针对与无人机控制箱和完整无人机配置相关的两个典型悬浮物体案例，通过实验验证了所提出的识别算法。
具有自动控制器调节功能的激光增材制造数据驱动自适应控制
摘要：直接能量沉积 (DED) 需要闭环控制来稳定工艺并提高制造质量。大多数现有的 DED 控制器都需要通过实验进行系统辨识以获得工厂模型或与层相关的自适应控制规则，而此类过程繁琐且耗时。本文提出了一种新颖的数据驱动自适应控制策略，通过熔池尺寸反馈来调整激光电压。开发了一种多任务控制器架构，包含一个自动调节单元，该单元可根据 DED 工艺数据自动优化控制器参数。实验验证表明，受控样品的几何精度和熔池一致性有所改善。所提出的控制器的主要优点是它可以适应具有不同零件形状、材料、刀具路径和工艺参数的 DED 工艺而无需进行调整。即使工艺条件发生变化也不需要进行系统辨识，这减少了最终用户的控制器实施时间和成本。