XiaoMi-AI文件搜索系统
World File Search SystemInertial
与惯性测量单元紧密集成的卫星观测星跟踪器的导航系统性能建模
本论文由 AFIT Scholar 的学生研究生作品免费提供给您，供您开放访问。它已被 AFIT Scholar 的授权管理员接受纳入论文和学位论文。欲了解更多信息，请联系 richard.mansfield@afit.edu。
结合惯性传感和预测模型进行特定物料处理工作中的生物力学暴露评估
最重要的是，我要向我的导师 Clive D'Souza 博士表示最深切的谢意，感谢他一路以来的建议、支持和耐心。如果没有他的支持，这项工作就不可能完成。他的卓越和对研究的热情帮助我培养了对研究的兴趣，并让我决定从事人体工程学研究。最重要的是，他一直相信我和我作为研究人员的潜力，这激励我在困难时期也能专注于研究。我还要感谢我的论文委员会成员 Thomas Armstrong 博士、Judy Jin 博士和 Albert Shih 博士在整个过程中对我的支持，以及提供他们的时间、专业知识和建设性反馈来改进这篇论文。我还要感谢 Bernard Martin 博士、Sheryl Ulin 博士、Nadine Sarter 博士和 Paul Green 博士的指导和支持。我还要感谢工业与运营工程系 (IOE) 和人体工程学中心的优秀员工和管理人员。我感谢 Eyvind Claxton、Charles Wolley、Christopher Konrad、Olof (Mint) Minto 和 Rodney Capps 在我的研究项目各个阶段提供的慷慨技术援助，还要感谢 Teresa Maldonado 的慷慨支持。我要感谢在我研究生学习期间一直支持我的朋友和同事。首先，我的午餐伙伴 Justin Haney 博士，感谢他过去四年来一直坚持陪伴我。我很自豪我们能够同时顺利完成学业。我还要感谢人体工程学中心大家庭 - 刘柯博士、万玉芝博士、罗岳、Yadrianna Acosta-Sojo、陆一都、Albert Fu、杜娜、Kevin Lieberman、李一帆、Kamolnat Tabattanon 和我所有的学生 - 感谢他们的支持和鼓励。这项工作由美国国家职业安全与健康研究所、疾病控制与预防中心（培训拨款 T42-OH008455）和美国国家残疾、独立生活与康复研究所（拨款 90IF0094-01-00）以及 Rackham 研究生研究拨款资助。最后，也是我最想感谢的，我要感谢我的父母和家人对我无条件的爱和支持。与我的小爱人 Jason Lee 一起完成我的论文有点困难。在父母和丈夫 Sang Won Lee 的帮助下，我能够在整个过程中保持微笑。我特别感谢 Sang，他一直是我最好的朋友和导师。
使用惯性传感器
摘要 - 监控运动员运动对于提高性能，减轻疲劳并减少受伤的可能性很重要。高级技术，包括计算机视觉和惯性传感器，在对运动特定运动进行分类方面已广泛探索。将自动体育行动标签与运动员监控数据相结合提供了一种有效的方法来增强工作量分析。关于对运动特定运动进行分类的最新研究表明，基于个别运动员的训练和评估方法的趋势，使模型可以捕获每个运动员特有的独特功能。这对于运动员之间技术差异很大的运动特别有益。当前的研究使用受监督的机器学习模型，包括神经网络和支持向量机（SVM），以使用从上下背包惯性测量单元（IMU）传感器中提取的功能来区分跑步表面，即田径轨道，硬砂和软砂。主成分分析（PCA）用于特征选择和降低维度，增强模型效率和解释性。我们的结果表明，与运动员无关的方法相比，运动员依赖的训练方法可大大提高分类性能，从而达到更高的加权平均精度，召回，F1得分和准确性（p <0.05）。
如何从惯性测量数据的行为模式的监督机器学习中处理混合行为段
摘要，监督机器学习方法从生物学家的惯性测量中识别行为模式已成为行为生态学的标准工具。几种设计选择可以影响识别行为模式的准确性。这样的选择是包含或排除在机器学习模型培训数据中包含不仅是单个行为（混合段）组成的细分。目前，常见的实践是在模型培训期间忽略此类段。在本文中，我们检验了以下假设：在模型训练中包括混合段将提高准确性，因为该模型在测试数据中识别它们的表现更好。我们使用在四个加速度计数据数据集上进行了一系列数据模拟，并从四个研究物种（Damaraland mole鼠，Meerkats，Meerkats，Olive Baboons，Polar Bears）获得了一系列数据模拟。结果表明，当大量测试数据是混合行为段（高于10％）时，包括机器学习模型培训中的混合段可提高分类的准确性。这些结果在四个研究物种中是一致的，并且在混合段内的片段长度，样本量和混合物程度的变化稳健。但是，与未经混合段的训练的模型相比，在某些情况下（尤其是在狒狒中）模型（尤其是在狒狒）模型中显示出仅包含单个行为（纯）段的测试数据的准确性降低。在这种情况下，应避免将混合段过量包含在培训数据中。基于这些结果，我们建议当预期分类模型处理大量混合行为细分（> 10％）时，将它们包括在模型培训中是有益的，否则，这是不必要的，但也不有害。当时有一个基础假设培训数据包含的混合段率要比要分类的实际（未观察到的）数据更高 - 可能发生这种情况，尤其是在收集训练数据的情况下，并用于将数据分类并从野外分类。关键字身体加速器，生物遗传，机器学习，动物行为
