基于四元数非线性误差模型的快速传递对准(英文)

基于姿态参数切换的四元数快速传递对准算法周卫东;吉宇人;乔相伟【摘要】In order to solve the problem of large misalignment angle in rapid transfer alignment, a quaternion unscented filter algorithm making the use of transformation of attitude parameters is investigated based on building nonlinear quaternion error model. Firstly, the transform relation between quaternion and modified Rodriguez parameters was utilized to derive the quaternion formula of weighted sum, which made the calculation more directly. Then the normalization problem of quaternion part in disturb sigma points was solved by the method which obtained the vector part by calculating the sigma points firstly, and got the scalar part according to the normalizing condition afterwards; meanwhile, the error variance matrix containing the attitude quaternion was derived and corresponding formulas were presented on this basis. The simulation experiment shows that the estimation accuracy and rapidity of this algorithm for large misalignment angle can be satisfied for transfer alignment.%针对快速传递对准过程中的大失准角情况,在建立非线性四元数误差模型的基础上,对利用姿态参数转换的四元数无迹卡尔曼滤波(QUKF)进行研究.通过四元数和修正罗德里格斯参数间的相互转换关系对四元数加权求和公式进行推导,使计算更为直观.针对扰动sigma点中四元数部分的规范性问题,通过先计算sigma 点得到其向量部分,再利用单位化约束得到标量部分的方法进行解决,并在此基础上对含有姿态四元数的误差方差阵进行推导并给出相应公式.仿真结果表明,该算法对大失准角的估计准确度和快速性可以满足传递对准的要求.【期刊名称】《电机与控制学报》【年(卷),期】2012(016)012【总页数】6页(P72-77)【关键词】快速传递对准;修正罗德里格斯参数;四元数;无迹卡尔曼滤波;规范性【作者】周卫东;吉宇人;乔相伟【作者单位】哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001;哈尔滨工程大学自动化学院,黑龙江哈尔滨150001【正文语种】中文【中图分类】U666.10 引言Kain J E提出的速度+姿态匹配算法是目前最为常用的传递对准算法之一［1］，其推导的快速传递对准模型在小角条件下进行了合理的线性化处理。

大失准角传递对准算法研究分析发布时间：2023-02-17T01:52:30.959Z 来源：《科技新时代》2022年19期作者：彭云龙鄢思仪施成功邱玉芬[导读] 提出了一种大失准角情况下的传递对准方法，彭云龙鄢思仪施成功邱玉芬（航空工业江西洪都航空工业集团有限责任公司江西南昌 330024）摘要：提出了一种大失准角情况下的传递对准方法，该方法基于回路对准使子惯导的姿态振荡误差衰减到小角度后进行滤波传递对准,设计了速度加姿态匹配的传递对准滤波模型。

与传统传递对准方法相比，该方法无需建立子惯导非线性误差模型，应用经典 Kalman 滤波即可快速地完成对准。

仿真试验表明,在大失准角情况下，子惯导失准角用外部速度可以调平到 30“以内，传递对准姿态误差最大为 0.5',方位误差为 2'。

而由于惯性导航采用积分推算原理，高精度初始位姿是获取高精度惯性导航定位数据的关键。

本文对部分MEMS惯性传感器国内外的新近研究成果进行了分类与归纳，分别对MEMS加速度计、MEMS陀螺仪和微惯性测量组合以及惯性微系统进行了研究与分析。

关键词：传递对准；回路对准；大失准角；速度加姿态传递对准是舰船上的武器、舰载机子惯导利用高精度的主惯导信息进行初始对准的一种技术，因为其具有对准精度高、时间短的优点，能有效地提高舰载武器、舰载机的机动反应能力和生存能力，逐渐成为了解决舰载武器、舰载机惯导系统初始对准问题的主要方法门。

大型舰船受船体老化以及海浪日晒等环境的影响，会产生1度~1.5度的船体变形,而且舰船甲板上的舰载机可以停在不同位置，因此传统的基于小失准角条件下的传递对准方法适用受限，研究大失准角下的传递对准技术是十分必要的。

