2004年南京航天航空大学信息检索考研试题

第35期2020年12月No.35December ，2020高校图书馆信息素养讲座实践探索摘要：［目的/意义］信息素养讲座是国内高校图书馆提升师生信息素养水平的重要方式，但面临上座率低等诸多问题。

［方法/过程］文章从梳理现阶段“双一流”高校图书馆信息素养讲座现状出发，分析存在的问题，介绍南京航空航天大学图书馆相关实践探索举措，重点解决需求调研、流程管理和内容体系设置等关键问题，展示微媒体讲座形式、针对性内容整合、开放式组织模式、多渠道宣传推送以及全天候咨询服务等实施路径，探索了高校信息素养讲座模式的创新。

［结果/结论］总结出打造特色品牌、专人合理策划、建立生态保障等方面的建议。

关键词：高校图书馆；信息素养；讲座中图分类号：G258.6文献标志码：A江苏科技信息Jiangsu Science &Technology Information李曈1，2，任艳芳1，2，卞卉1，2（1.南京航空航天大学图书馆，江苏南京210016；2.南京航空航天大学工业和信息化智库评价中心，江苏南京210016）基金项目：江苏省高校哲学社会科学研究一般项目；项目名称：微媒体环境下高校信息素养协作教育系统化模式研究与实践；项目编号：2016SJD870004。

南京航空航天大学教育教学改革研究项目《信息检索与利用》精品课程建设专项；项目编号：2019JGTS32K 。

作者简介：李曈（1979—），女，山西交城人，副研究馆员，硕士；研究方向：情报学教学与咨询。

——以南京航空航天大学为例0引言信息素养教育是高校图书馆的职能领域之一［1］，并以课程、讲座、入馆培训、竞赛、嵌入专业课等方式开展相关教育活动。

其中，信息素养讲座以其选题丰富、针对性强、受益面广等优势，受到普遍关注。

然而，随着这项工作逐渐常规化，众多高校信息素养讲座面临内容陈旧、上座率低，甚至逐渐被取消的尴尬。

鉴于此，本文从梳理现阶段“双一流”高校图书馆信息素养讲座现状出发，针对总结出的问题，介绍南京航空航天大学图书馆实践举措，从关键点和实施路径角度探索了高校信息素养讲座模式的创新，并提出相关建议。

收 稿 日期 ：０ ９ １－ ５ ２ ０ — ２ ２
留学生本科 阶段信息检索课教学实践及 思考
钱 玲 飞
（ 京航 空 航 天 大 学 图 书 馆 ， 苏南 京 ．１０ ６ 南 汀 ２ ０ １）
摘
要 ： 南京航 空航天 大学教 学实践 为基 础， 以 探讨 了用英语教授 留学生 本科 阶段 信
本科生Ⅲ 英语开设 《 息检索 与利 ． 》 ｉｆｒ ｔ ｎｒ ｒ ￣ｌ ｎ 信 Ｉ （ｎ ｍａｏ ｔｅａ ａｄ ｛ ｛ ｏ ｉ ｅ ｉ， ｕｉｚｌ ｎ 课程 ， ｔｉ ｔ ） ｌａ ｏ 该课程作 为留学生本科 阶段 的必选课 ， 日前已经
讲授 过两 届 ， 本文 主要 论 述 两 年来 该 课程 教 学 中 的实 践 和 思 考 。
多种 教 学 形 式 ， 保证 在有 限 的时 间 里 取 得更 好 的教 学 效果 。 以 １１ 教 学 内容 ．
流的学生来我校深造相关 擘业 。这些学生 没有 参加汉语水平测 试而被所在同直接选送 到我校来学 习，大部分学生 没有 什么汉 语基石ｉ ；， ｌ给他们用汉 语教授信息检索课是不现实的。为了取得更 好的教学效果 ． 图书馆接到学校任务 ，０ ８年开始尝试给 留学生 ２０
５ 结语
以往机车运行 当巾司机主要通过眼观 、 闻 、 嗅来 掌握机 耳 鼻 车轮对状态 ， 存在很多主观 ｌ素 ， 大 常常不能及时发现问题而导致 ｌ
［ ］ 于胜利． ２ 机车动轮弛缓故障 的原 及预防［］ 道运输于经 Ｊ． 铁
济 ．０ ４ １ ）５ — ６ ２ ０ （ ２ ：５ ５ ．
限公 司联 合协作 ， 完全执 行 Ｔ ／ ０ １ ｏ １ 铁道机 车车辆 电 ＢＴ３ ２ —２ ０ 《 子装置》 标准 ， 电路设计 上借鉴机车上 的电子产品 电路 ， 在 保证 了设计 的可靠性。

