XiaoMi-AI文件搜索系统
World File Search SystemSemantic
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
传感器 - 语义学者
摘要：小型飞机类别（例如小型空中运输（SAT）、城市空中交通（UAM）、无人机系统（UAS））、现代航空电子解决方案（例如电传操纵（FBW））和减小的飞机（A/C）尺寸的异质性需要更紧凑、集成、数字化和模块化的空中数据系统（ADS），该系统能够测量来自外部环境的数据。在 Clean Sky 2 计划的框架内资助的 MIDAS 项目旨在通过经过商业应用认证的 ADS 满足这些最新要求。主要支柱在于 COTS 解决方案和分析传感器（专利技术）之间的智能融合，以识别气动角度。识别涉及飞行动态关系和基于神经技术的数据驱动状态观察器，一旦训练完成，它们就是确定性的。由于该项目将首次将分析传感器作为冗余系统的一部分安装在民用飞机上，因此本工作中记录的设计活动特别关注适航认证方面。在此成熟度级别，使用模拟数据，下一阶段将使用真实飞行测试数据。描述了训练和测试方面的数据收集。训练操作旨在激发所有动态模式，而测试操作旨在独立于训练集和所有自动驾驶仪配置验证结果。结果表明，替代解决方案是可能的，可以大大节省计算工作量和代码行数，但同时也表明，更好的训练策略可能有利于应对新的神经网络架构。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，以利用测量的信息形式，这是协同迭代所必需的。为提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过对模型条件估计的加权组合来获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优异的性能。
限制和 - Semantic Scholar
摘要：遥感 (RS) 目前被视为用于科学目的的入侵和扩张植物测绘的标准工具之一，并在自然保护管理中得到越来越广泛的应用。RS 方法的适用性由其局限性和要求决定。最重要的限制之一是物种覆盖率，在此覆盖率下分类结果是正确的并且对自然保护有用。2017 年在波兰三个地区开展的主要目标是确定可以通过 RS 方法识别目标物种的最小覆盖率。本研究的第二个目标与方法的要求有关，即根据多边形数量和目标物种的丰度百分比覆盖率优化目标物种的训练多边形集。我们的方法必须易于使用、有效且适用，因此使用基本栅格集（最小噪声分数 (MNF) 变换后的前 30 个通道（来自光谱范围为 0.4–2.5 µ m 的 HySpex 传感器的高光谱数据马赛克）和常用的随机森林算法进行分析。该分析使用空间分辨率为 1 m 的机载高光谱数据对一种入侵植物和三种扩张植物（两种草类和两种大型多年生植物）进行分类。地面训练和验证数据集与机载数据收集同时收集。在测试不同的分类场景时，仅更改目标物种的训练多边形集。分类结果基于三种方法进行评估：准确度测量（Kappa 和 F1）、具有不同物种覆盖度的子类中的真阳性像素以及与现场制图的兼容性。分类结果表明，要将目标植物物种分类到可接受的水平，训练数据集应包含物种覆盖度在 80-100% 之间的多边形。仅使用具有可变但较低覆盖度（20-70%）的物种的多边形进行训练，并在 80-100% 范围内缺失样本，导致地图不可接受，因为对目标物种的估计过高。考虑到生态系统是异质的，我们在物种覆盖度超过 50% 的地区实现了物种的有效识别。这些研究的结果开发了一种现场数据采集方法，以及在机载数据采集以及地面采样的训练和验证中同步的必要性。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为了避免非线性动态函数的线性化，并获得更准确的机动目标估计，提出了一种用于机动目标跟踪的新型自适应信息加权共识滤波器。利用无味变换计算伪测量矩阵，以利用测量的信息形式，这是共识迭代所必需的。为了提高机动目标跟踪精度并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在每个动态模型的相邻节点之间应用信息加权共识协议。基于多个模型的后验概率，通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网络估计一致性方面具有优异的性能。
传感器 - 语义学者
摘要：网络化多传感器用于解决机动目标跟踪问题。为避免非线性动态函数的线性化，获得更准确的机动目标估计，提出了一种用于机动目标跟踪的自适应信息加权协同滤波器。利用无迹变换计算伪测量矩阵，利用测量的信息形式，为协同迭代提供必要的信息。为提高机动目标跟踪精度，并在整个网络的每个传感器节点中获得统一的估计，利用自适应当前统计模型来更新估计，并在各个动态模型的相邻节点之间应用信息加权协同协议。基于多个模型的后验概率，通过模型条件估计的加权组合获得每个传感器的最终估计。实验结果表明，所提算法在跟踪精度和全网估计一致性方面具有优越的性能。
传感器 - 语义学者
摘要：由于四旋翼飞行器具有欠驱动、强耦合等特点，传统的轨迹跟踪方法控制精度低，抗干扰能力差。针对四旋翼无人机，设计了一种新的模糊比例-交互式微分（PID）型迭代学习控制（ILC）。该控制方法将PID-ILC控制与模糊控制相结合，继承了ILC控制对干扰和系统模型不确定性的鲁棒性。针对单纯的ILC控制容易受到外界干扰而产生抖动的问题，提出了一种基于PID-ILC算法的新型控制律。采用模糊控制对三个学习增益矩阵的PID参数进行设置，以抑制不确定因素对系统的影响，提高控制精度。利用Lyapunov稳定性理论验证了新设计的系统稳定性。Gazebo仿真表明，所提出的设计方法为四旋翼飞行器设计了有效的ILC控制器。
金属 - 语义学者
初步观察记录于 19 世纪初欧洲工业革命期间。在此期间，多条铁路、重型机车和发动机在经过长时间运行后意外发生故障。1829 年，W.A.S. Albert 在对铁链进行循环载荷试验时发现了这种故障 [1,2]。随后，在 1837 年，他在一本杂志上报道了循环载荷与金属寿命之间的关系。根据这一观察，铸铁车轴设计师 J.V. Poncelet 使用了“fatigare”一词，英国的 F. Brainthwaite 于 1854 年将其命名为疲劳 [3,4]。1842 年，法国凡尔赛附近发生了最严重的铁路灾难之一。途中几台机车的车轴断裂。经 W.J.M. 检查后，英国铁路的 Rankine 发现后，证实车轴发生了脆性断裂 [2]。根据这一观察，August Wöhler 在机车车轴失效方面进行了一些开创性的工作，为疲劳理解奠定了基础。Wöhler 绘制了克虏伯车轴钢数据与应力 (S) 和失效循环数 (N) 的关系图。该图后来被称为 S-N 图 [5,6]。S-N 图可用于预测金属的疲劳寿命和持久极限，即应力的极限阈值，低于该阈值，工程材料将表现出很高或无限高的疲劳寿命。因此，A. Wöhler 被认为是现代疲劳技术的鼻祖 [7]。1886 年，J. Bauschinger 发表了第一篇