目前一般采用传递对准技术对武器系统进行初始对准，即利用舰船、飞机、车辆上已对准好、精度高的惯导系统(主惯导系统)来对准武器系统上的惯导系统(子惯导系统)。

传递对准过程可看作将主子惯导两套系统进行数据比对和匹配的过程，传递对准结果可通过对准精度和时间两个至关重要的因素来评判。

基于四元数的弹道目标微多普勒仿真
孙永健;程臻;付莹
【期刊名称】《电光与控制》
【年(卷),期】2013(020)011
【摘要】微动建模是研究弹道目标微多普勒特征的关键和基础.目前基于Euler角、Euler-Rodrigue公式和齐次坐标的建模方法存在“万向节死锁”、奇异、计算复
杂等问题.四元数方法采用4个参数代替矩阵方法的9个参数,能够直观表示三维空间内任意旋转,并克服现有方法的缺陷.经过推导,给出了基于四元数的弹道目标进动和摆动微多普勒数学模型表达式.由于减少了矩阵运算,使得目标微多普勒频率的计
算更加简单.仿真结果表明,基于四元数旋转的微动建模方法是合理的,为弹道目标的微多普勒特征提取和识别提供了科学依据.
【总页数】5页(P65-69)
【作者】孙永健;程臻;付莹
【作者单位】北京无线电测量研究所,北京100854;空军预警学院,武汉430019;中
国航天科工集团第二研究院,北京100854;空军预警学院,武汉430019
【正文语种】中文
【中图分类】V271.4;TN959.1
【相关文献】
1.基于时间分段数据的弹道目标微多普勒时频分析方法 [J], 秦晓东;张仕元;喻荣梅;
2.基于时间分段数据的弹道目标微多普勒时频分析方法 [J], 秦晓东;张仕元;喻荣梅
3.弹道目标微多普勒特性基于逆Radon变换的稀疏表示 [J], 王雨千;周峰;王世强
4.基于微多普勒信息的弹道目标成像 [J], 夏鹏;田西兰
5.基于多站微多普勒融合的弹道目标特征提取 [J], 李靖卿;冯存前;龙戈农;王义哲因版权原因，仅展示原文概要，查看原文内容请购买。

基于宽带时空Radon-Fourier变换的高速微弱目标检测方法钱李昌;许稼;孙文峰;彭应宁【期刊名称】《电子与信息学报》【年(卷),期】2013(000)001【摘要】The Across Range Unit (ARU) effect, mismatch issue in the matched filter and the aperture fill phenomenon can badly deteriorate the performance of high-speed weak target detection in wideband Digital Array Radar (DAR). To address these issues, a novel long-time coherent integration method, namely, Wideband Space- Time Radon Fourier Transform (WST-RFT) is proposed. Based on the 3D echo model of DAR, the system response function of wideband matched filter is given, and by jointly searching the 3D parameter space, the ARU effect, mismatch problem of the matched filter and the aperture fill phenomenon can be simultaneously addressed. Then, the optimality of the WST-RFT based detector is demonstrated. Furthermore, to solve high computation cost problem caused by ergodic search in the WST-RFT, a fast implementation based on Chirp-Z Transform (CZT) is given. Finally, numerical experiments demonstrate the effectiveness of the proposed method.% 宽带数字阵列雷达(DAR)中跨距离单元走动(ARU)、匹配滤波器失配以及孔径渡越问题降低了高速微弱目标的检测性能。

概括convnextConvNext是一种卷积神经网络（Convolutional Neural Network，CNN）的变体，它在传统的CNN架构基础上进行了改进和优化。

ConvNext的目标是提高图像处理和模式识别任务的性能和效率。

ConvNext的主要特点是引入了一种新的卷积层结构，即Next Convolutional Layer。

该层结构通过在传统的卷积层中引入非线性激活函数和批归一化操作，增强了网络的表达能力和泛化能力。

Next Convolutional Layer的设计使得网络能够更好地捕捉图像中的细节和特征，从而提高了模型的准确性。

此外，ConvNext还采用了一种自适应的网络结构设计，即Dynamic Network Architectures。

这种设计使得网络能够根据输入图像的复杂性和难度自动调整网络的深度和宽度，从而在不同的任务和数据集上获得更好的性能。

Dynamic Network Architectures 的灵活性和自适应性使得ConvNext具有更强的泛化能力和适应性。

ConvNext还引入了一种新的激活函数，即Swish函数。

Swish 函数是一种非线性激活函数，它在保持计算效率的同时，提供了比传统的激活函数（如ReLU）更好的激活特性，从而进一步提高了网络的性能。

总结起来，ConvNext是一种基于卷积神经网络的改进型架构，通过引入Next Convolutional Layer、Dynamic Network Architectures和Swish函数等新的设计和技术，提高了网络的表达能力、泛化能力和性能。

这些改进使得ConvNext在图像处理和模式识别任务中具有更好的效果和应用潜力。

捷联惯导动基座对准新方法及导航误差抑制技术研究一、本文概述随着导航技术的不断发展，捷联惯导系统（Strapdown Inertial Navigation System, SINS）在动基座对准和导航误差抑制方面展现出越来越高的应用价值。

本文旨在探讨一种新型的捷联惯导动基座对准方法，并对导航误差抑制技术进行深入研究。

通过对比分析传统对准方法的不足，本文提出了一种基于多传感器融合的新型对准算法，旨在提高对准精度和效率。

针对导航过程中的误差积累问题，本文还研究了有效的误差抑制策略，以期提高捷联惯导系统的导航精度和可靠性。

本文首先介绍了捷联惯导系统的基本原理和应用背景，阐述了动基座对准和导航误差抑制在惯性导航中的重要性和挑战。

随后，详细介绍了新型对准方法的基本原理和实现过程，包括多传感器数据融合、对准算法设计以及实验验证等方面。

在误差抑制技术研究方面，本文重点探讨了误差来源、误差传播特性和抑制策略，提出了一种基于卡尔曼滤波的误差估计与补偿方法。

本文的研究成果对于提高捷联惯导系统的性能具有重要意义，不仅有助于提升动基座对准的精度和效率，还能有效抑制导航过程中的误差积累，从而提高整个导航系统的可靠性和稳定性。