南京航空航天大学硕士学位论文I摘 要多传感器信息融合多目标跟踪是当前目标跟踪领域的研究前沿它将多个传感器信息进行有机的合成用以提高目标运动状态估计的精度其性能比单一传感器优越很多由于在军事和民用领域具有广阔的应用前景多传感器融合多目标跟踪问题的研究已经受到人们的广泛关注杂波强干扰和目标高度机动情况下的数据关联是多目标跟踪领域的一个难点问题,也是多目标跟踪的关键问题本文针对多传感器信息融合多目标跟踪中存在的问题主要做了以下几个方面的工作:1提出了一种基于目标多特征信息的支持向量机数据关联算法即把量测新息作为支持向量机的输入通过支持向量机对各个传感器的测量数据进行关联处理实现对多目标的精确跟踪2针对多传感器信息融合多目标跟踪提出了基于支持向量机的航迹关联算法把各个传感器目标航迹状态估计偏差作为支持向量机输入对各个传感器的目标的状态估计信息进行分类识别从而实现多传感器信息融合多目标跟踪中的航迹关联3将支持向量机与扩展Kalman 滤波算法结合起来先从传感器的量测输出和跟踪滤波器的状态输出中提取和目标机动有关的特征而后送入支持向量机估计目标的机动输入实现对机动目标的精确跟踪关键词信息融合目标跟踪卡尔曼滤波数据关联支持向量机支持向量机在多目标跟踪中的应用研究IIABSTRACTMulti-target tracking based on multi-sensor information fusion is the leadingtechnology in target tracking research now, which can combine multi-sensor information to increase the precision of target state estimation, and has more advantages than the case using single sensor.Due to its broad perspective of applications in military and civil industries, study on multi-target tracking based on multi-sensor information fusion has been paid more attention by researchers in the world. One of the key problems in the study is data association under the environment with dense clutter and high-level maneuvering targets. In this paper, the following facets will be studied:1. A new data association algorithm based on multiple features and support vector machines for multi-target tracking is presented. In the new algorithm, the filtering measurement innovation is considered to be the input of the support vector machines for judging the association between each target measurement and track. According to the radar tracking system, the accurate tracking for multi-targets in heavily cluttered environment is implemented.2. For multi-target tracking system based on multi-sensor information fusion, a track-track data association algorithm based on support vector machines is proposed. In this algorithm, the difference between each tracking of different sensor are calculated, and as inputs are sent into the support vector machines to for judging the association between track and track.3. For the radar/infrared image fused tracking system, a extend Kalman filter combines with support vector machines to form a closed loop. The features related to the target maneuver are extracted from radar and infrared sensor. and as inputs are sent into the Support Vector Machines