存在涌浪时的大气边界层湍流：湍流动能收支、莫宁-奥布霍夫相似理论和惯性耗散
流动海洋表面的湍流与陆地上的湍流具有不同的特性。因此，基于陆地上的湍流动能 (TKE) 预算和莫宁-奥布霍夫相似理论 (MOST) 的发现可能不适用于海洋条件，部分原因是存在波边界层（大气边界层的下部，包括表面波的影响；我们在本文中使用术语“WBL”以方便使用），其中总应力可分为湍流应力和波相干应力。这里湍流应力定义为由风切变和浮力产生的应力，而波相干应力则考虑了海浪和大气之间的动量传递。在本研究中，研究了湍流动能 (TKE) 预算和惯性耗散法 (IDM) 在 WBL 内 MOST 背景下的适用性。我们发现，在计算波浪条件下的总应力时，不应忽略 TKE 预算中的湍流传输项。这已通过在固定平台上进行的观测得到证实。结果还表明，在 WBL 内应用 MOST 时应使用湍流应力，而不是总应力。通过结合 TKE 预算和 MOST，我们的研究表明，传统 IDM 计算的应力对应于湍流应力，而不是总应力。在应用 IDM 计算 WBL 中的应力时，应考虑波浪相干应力。
新闻稿2021年9月13日EURISA：为太空应用开发第一个紧凑型和具有成本效益的欧洲惯性测量单位（IMU）
新闻稿2021年9月13日EURISA：为太空应用开发第一个紧凑型和具有成本效益的欧洲惯性测量单位（IMU），旨在开发欧洲紧凑，表现和成本效益的IMU，以确保欧洲对欧洲的非依赖性，以确保欧洲对空间的关键设备。由欧盟委员会作为Horizon H2020计划的一部分资助，3.3 M€项目汇集了4位欧洲太空生态系统的主要参与者 - 空中客车防御和太空，Eth Zurich，Eth Zurich，German Aerospace Center（DLR）和Ixblue - 并将运行3.5岁。截至今天，欧洲在紧凑，高性能和具有成本效益的IMU上没有其他选择，因此，许多欧盟太空任务取决于非欧洲的惯性测量单位（IMU），并依靠外国伙伴的商誉来采购这些关键组成部分。Eurisa的主要目的是提供IMU，其中包括登陆，漫游车导航和行星际巡航等任务的TRL的精心设计杂交算法。由ixblue领导的项目是建立在4个合作伙伴的广泛专业知识上的：参与诸如Insight和Lisa for Eth Zurich的主要太空任务； Callisto和Eagle项目的DLR和ixblue和空中客车防御和空间的Actrix陀螺仪系列。除了这个专有技术之外，将定制和组装不同合作伙伴的技术砖，以使未来的欧洲IMU在2024年准备就绪。Guillaume Lecamp指出：“基于过去和当前的发展以及使用资格有空的COTS电子产品，我们确保了具有成本效益的产品，并且是通往TRL 6成熟的安全途径。的确，合作伙伴会在该项目中获得强大而互补的能力，以取得成功：太空电子，惯性传感器，有关太空任务要求的知识，杂交算法，太空环境以及制造和质量。，由于项目合作伙伴的欧洲制造商和IMU的所有关键组成部分，Eurisa将为欧洲的独立性和空间中的主权做出贡献，以供未来的任务和探索。
如果您打算使用惯性测量系统... ...在由Dr.In Dr.-in
今天的惯性导航系统（INS）的实现发生在所谓的“皮带降”技术中，其中所有惯性传感器（陀螺仪和加速传感器）都安装在车辆上。过去，这些系统是在所谓的“ gimbal”技术中设计的，其中陀螺仪用于机械地稳定太空中的加速度传感器。在绑带系统中，稳定化是数学上的，因此所有惯性传感器均暴露于整个车辆动力学。由于缺乏机甲鼻子式辅助，在运行中的皮带系统要比Gimball Systems强大得多，但是测量范围，尺度的准确性和传感器的稳健性的要求相应地更高。
智能与必备 - Crouzet
通过其品牌 Crouzet Aerospace、Crouzet Automation、Crouzet Control、Crouzet Motors、Crouzet Switches 和 Systron Donner Inertial，InnoVista Sensors™ 提供各种可靠、高效且可定制的组件，专用于航空航天和国防、运输和工业市场和领域。
军事系统的 INS/GPS 技术趋势 - NATO STO
乔治 T. 施密特 麻省理工学院 10 Goffe Road 列克星敦，MA 02421 摘要 本文重点介绍惯性传感器、全球定位系统 (GPS) 和集成惯性导航系统 (INS)/GPS 系统的精度和其他技术趋势，包括干扰考虑，这些趋势将使未来导航系统的精度优于 1 米。对于惯性传感器，将描述引领潮流的传感器技术。给出了未来惯性传感器仪器领域和捷联惯性系统的愿景。介绍了 GPS 的计划精度改进。介绍了 INS/GPS 深度集成的趋势，并探讨了协同优势。介绍了一些干扰影响的示例，并提出了预期的提高系统稳健性的技术趋势。