本文的研究方法和结论也为相关领域的研究人员提供了有益的参考和借鉴。

二、捷联惯导系统概述捷联惯导系统（Strapdown Inertial Navigation System，简称SINS）是一种不依赖外部信息、完全自主式的导航系统。

其核心部件包括陀螺仪和加速度计，分别用于测量载体相对于惯性空间的角速度和线加速度。

通过积分这些测量值，系统能够推算出载体的速度、位置和姿态信息。

捷联惯导系统的最大特点在于它将传统的平台式惯导系统中的实体平台用数学平台来替代，从而大大简化了系统结构，提高了可靠性，并降低了成本。

捷联惯导系统的基本原理是通过载体上安装的陀螺仪和加速度计实时测量载体的角运动和线运动参数，再结合初始对准得到的姿态矩阵，将加速度计测量的比力转换到导航坐标系下，进行积分运算得到速度和位置信息。

AI专⽤词汇LetterAAccumulatederrorbackpropagation累积误差逆传播ActivationFunction激活函数AdaptiveResonanceTheory/ART⾃适应谐振理论Addictivemodel加性学习Adversari alNetworks对抗⽹络AffineLayer仿射层Affinitymatrix亲和矩阵Agent代理/智能体Algorithm算法Alpha-betapruningα-β剪枝Anomalydetection异常检测Approximation近似AreaUnderROCCurve／AUCRoc曲线下⾯积ArtificialGeneralIntelligence/AGI通⽤⼈⼯智能ArtificialIntelligence/AI⼈⼯智能Associationanalysis关联分析Attentionmechanism注意⼒机制Attributeconditionalindependenceassumption属性条件独⽴性假设Attributespace属性空间Attributevalue属性值Autoencoder⾃编码器Automaticspeechrecognition⾃动语⾳识别Automaticsummarization⾃动摘要Aver agegradient平均梯度Average-Pooling平均池化LetterBBackpropagationThroughTime通过时间的反向传播Backpropagation/BP反向传播Baselearner基学习器Baselearnin galgorithm基学习算法BatchNormalization/BN批量归⼀化Bayesdecisionrule贝叶斯判定准则BayesModelAveraging／BMA贝叶斯模型平均Bayesoptimalclassifier贝叶斯最优分类器Bayesiandecisiontheory贝叶斯决策论Bayesiannetwork贝叶斯⽹络Between-cla ssscattermatrix类间散度矩阵Bias偏置/偏差Bias-variancedecomposition偏差-⽅差分解Bias-VarianceDilemma偏差–⽅差困境Bi-directionalLong-ShortTermMemory/Bi-LSTM双向长短期记忆Binaryclassification⼆分类Binomialtest⼆项检验Bi-partition⼆分法Boltzmannmachine玻尔兹曼机Bootstrapsampling⾃助采样法／可重复采样／有放回采样Bootstrapping⾃助法Break-EventPoint／BEP平衡点LetterCCalibration校准Cascade-Correlation级联相关Categoricalattribute离散属性Class-conditionalprobability类条件概率Classificationandregressiontree/CART分类与回归树Classifier分类器Class-imbalance类别不平衡Closed-form闭式Cluster簇/类/集群Clusteranalysis聚类分析Clustering聚类Clusteringensemble聚类集成Co-adapting共适应Codin gmatrix编码矩阵COLT国际学习理论会议Committee-basedlearning基于委员会的学习Competiti velearning竞争型学习Componentlearner组件学习器Comprehensibility可解释性Comput ationCost计算成本ComputationalLinguistics计算语⾔学Computervision计算机视觉C onceptdrift概念漂移ConceptLearningSystem/CLS概念学习系统Conditionalentropy条件熵Conditionalmutualinformation条件互信息ConditionalProbabilityTable／CPT条件概率表Conditionalrandomfield/CRF条件随机场Conditionalrisk条件风险Confidence置信度Confusionmatrix混淆矩阵Connectionweight连接权Connectionism连结主义Consistency⼀致性／相合性Contingencytable列联表Continuousattribute连续属性Convergence收敛Conversationalagent会话智能体Convexquadraticprogramming凸⼆次规划Convexity凸性Convolutionalneuralnetwork/CNN卷积神经⽹络Co-oc currence同现Correlationcoefficient相关系数Cosinesimilarity余弦相似度Costcurve成本曲线CostFunction成本函数Costmatrix成本矩阵Cost-sensitive成本敏感Crosse ntropy交叉熵Crossvalidation交叉验证Crowdsourcing众包Curseofdimensionality维数灾难Cutpoint截断点Cuttingplanealgorithm割平⾯法LetterDDatamining数据挖掘Dataset数据集DecisionBoundary决策边界Decisionstump决策树桩Decisiontree决策树／判定树Deduction演绎DeepBeliefNetwork深度信念⽹络DeepConvolutionalGe nerativeAdversarialNetwork/DCGAN深度卷积⽣成对抗⽹络Deeplearning深度学习Deep neuralnetwork/DNN深度神经⽹络DeepQ-Learning深度Q学习DeepQ-Network深度Q⽹络Densityestimation密度估计Density-basedclustering密度聚类Differentiab leneuralcomputer可微分神经计算机Dimensionalityreductionalgorithm降维算法D irectededge有向边Disagreementmeasure不合度量Discriminativemodel判别模型Di scriminator判别器Distancemeasure距离度量Distancemetriclearning距离度量学习D istribution分布Divergence散度Diversitymeasure多样性度量／差异性度量Domainadaption领域⾃适应Downsampling下采样D-separation（Directedseparation）有向分离Dual problem对偶问题Dummynode哑结点DynamicFusion动态融合Dynamicprogramming动态规划LetterEEigenvaluedecomposition特征值分解Embedding嵌⼊Emotionalanalysis情绪分析Empiricalconditionalentropy经验条件熵Empiricalentropy经验熵Empiricalerror经验误差Empiricalrisk经验风险End-to-End端到端Energy-basedmodel基于能量的模型Ensemblelearning集成学习Ensemblepruning集成修剪ErrorCorrectingOu tputCodes／ECOC纠错输出码Errorrate错误率Error-ambiguitydecomposition误差-分歧分解Euclideandistance欧⽒距离Evolutionarycomputation演化计算Expectation-Maximization期望最⼤化Expectedloss期望损失ExplodingGradientProblem梯度爆炸问题Exponentiallossfunction指数损失函数ExtremeLearningMachine/ELM超限学习机LetterFFactorization因⼦分解Falsenegative假负类Falsepositive假正类False