firstly, and then, the target’s maneuver inputs are estimated secondly, so that, the accurate tracking is achieved finally.Key Words: information fusion, target tracking , Kalman filtering , data association, support vector machines承诺书本人郑重声明所呈交的学位论文是本人在导师指导下独立进行研究工作所取得的成果尽我所知除文中已经注明引用的内容外本学位论文的研究成果不包含任何他人享有著作权的内容对本论文所涉及的研究工作做出贡献的其他个人和集体均已在文中以明确方式标明本人授权南京航空航天大学可以有权保留送交论文的复印件允许论文被查阅和借阅,可以将学位论文的全部或部分内容编入有关数据库进行检索可以采用影印缩印或其他复制手段保存论文作者签名 日期2006.2.15南京航空航天大学硕士学位论文注释表MTT 多目标跟踪SVM 支持向量机SMO 支持向量机序列最小优化算法JPDA 联合概率数据关联算法NJPDA 基于神经网络的联合概率数据关联算法KTT Karush-Kuhn-Tucher约束条件RCS 雷达目标散射截面积VII南京航空航天大学硕士学位论文1第一章 绪论1.1引言多目标跟踪(MTT-Multiple Target Tracking)是将传感器所接收到的量测信息分解对应于各种不确定信息源所产生的不同观测集合或轨迹它综合运用了随机统计决策自适应滤波知识工程神经网络模糊推理等现代信息处理技术多目标跟踪输出的结果包括被跟踪的目标数目以及相应于每一条轨迹的目标运动参数如位置速度加速度及目标分类特征等同时为战场态势评估和威胁估计提供决策支持随着多目标跟踪理论研究的日益成熟与深入多目标跟踪技术在军事和许多民用领域都有着广泛的应用可以列举的主要领域包括:弹道导弹防御空防海洋监视战场监视精确制导高空突防以及空中交通管制汽车防碰撞导航机器人视觉等多目标跟踪理论研究涉及诸多方面包括有:量测数据形成与处理机动目标模型机动检测与机动辨识自适应滤波与预测跟踪坐标系与滤波状态变量的选取跟踪门的形成数据关联跟踪起始与终止等1.2多目标跟踪与支持向量机的研究与发展现状1.2.1多目标跟踪的研究与发展现状对多目标跟踪技术的研究可以追溯到20世纪50年代首先由Wax 在1955年给出了多目标跟踪的基本概念1964年Sitler 在包括数据关联等内容的多目标跟踪理论方面取得了开创性的突破之后Bar-Shalom 和Singer 将数据关联技术与滤波理论的有机结合有力地推动了现代多目标跟踪技术的快速发展20世纪70年代逐步发展起来的信息融合技术以及其他智能信息处理技术为多目标跟踪理论的发展提供了更为广阔的空间多目标跟踪的关键就是对多源信息进行关联然后再采用相应的方法对各个聚类中的数据进行无缝集成国内外提出的关联方法主要有最近邻法极支持向量机在多目标跟踪中的应用研究2大似然法最优差别法统计关联法D-S 证据推理模糊推理法聚类分析法遗传算法和神经网络方法等[1-13]在军事应用领域中数据关联的研究经历了从单目标跟踪的最近邻法概率数据关联法等到多目标跟踪的联合概率数据关联和多假设理论等由于收集的信息中存在的不确定性因素及各信息源存在不同的可信度因而引进模糊逻辑证据理论和神经网络等智能化方法来进行信息融合的数据关联的研究这些方法都是采用一种非直接的关联总的来讲,现有的数据关联算法按数学方法大体上分为四类概率论证据理论模糊逻辑和神经网络其中的概率论在关联应用中的研究趋于完善模糊逻辑和神经网络在该应用中的研究起步不久滤波与预测是目标跟踪系统的最基本要素状态估计就是对目标过去的运动状态进行平滑对目标当前的运动状态进行滤波和对目标未来的运动状态进行预测当目标作非机动运动时采用基本的滤波算法就可以很好地跟踪目标这些滤波算法主要有线性自回归滤波αβ−或αβγ−−滤波以及卡尔曼滤波等在实际跟踪过程中目标往往发生机动因此上述这些基本滤波算法都很难在目标各种滤波状态下使滤波器具有良好的跟踪性能为此许多学者致力于对各种自适应滤波算法的研究并取得很多重要成果这些算法概括起来有三类:检测自适应滤波实时辨识自适应滤波和全面自适应滤波1检测自适应滤波检测自适应滤波的基本思想是:机动的发生使原来的模型变差从而造成目标状态估计偏离真实状态滤波残差(新息)特性发生变化根据残差过程的变化可设计出机动检测准则一旦检测到机动发生或消除立即进行模型转换或噪声方差调整此类算法的关键在于设计出合理的检测方式包括监测门限的选择以及恰当的模型转换与调整等不足之处在于机动发生和检测之间存在不可避免的时间延迟典型方法包括:决策自适应跟踪器Thorp 检测器输入(加速度)估计器变维滤波(VDF)等2实时辨识自适应滤波实时辨识自适应滤波指在线辨识出机动加速度或其统计特性(表现为均值和方差等)典型方法有:协方差匹配法自适应状态估计器二级卡尔曼滤波算法以及机动目标当前统计模型的均值与方差自适应跟踪算法3全面自适应滤波南京航空航天大学硕士学位论文3实时辨识自适应滤波能够较好地反映目标机动范围和强度的变化机动时跟踪效果很好但非机动时性能有所下降而检测自适应滤波在非机动时跟踪精度较高机动时性能较差自然就产生了两类方法综合发展的趋势全面适应滤波1.2.2支持向量机的研究与发展现状从20世纪60年代开始V.N.Vapnik 