您的位置: 专家智库 > >

沈飞

作品数:4 被引量:19H指数:2
供职机构:空军工程大学航空航天工程学院更多>>
发文基金:中国航空科学基金陕西省自然科学基金国家自然科学基金更多>>
相关领域:航空宇航科学技术自动化与计算机技术更多>>

文献类型

  • 4篇中文期刊文章

领域

  • 3篇航空宇航科学...
  • 1篇自动化与计算...

主题

  • 3篇非线性
  • 3篇非线性模型
  • 2篇导航
  • 2篇组合导航
  • 2篇联邦滤波
  • 1篇递推
  • 1篇点匹配
  • 1篇特征点
  • 1篇特征点匹配
  • 1篇特征描述符
  • 1篇特征提取
  • 1篇体视觉
  • 1篇图像
  • 1篇图像特征
  • 1篇图像特征提取
  • 1篇平方根
  • 1篇全局信息
  • 1篇立体视
  • 1篇立体视觉
  • 1篇联邦滤波器

机构

  • 4篇空军工程大学

作者

  • 4篇郝顺义
  • 4篇沈飞
  • 1篇黄国荣
  • 1篇郭创
  • 1篇林陶
  • 1篇吴训忠
  • 1篇杨彬

传媒

  • 3篇航天控制
  • 1篇计算机应用

年份

  • 2篇2018
  • 2篇2016
4 条 记 录,以下是 1-4
排序方式:
尺度不变特征转换算法在图像特征提取中的应用被引量:15
2016年
针对尺度不变特征转换(SIFT)算法复杂度高、计算时间长,难以满足立体匹配的实时性要求以及当图像中存在多个相似区域时误匹配率较高的问题,提出了一种改进的立体匹配算法.该算法从两个方面对SIFT算法进行了改进:首先,由于圆形具有天然的旋转不变性,该算法以特征点为中心,采用近似大小的两个同心圆区域代替原算法的矩形区域,在内圆和外圆环区域内分别统计12个方向的梯度累加值,把局部特征描述符的维数从128维降低到24维,降低了算法复杂度;其次加入了12维的全局向量,使生成的特征描述符包含了基于局部信息的SIFT向量和基于全局信息的全局向量,提高了算法对图像中相似区域的分辨能力.仿真结果表明,改进后的算法实时性比原算法提高了59.5%,当图像存在多个相似区域时,误匹配率下降了9个百分点.所提算法在图像处理的实时性要求较高的场合下适用性较好.
林陶黄国荣郝顺义沈飞
关键词:立体视觉特征点匹配全局信息特征描述符
基于简化联邦CKF的INS/GNSS组合导航算法被引量:1
2018年
针对高精度INS/GNSS组合导航子系统模型为部分非线性的问题,提出了一种新的简化联邦CKF滤波算法。该算法将容积卡尔曼滤波(Cubature Kalman Filter,CKF)的计算过程融入到联邦滤波结构框架中,并针对子系统模型存在部分非线性问题,对算法的时间更新过程进行了简化,简化后直接用状态转移矩阵计算一步预测和预测协方差矩阵,避免了采用求容积点近似计算的复杂过程及协方差矩阵分解。最后,建立了INS/GNSS紧组合导航模型,对提出的算法进行了仿真验证,将仿真结果与联邦UKF算法、联邦CKF算法进行对比。仿真结果表明,相比于联邦UKF和CKF算法,所提算法在保证滤波精度的情况下,有效减小了计算量,改善了组合导航系统的性能。
卢航郝顺义沈飞李保军
关键词:组合导航联邦滤波非线性模型
简化平方根容积卡尔曼滤波的INS/GPS紧组合算法被引量:1
2016年
针对INS/GPS紧组合导航系统非线性模型解算的实时性问题,提出了一种用简化平方根容积卡尔曼滤波算法(RSCKF)提高紧组合导航系统运算速度的方法,它是在时间更新环节将平方根容积卡尔曼滤波(SCKF)简化,简化后直接用状态转移矩阵求取状态一步预测和预测协方差矩阵,避免了原算法中采用求容积点近似计算的复杂过程。仿真实验将RSCKF算法与SCKF滤波算法、扩展卡尔曼滤波算法(EKF)的结果对比。结果表明,RSCKF,SCKF两种算法的估计精度要明显高于EKF算法,而且在保证估计精度相当的情况下,RSCKF算法可大大降低系统运算量。
沈飞郝顺义吴训忠郭创杨彬
关键词:INS/GPS组合导航非线性模型
基于融合状态递推的非线性联邦滤波器故障检测算法被引量:2
2018年
传统的联邦滤波器故障检测算法一般是针对线性系统模型提出的,现在非线性条件下对算法进行推广,推导了针对非线性模型的状态χ~2故障检测算法,并对其进行改进,提出一种基于融合状态递推的新型联邦滤波故障检测算法。该算法利用联邦滤波器的全局最优融合状态通过状态递推器获得融合状态递推,再由各子系统通过非线性滤波得到的状态估计与融合状态递推之间的残差构造检验量,进行故障检测。由于全局最优融合状态的精度要高于局部滤波值,故相比于传统联邦故障检测法,该算法的检测灵敏度更高;最后设计了一组仿真实验,验证了该检测算法的有效性。
卢航郝顺义沈飞李保军
关键词:故障检测联邦滤波非线性模型
共1页<1>
聚类工具0