PositiveRate/FPR假正例率Featureengineering特征⼯程Featureselection特征选择Featurevector特征向量FeaturedLearning特征学习FeedforwardNeuralNetworks/FNN前馈神经⽹络Fine-tuning微调Flippingoutput翻转法Fluctuation震荡Forwards tagewisealgorithm前向分步算法Frequentist频率主义学派Full-rankmatrix满秩矩阵Func tionalneuron功能神经元LetterGGainratio增益率Gametheory博弈论Gaussianker nelfunction⾼斯核函数GaussianMixtureModel⾼斯混合模型GeneralProblemSolving通⽤问题求解Generalization泛化Generalizationerror泛化误差Generalizatione rrorbound泛化误差上界GeneralizedLagrangefunction⼴义拉格朗⽇函数Generalized linearmodel⼴义线性模型GeneralizedRayleighquotient⼴义瑞利商GenerativeAd versarialNetworks/GAN⽣成对抗⽹络GenerativeModel⽣成模型Generator⽣成器Genet icAlgorithm/GA遗传算法Gibbssampling吉布斯采样Giniindex基尼指数Globalminimum全局最⼩GlobalOptimization全局优化Gradientboosting梯度提升GradientDescent梯度下降Graphtheory图论Ground-truth真相／真实LetterHHardmargin硬间隔Hardvoting硬投票Harmonicmean调和平均Hessematrix海塞矩阵Hiddendynamicmodel隐动态模型H iddenlayer隐藏层HiddenMarkovModel/HMM隐马尔可夫模型Hierarchicalclustering层次聚类Hilbertspace希尔伯特空间Hingelossfunction合页损失函数Hold-out留出法Homo geneous同质Hybridcomputing混合计算Hyperparameter超参数Hypothesis假设Hypothe sistest假设验证LetterIICML国际机器学习会议Improvediterativescaling/IIS改进的迭代尺度法Incrementallearning增量学习Independentandidenticallydistributed/i.i.d.独⽴同分布IndependentComponentAnalysis/ICA独⽴成分分析Indicatorfunction指⽰函数Individuallearner个体学习器Induction归纳Inductivebias归纳偏好I nductivelearning归纳学习InductiveLogicProgramming／ILP归纳逻辑程序设计Infor mationentropy信息熵Informationgain信息增益Inputlayer输⼊层Insensitiveloss不敏感损失Inter-clustersimilarity簇间相似度InternationalConferencefor MachineLearning/ICML国际机器学习⼤会Intra-clustersimilarity簇内相似度Intrinsicvalue固有值IsometricMapping/Isomap等度量映射Isotonicregression等分回归It erativeDichotomiser迭代⼆分器LetterKKernelmethod核⽅法Kerneltrick核技巧K ernelizedLinearDiscriminantAnalysis／KLDA核线性判别分析K-foldcrossvalidationk折交叉验证／k倍交叉验证K-MeansClusteringK–均值聚类K-NearestNeighb oursAlgorithm/KNNK近邻算法Knowledgebase知识库KnowledgeRepresentation知识表征LetterLLabelspace标记空间Lagrangeduality拉格朗⽇对偶性Lagrangemultiplier拉格朗⽇乘⼦Laplacesmoothing拉普拉斯平滑Laplaciancorrection拉普拉斯修正Latent DirichletAllocation隐狄利克雷分布Latentsemanticanalysis潜在语义分析Latentvariable隐变量Lazylearning懒惰学习Learner学习器Learningbyanalogy类⽐学习Learn ingrate学习率LearningVectorQuantization/LVQ学习向量量化Leastsquaresre gressiontree最⼩⼆乘回归树Leave-One-Out/LOO留⼀法linearchainconditional randomfield线性链条件随机场LinearDiscriminantAnalysis／LDA线性判别分析Linearmodel线性模型LinearRegression线性回归Linkfunction联系函数LocalMarkovproperty局部马尔可夫性Localminimum局部最⼩Loglikelihood对数似然Logodds／logit对数⼏率Lo gisticRegressionLogistic回归Log-likelihood对数似然Log-linearregression对数线性回归Long-ShortTermMemory/LSTM长短期记忆Lossfunction损失函数LetterM Machinetranslation/MT机器翻译Macron-P宏查准率Macron-R宏查全率Majorityvoting绝对多数投票法Manifoldassumption流形假设Manifoldlearning流形学习Margintheory间隔理论Marginaldistribution边际分布Marginalindependence边际独⽴性Marginalization边际化MarkovChainMonteCarlo/MCMC马尔可夫链蒙特卡罗⽅法MarkovRandomField马尔可夫随机场Maximalclique最⼤团MaximumLikelihoodEstimation/MLE极⼤似然估计／极⼤似然法Maximummargin最⼤间隔Maximumweightedspanningtree最⼤带权⽣成树Max-P ooling最⼤池化Meansquarederror均⽅误差Meta-learner元学习器Metriclearning度量学习Micro-P微查准率Micro-R微查全率MinimalDescriptionLength/MDL最⼩描述长度Minim axgame极⼩极⼤博弈Misclassificationcost误分类成本Mixtureofexperts混合专家Momentum动量Moralgraph道德图／端正图Multi-classclassification多分类Multi-docum entsummarization多⽂档摘要Multi-layerfeedforwardneuralnetworks多层前馈神经⽹络MultilayerPerceptron/MLP多层感知器Multimodallearning多模态学习Multipl eDimensionalScaling多维缩放Multiplelinearregression多元线性回归Multi-re sponseLinearRegression／MLR多响应线性回归Mutualinformation互信息LetterN Naivebayes朴素贝叶斯NaiveBayesClassifier朴素贝叶斯分类器Namedentityrecognition命名实体识别Nashequilibrium纳什均衡Naturallanguagegeneration/NLG⾃然语⾔⽣成Naturallanguageprocessing⾃然语⾔处理Negativeclass负类Negativecorrelation负相关法NegativeLogLikelihood负对数似然NeighbourhoodComponentAnalysis/NCA近邻成分分析NeuralMachineTranslation神经机器翻译NeuralTuringMachine神经图灵机Newtonmethod⽜顿法NIPS国际神经信息处理系统会议NoFreeLunchTheorem ／NFL没有免费的午餐定理Noise-contrastiveestimation噪⾳对⽐估计Nominalattribute列名属性Non-convexoptimization⾮凸优化Nonlinearmodel⾮线性模型Non-metricdistance⾮度量距离Non-negativematrixfactorization⾮负矩阵分解Non-ordinalattribute⽆序属性Non-SaturatingGame⾮饱和博弈Norm范数Normalization归⼀化Nuclearnorm核范数Numericalattribute数值属性LetterOObjectivefunction⽬标函数Obliquedecisiontree斜决策树Occam’srazor奥卡姆剃⼑Odds⼏率Off-Policy离策略Oneshotlearning⼀次性学习One-DependentEstimator／ODE独依赖估计On-Policy在策略Ordinalattribute有序属性Out-of-bagestimate包外估计Outputlayer输出层Outputsmearing输出调制法Overfitting过拟合／过配Oversampling过采样LetterPPairedt-test成对t检验Pairwise成对型PairwiseMarkovproperty成对马尔可夫性Parameter参数Parameterestimation参数估计Parametertuning调参Parsetree解析树ParticleSwarmOptimization/PSO粒⼦群优化算法Part-of-speechtagging词性标注Perceptron感知机Performanceme asure性能度量PlugandPlayGenerativeNetwork即插即⽤⽣成⽹络Pluralityvoting相对多数投票法Polaritydetection极性检测Polynomialkernelfunction多项式核函数Pooling池化Positiveclass正类Positivedefinitematrix正定矩阵Post-hoctest后续检验Post-pruning后剪枝potentialfunction势函数Precision查准率／准确率Prepruning预剪枝Principalcomponentanalysis/PCA主成分分析Principleofmultipleexplanations多释原则Prior先验ProbabilityGraphicalModel概率图模型ProximalGradientDescent/PGD近端梯度下降Pruning剪枝Pseudo-label伪标记LetterQQuantizedNeu ralNetwork量⼦化神经⽹络Quantumcomputer量⼦计算机QuantumComputing量⼦计算Quasi Newtonmethod拟⽜顿法LetterRRadialBasisFunction／RBF径向基函数RandomFo restAlgorithm随机森林算法Randomwalk随机漫步Recall查全率／召回率ReceiverOperatin gCharacteristic/ROC受试者⼯作特征RectifiedLinearUnit/ReLU线性修正单元Recurr entNeuralNetwork循环神经⽹络Recursiveneuralnetwork递归神经⽹络Referencemodel参考模型Regression回归Regularization正则化Reinforcementlearning/RL强化学习Representationlearning表征学习Representertheorem表⽰定理reproducingke rnelHilbertspace/RKHS再⽣核希尔伯特空间Re-sampling重采样法Rescaling再缩放Residu alMapping残差映射ResidualNetwork残差⽹络RestrictedBoltzmannMachine/RBM受限玻尔兹曼机RestrictedIsometryProperty/RIP限定等距性Re-weighting重赋权法Robu stness稳健性/鲁棒性Rootnode根结点RuleEngine规则引擎Rulelearning规则学习LetterS Saddlepoint鞍点Samplespace样本空间Sampling采样Scorefunction评分函数Self-Driving⾃动驾驶Self-OrganizingMap／SOM⾃组织映射Semi-naiveBayesclassifiers半朴素贝叶斯分类器Semi-SupervisedLearning半监督学习semi-SupervisedSupportVec torMachine半监督⽀持向量机Sentimentanalysis情感分析Separatinghyperplane分离超平⾯SigmoidfunctionSigmoid函数Similaritymeasure相似度度量Simulatedannealing模拟退⽕Simultaneouslocalizationandmapping同步定位与地图构建SingularV alueDecomposition奇异值分解Slackvariables松弛变量Smoothing平滑Softmargin软间隔Softmarginmaximization软间隔最⼤化Softvoting软投票Sparserepresentation稀疏表征Sparsity稀疏性Specialization特化SpectralClustering谱聚类SpeechRecognition语⾳识别Splittingvariable切分变量Squashingfunction挤压函数Stability-plasticitydilemma可塑性-稳定性困境Statisticallearning统计学习Statusfeaturefunction状态特征函Stochasticgradientdescent随机梯度下降Stratifiedsampling分层采样Structuralrisk结构风险Structuralriskminimization/SRM结构风险最⼩化S ubspace⼦空间Supervisedlearning监督学习／有导师学习supportvectorexpansion⽀持向量展式SupportVectorMachine/SVM⽀持向量机Surrogatloss替代损失Surrogatefunction替代函数Symboliclearning符号学习Symbolism符号主义Synset同义词集LetterTT-Di stributionStochasticNeighbourEmbedding/t-SNET–分布随机近邻嵌⼊Tensor张量TensorProcessingUnits/TPU张量处理单元Theleastsquaremethod最⼩⼆乘法Th reshold阈值Thresholdlogicunit阈值逻辑单元Threshold-moving阈值移动TimeStep时间步骤Tokenization标记化Trainingerror训练误差Traininginstance训练⽰例／训练例Tran sductivelearning直推学习Transferlearning迁移学习Treebank树库Tria-by-error试错法Truenegative真负类Truepositive真正类TruePositiveRate/TPR真正例率TuringMachine图灵机Twice-learning⼆次学习LetterUUnderfitting⽋拟合／⽋配Undersampling⽋采样Understandability可理解性Unequalcost⾮均等代价Unit-stepfunction单位阶跃函数Univariatedecisiontree单变量决策树Unsupervisedlearning⽆监督学习／⽆导师学习Unsupervisedlayer-wisetraining⽆监督逐层训练Upsampling上采样LetterVVanishingGradientProblem梯度消失问题Variationalinference变分推断VCTheoryVC维理论Versionspace版本空间Viterbialgorithm维特⽐算法VonNeumannarchitecture冯·诺伊曼架构LetterWWassersteinGAN/WGANWasserstein⽣成对抗⽹络Weaklearner弱学习器Weight权重Weightsharing权共享Weightedvoting加权投票法Within-classscattermatrix类内散度矩阵Wordembedding词嵌⼊Wordsensedisambiguation词义消歧LetterZZero-datalearning零数据学习Zero-shotlearning零次学习。

