XiaoMi-AI文件搜索系统
World File Search System外源输入
四旋翼飞行器精确准悬停控制的风速估计
本文重点研究了无风传感器的四旋翼飞行器的控制，这些飞行器需要在存在中等但未知的阵风的情况下准确跟踪低速轨迹。通过将风扰动建模为外源输入，并假设可以通过准静态飞行器运动补偿其影响，本文提出了一种创新的估计和控制方案，该方案包括一个线性动态滤波器，用于估计此类未知输入，并且只需要位置和姿态信息。该滤波器建立在未知输入观察器理论的结果之上，允许在不测量风本身的情况下估计风和飞行器状态。可以使用简单的反馈控制律来补偿由扰动引起的偏移位置误差。只要有相应的应用转子速度，所提出的滤波器就与用于消除跟踪误差的恢复控制方案无关。首先使用机器人操作系统中间件和 Gazebo 模拟器在模拟环境中检查该解决方案，然后使用四旋翼飞行器系统在真实风源下飞行进行实验验证。
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。
在嘈杂条件下，稀疏的非线性动力学稀少
摘要 - 本文提出了具有控制和外源输入的非线性动力学（SINDY）的稀疏识别，以高度准确，可靠的预测，并将所提出的方法应用于柴油发动机Airpath系统，这些方法被称为非线性复杂工业系统。尽管Sindy被称为识别非线性系统的强大方法，但仍然存在一些问题：由于嘈杂的数据和由于时间段嵌入等协调的扩展而导致的基础功能增加，因此无法保证在工业系统中应用和多步预测的示例。为了解决这些问题，我们提出了基于整体学习，精英收集和分类技术的改进的信明，同时保持凸计算。在拟议的方法中，进行了图书馆的行李，并且收集了R平方的精英大于90％。然后，在幸存的精英上执行聚类，因为并非总是可用的，并且获得的精英模型并不总是显示出相同的趋势。分类后，通过取出每个分类精英的平均值获得离散模型候选者。最后，选择了最佳模型。仿真结果表明，所提出的方法实现了气相系统的多步骤预测，该系统在嘈杂条件下被称为复杂的工业系统。
多元合奏后处理的生成机器学习方法
基于数值天气预测模型多个运行的集合天气预报通常显示系统错误，需要后处理以获得可靠的预测。在许多实际应用中，对多元依赖性进行建模至关重要，并且已经提出了多种多元后处理方法，其中首先在每个边距中首先在每个边距中分别进行后处理，然后通过COPULAS恢复多元依赖性。这些两步方法具有共同的关键局限性，特别是在建模依赖项中包含其他预测因子的困难。我们提出了一种基于生成机器学习来应对这些挑战的新型多元后处理方法。在这类新的非参数数据驱动的分布回归模型中，来自多元预测分布的样本是直接作为生成神经网络的输出而获得的。生成模型是通过优化适当的评分规则来训练的，该规则衡量生成的数据和观察到的数据之间的差异，条件是外源输入变量。我们的方法不需要对单变量分布或多元依赖性的参数假设，并且允许对任意预测变量进行分配。在两个关于德国气象站的多元温度和风速预测的案例研究中，我们的生成模型对最先进的方法显示出显着改善，尤其是改善了空间依赖性的表示。
长期的每日水温公布了中欧的奥德拉河盆地的升级和加强热浪
水温是水生生态系统的关键指标和天气。但是，绝大多数河流缺乏长期连续和完整的水温数据集。在这项研究中，通过将NARX（非线性自回旋网络与外源输入的非线性自回旋网络）和Air2Stream相结合的合奏模型用于重建每日的河水温度，以在欧洲最大的河流系统之一的奥德拉河盆地的27个水文站中为27个水文站重建。对于每个水文站，对NARX和AIR2Stream模型均经过校准和验证，并选择了表现良好的模型以重建1985年至2022年的每日河水温度。结果表明，通过组合Narx和Air2Stream结合使用杂种建模有望重建每日河水温度。根据重建的数据集，水温的年度和季节性趋势以及河流热浪的特征。结果表明，在过去40年中，年度水温显示出一致的变暖趋势，平均变暖率为0.315 c/十年。季节性河水温度表明，夏天的温暖速度更快，其次是秋季和春季，冬季河水温度显示出微不足道的变暖趋势。河河热波在奥德拉河盆地的频率，持续时间和强度增加，而27个水文站中有6个河流热浪被归类为“严重”和“极端”，这表明需要采取线索措施来减少气候变暖对水生系统的影响。2024中国地球科学大学（北京）和北京大学。此外，结果表明，空气温度是河流热浪的主要控制器，河流热浪往往会随着空气温度的变暖而增强。由Elsevier B.V.代表中国地球科学大学（北京）出版。这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
LEO卫星轨道轨道通过闭环机器学习，并应用于机会性导航
摘要 - 提出了通过闭环机器学习的低地球轨道（LEO）卫星轨道预测的框架。通过改进地面车辆的导航，与使用简化的一般扰动4（SGP4）Orbit Orbit Expagator相比，使用“非合作” LEO卫星信号来证明该框架的功效，并通过“非合作” LEO卫星信号导航。该框架称为LEO-NNPON（具有机会性导航的NN预测），假定以下三个阶段。（i）LEO卫星第一通过（跟踪）：具有其位置提取物测量值的陆地接收器（伪造，载波相位和/或多普勒）从接收到的Leo卫星的信号中，使其能够估算到达的时间。LEO卫星的状态用SGP4传播的两行元素（TLE）数据初始化，随后在卫星可见性期间通过扩展的Kalman滤波器（EKF）估算。（ii）未观察的LEO卫星（预测）：在估计的ephemerides上对具有外源输入（NARX）NN的非线性自回归进行了训练，并用于传播Leo卫星的轨道，以期在此期间不观察卫星。（iii）LEO卫星第二通道（导航）：配备LEO接收器的地面导航器（例如，车辆），从Leo卫星的下链路信号中提取导航可观察到可观察到的可观察到的可观察到的可观察到的导航器。这些导航可观察物用于以紧密耦合的方式（例如，通过EKF）以紧密耦合的方式帮助导航器安装的惯性测量单元（IMU）。LEO卫星状态是从NN预测的胚层获得的。提出了装有工业级IMU导航4.05 km的地面车辆的实验结果，并提供了来自两个Orbcomm卫星的信号。比较了三个车辆导航框架，所有车辆导航框架都用全球导航卫星系统（GNSS） - 惯性导航系统（INS）位置和速度解决方案进行初始化。 （ii）使用SGP4传播的Leo Esphemerides的Leo-Aided Ins； （iii）与狮子座的狮子座。独立的三维（3-D）位置根平方（RMSE）为1,865 m，而SGP4的Leo Aided INS为175.5 m。 Leo-Nnpon的Leo Aided Ins为18.3 m，证明了拟议框架的功效。