捷联式惯导系统初始对准方法研究一、本文概述随着导航技术的不断发展，捷联式惯导系统（StrapdownInertial Navigation System, SINS）已成为现代导航领域的重要分支。

由于其具有自主性强、隐蔽性好、不受外界电磁干扰等优点，被广泛应用于军事、航空、航天、航海等领域。

然而，捷联式惯导系统的初始对准问题是其实际应用中的一大难题。

初始对准精度的高低直接影响到系统的导航精度和稳定性。

因此，研究捷联式惯导系统的初始对准方法具有重要意义。

本文旨在深入研究和探讨捷联式惯导系统的初始对准方法。

对捷联式惯导系统的基本原理和组成进行简要介绍，为后续研究奠定基础。

对初始对准的定义、目的和重要性进行阐述，明确研究的重要性和方向。

接着，重点分析现有初始对准方法的优缺点，包括传统的静基座对准、动基座对准以及近年来兴起的智能对准方法等。

在此基础上，提出一种新型的初始对准方法，并对其进行详细的理论分析和仿真验证。

通过实验验证所提方法的有效性和优越性，为捷联式惯导系统的实际应用提供有力支持。

本文的研究内容对于提高捷联式惯导系统的初始对准精度、增强其导航性能和稳定性具有重要意义。

所提出的新型初始对准方法有望为相关领域的研究提供新的思路和方向。

二、捷联式惯导系统初始对准理论基础捷联式惯导系统（Strapdown Inertial Navigation System，SINS）的初始对准是其正常工作的前提，对于提高导航精度和长期稳定性具有重要意义。

初始对准的主要目的是确定惯导系统载体在导航坐标系中的初始姿态，以便为后续的导航计算提供准确的基准。

捷联式惯导系统的初始对准过程涉及多个理论基础知识，包括载体运动学、动力学模型、误差分析以及滤波算法等。

载体运动学模型描述了载体在三维空间中的姿态、速度和位置变化，是初始对准过程中姿态解算的基础。

动力学模型则用于描述载体在受到外力作用下的动态行为，为误差分析提供了依据。

在初始对准过程中，误差分析是至关重要的。

用户评论方面级情感分析研究陈虹，杨燕+，杜圣东西南交通大学信息科学与技术学院，成都611756+通信作者E-mail:***************.cn 摘要：方面级情感分析是自然语言处理的热门研究方向之一，相比于传统的情感分析技术，基于方面的情感分析是细粒度的，能够判断句子中多个目标的情感倾向，能更加准确地挖掘用户对目标的情感极性。

针对以往研究忽略目标单独建模的问题，提出了一种基于双向长短期记忆神经网络（BiLSTM ）的交互注意力神经网络模型（Bi-IAN ）。

该模型通过BiLSTM 对目标和上下文分别进行建模，获得目标和上下文的隐藏表示，提取其中的语义信息。

接下来利用交互注意模块学习上下文和目标之间的注意力，分别生成目标和上下文的表示，捕捉目标和上下文之内和之间的相关性，并重构评价对象和上下文的表示，最终通过非线性层得到分类结果。

在数据集SemEval 2014任务4和Chinese review datasets 上的实验训练显示，在正确率和F 1-score 上，比现有的基准情感分析模型有更好的效果。

关键词：方面级情感分析；深度学习；循环神经网络（RNN ）；注意力机制文献标志码：A中图分类号：TP391.1Research on Aspect-Level Sentiment Analysis of User ReviewsCHEN Hong,YANG Yan +,DU ShengdongSchool of Information Science and Technology,Southwest Jiaotong University,Chengdu 611756,ChinaAbstract:Aspect-based sentiment analysis has become one of the hot research directions of natural language pared with the traditional sentiment analysis technology,aspect-based sentiment analysis is aimed at specific targets in sentences,and can judge the sentiment tendency of multiple targets in a sentence,and more accurately mine the sentiment polarity of the target.It is a fine-grained sentiment analysis technology.Aiming at the fact that the previous research ignored the problem of separate modeling of targets,an interactive attention network model based on bidirectional long short-term memory (Bi-IAN)is proposed.The model uses bidirectional long short-term memory (BiLSTM)to model the targets and the context respectively,to obtain hidden representation and extract the semantic information.Next,the attention vector between the context and the targets is learnt through interactive learning,and then the representation of the target and the context are generated.The relevance within and between the target and the context is captured,the representation of the target and context is reconstructed,and finally the model gets the classification result through the non-linear layer.Experimental training on the dataset SemEval 2014task 4and Chinese review datasets shows that the model proposed has better results than the existing benchmark sentiment analysis model in terms of accuracy and F 1-score.Key words:aspect-level sentiment analysis;deep learning;recurrent neural network (RNN);attention mechanism计算机科学与探索1673-9418/2021/15(03)-0478-08doi:10.3778/j.issn.1673-9418.2007011基金项目：国家自然科学基金（61976247）；国家科技支撑计划（2015BAH19F02）。

基于四元数的姿态非线性跟踪
尹慧琳;王磊;农静
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)35
【摘要】计算机图形学申物体三维旋转通常用矩阵、欧拉角、四元数表示,用矩阵及欧拉角存在计算繁琐、旋转不均匀性及平衡环锁定等局限,四元数可以避免这些局限,并且几何意义明确,计算简单.研究用四元数表示物体的姿态.在四元数基本运算法则基础上提出并证明了"基于四元数的多个旋转运动合成规则",然后将此规则为依据,推导出一种用来计算姿态非线性状态方程系数的方法,对非线性状态转移函数进行线性化,并且研究了测量方程函数的确定及线性化,借助扩展Kalman滤波实现了对姿态的跟踪.最后给出一滤波跟踪实例,验证此种方法是有效的.
【总页数】3页(P25-27)
【作者】尹慧琳;王磊;农静
【作者单位】同济大学,中德学院电子信息系,上海,200092;同济大学,中德学院电子信息系,上海,200092;同济大学,电子与信息工程学院,上海,200092
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于非线性观测器的非合作目标姿态跟踪控制 [J], 刘智勇;何英姿;蔡彪;程迎坤
2.基于误差四元数分解的刚体姿态跟踪滑模控制 [J], 李铁军;黄海
3.一种基于误差四元数的飞行器姿态跟踪系统的滑模控制器 [J], 冯璐;龚诚;何长安
4.喷嘴为执行机构的空间飞行器基于误差四元数的非线性姿态跟踪控制(英文) [J], 荆武兴;徐世杰
5.喷嘴为执行机构的空间飞行器基于误差四元数的非线性姿态跟踪控制 [J], 荆武兴; 徐世杰
因版权原因，仅展示原文概要，查看原文内容请购买。

基于应答器位置测量的AUV非线性模型预测对接控制高剑;刘昌鑫【摘要】针对搭载超短基线(USBL)声学定位系统的全驱动自主水下航行器(AUV)的自主回坞控制问题,提出一种基于应答器位置测量的回坞预测控制算法. 首先用体坐标系下的应答器位置测量定义回坞对接误差,基于Jacobian矩阵描述应答器位置测量与AUV速度之间的运动学关系,建立非线性对接误差模型. 采用非线性模型预测控制求解对接控制问题,产生航行器速度指令. 然后设计自适应速度控制器实现对速度指令的全局渐近跟踪. 最后采用REMUS AUV的模型参数进行了仿真研究,结果验证了方法的有效性.%The docking control problem is investigated for a fully?actuated autonomous underwater vehicle ( AUV) equipped with an inverted ultra?short baseline ( USBL) positioning system. A novel docking control strategy is pro?posed, in which the docking error is defined by the coordinates of the fixed USBL transponders. The interaction ma?trix relating the transponders′measurements to the vehicle′s linear and angular velocities is derived to predict the future system errors. Based on this, a nonlinear model predictive controller ( MPC) is designed to generate the ve?locity command for the vehicle, which minimizes the predictive errors in a limited horizon. The nonlinear adaptive control is utilized to track the velocity command with an asymptotically stable performance. The effectiveness of the docking method is demonstrated with the simulation studies using the REMUS AUV model.【期刊名称】《西北工业大学学报》【年(卷),期】2015(033)005【总页数】7页(P860-866)【关键词】自主水下航行器;对接;逆USBL定位系统;模型预测控制;自适应控制系统【作者】高剑;刘昌鑫【作者单位】西北工业大学航海学院,陕西西安 710072;西北工业大学航海学院,陕西西安 710072【正文语种】中文【中图分类】TP24自主水下航行器(autonomous underwater vehicle, AUV)是人类探索海洋的重要工具，AUV与水下回收平台的对接问题是迫切需要研究解决的关键技术之一。

基于四元数误差模型的捷联惯导系统对准方法魏春岭;张洪钺【期刊名称】《中国航空学报（英文版）》【年(卷),期】2001(014)003【摘要】The widely used conventional linearized error models or perturbation models are not effective to represent the nonlinear characteristics of SINS error propagation with large attitude errors. Error equations in terms of quaternion error are derived, and extended Kalman filter techniques are used to solve the in-flight alignment problems. In the case of small attitude errors, the nonlinear models can be reduced to conventional phi-angle models. The simulation results show that the proposed error models may improve the performance of alignment.%传统的小干扰方程并不能描述捷联惯导系统在大失准角下的误差传播特性，推导了姿态误差为大角度时的四元数误差方程，并指出当姿态误差为小量时，所推导的误差模型与小干扰方程是等价的。

仿真结果表明在大失准角下的空中对准过程中，采用四元数误差方程以及非线性滤波技术能有效地提高对准精度。

【总页数】5页(P166-170)【作者】魏春岭;张洪钺【作者单位】School of Automation, Beijing University of Aeronautics and Astronautics,;School of Automation, Beijing University of Aeronautics and Astronautics,【正文语种】中文【中图分类】V211.3因版权原因，仅展示原文概要，查看原文内容请购买。

非线性四元数姿态控制摘要这篇文章解决了四旋翼非线性姿态控制的问题。

一个基于单位四元数的全局姿态稳定控制器被提出，而且它的稳定性和鲁棒性都得到了证明。

另外，一个优先考虑关键的滚转和俯仰角度的控制再考虑偏航控制的方法被引入进来。

最终，对这个被提出的非线性控制器进行实验，并论证了它的性能。

1.背景适用于小角度线性化的控制器已经不适用于高机动性，高性能的要求。

为了挖掘四旋翼飞行器的所有潜能，全局角度控制器应该被采用。

欧拉角产生的奇异点也应该避免，因为从纯数学的角度它限制了飞行器一些可能的动作，不适用于全天候角度控制。

而四元数和余弦矩阵可以做到这一点。

这篇文章的内容为：第二节提供了关于姿态表示和四轴飞行器设置的背景材料。

第三节提出了全局渐近稳定控制了律。

最后，所提出控制器的实验结果见第四节，报告总结见第五节。

2. 预备知识2.1 角度表示刚体的角度可以用从参考坐标系到机体坐标系的旋转表示。

这些旋转参数可以是欧拉角（三个参数），单位四元数（四个参数）或旋转矩阵（九个参数）。

而，所有的三参数表示法会产生奇异点，所有的k参数表示法会有（k-3）个约束。

2.1.1旋转矩阵旋转矩阵BI R 是一个从一个线性空间3I到另一个线性空间3B的线性变换，同时保留长度和右手螺旋准则。

由以上特性，可以直接得出(3)BI R SO ∈。

设正交基I e I ∈和B e B ∈，其中(,,)I I II x y z e e e e =(1)向量r 在坐标系I 和B 下的坐标分别是I r 和B r 。

那么，从向量I r 到向量B r 的线性变换BI R 满足下式：B BI I r R r =(2)而BI R 是一个33⨯的矩阵(,,)BI BI BI BI x y z R r r r =(3)矩阵BI R 的三个列向量是坐标系I 的单位正交基在坐标系B 中的表示。

同理，该矩阵的三个行向量是是坐标系B 的单位正交基在坐标系I 中的表示。