等人在有限样本的机器学习问题上取得一系列进展,在这一研究领域建立了一套较完整的理论体系支持向量机Support Vector Machine 简称SVM近年来支持向量机由于其出色的学习性能已成为机器学习领域的一个研究热点[14-18]与传统基于经验风险最小化学习方法不同SVM 基于结构风险最小化,在保持较小训练误差的同时使学习机器的容量较小从而避免了过学习问题SVM 的训练最终转化成为一个二次型寻优问题从理论上说得到的将是全局最优点SVM 从理论上解决了神经网络等学习机器的过学习训练过程中的局部极小点问题1.2.2.1支持向量机训练算法的研究标准支持向量机可以归结为求解一个受约束的二次型规划问题对于这个优化问题可以用传统的二次型优化技术来解决当训练样本数较大时利用这些算法来训练支持向量机的计算复杂性太大为了降低计算资源提高算法效率研究者们利用支持向量机优化问题本身所具有的特性近年来已经提出了几种改进的支持向量机训练算法1分块算法分块算法由Vapnik [16]首先提出它是基于这样一个事实即去掉Lagrange乘子等于零的训练样本不会影响原问题的解对于给定的训练样本集如果其中的支持向量是已知的寻优算法就可以排除非支持向量只需对支持向量计算权值即Lagrange 乘子即可该方法通过将数据集分块每次从分块数据中提取支持向量加以保留并补充进新的样本经过反复训练直至所有的样本都满足KKT 收敛条件为止分块算法大大减少了矩阵的大小当支持向量的数目远远小于训练样本数目时分块算法显然能够大大提高运算速度然而如果支持向量的数目本身就比较多随着算法迭代次数的增多工作样本集也会越来越大算法依旧会变得十分复杂支持向量机在多目标跟踪中的应用研究42工作集选择算法针对分块算法的缺点Osula 提出工作集选择算法[19](subset selectionalgorithm)也叫分解算法来加快支持向量机的训练速度工作样本集的大小固定在算法速度可以容忍的限度内迭代过程中只是将剩余样本中部分违反KKT条件的样本与工作样本集中的样本进行等量交换即使支持向量的个数超过工作样本集的大小也不改变工作样本集的规模而只对支持向量中的一部分进行优化这种算法的关键是在于选择一种合适的工作集换入换出策略即工作集的确定方法 3序列最小优化算法序列最小优化算法[16]sequential minimal optimization,简称SMO可以说是分解算法的一个极端特例,其优点是针对2个样本所形成的二次规划问题可以有解析解的形式因为只有两个变量应用等式约束可以将其中一个用另一个表示出来所以迭代过程中每一步的子问题的最优解可以直接用解析的方法求出来算法避开了复杂的数值求解优化问题的过程SMO 算法可以分为两个组成部分内环和外环外环根据KKT 优化条件采用启发式方法从数据集中挑选出每次要优化的数据内环则对Lagrange 乘子进行分析求解同时在SMO 算法中内存的需求与训练数据的大小呈线性关系不需要额外矩阵存储这样它可对非常大的数据进行训练4几何算法支持向量机方法具有清晰的几何含义[20]几何方法就是利用这种几何解释,将支持向量机的训练问题转化为经典的几何问题比如Keerthi [21]将两个传统的NPA 算法Nearest Point Algorithm 加以组合改进,设计出一个快速迭代算法来求解分类支持向量机张铃[22]把分类支持向量机求解转化为一个凸包到原点的最小距离并利用迭代单纯形算法Iterative Simplex Algorithm 来求解Ming_HsuanYang [23]利用训练集中的几何信息提出了卫向量(Guard vector)的概念所有的支持向量都是卫向量但反之不成立当训练集较大时,可以先找出卫向量再以卫向量构成传统的QP 问题求出支持向量卫向量的求解是通过判断其对偶空间中的线性规划问题的可行性而不是求其解从而使问题大大简化张学工[15]提出了中心支持向量机算法他将每类训练样本集进行聚类分成若干子集用子集中心组成新的训练样本集训练支持向量机(5)变异算法南京航空航天大学硕士学位论文5一般来说对于标准支持向量机所带来的二次型规划问题尽管提出了很多种方法来减少计算优化问题的计算复杂性但效果仍旧不是太理想于是一些学者提出改变标准支持向量机问题提法以简化所需的优化问题潘菁[24]将支持向量机的核方法与小波变换理论相结合利用小波基函数构造SVM 的核函数从而得到一种新的SVM 模型赵恒平[25]提出了模糊支持向量机模型周伟达提出了用线性规划来求解支持向量机[26]张浩然[27]对最小二乘支持向量机作了详细介绍它把支持向量机的求解问题转化为一个线性方程组问题来求解并给出了其快速学习算法本文就是基于最小二乘支持向量机模型展开研究的1.2.2.2支持向量机的应用研究支持向量机在理论上具有很突出的优势但应用研究尚相对比较滞后随着理论的不断完善支持向量机的应用逐渐成为各国研究者的研究热点目前支持向量机算法在模式识别回归估计等方面已都有应用在模式识别方面支持向量机主要应用于手写体相似字的识别[28]文本分类[29]人脸识别与检测[30]空中目标识别[31]机械故障的诊断[32]疾病诊断[33]等方面在数据回归方面朱国强把支持向量机应用于软测量中[34] 王定成Drezet 将支持向量机应用于系统建模与辨识中Bas J. de Kruif 将支持向量机作为通用函数逼近器[35-37]并把它用于前馈学习控制中以克服传统函数逼近器的维数灾难问题支持向量机在混沌时间序列的预测中显示出了强大的优势[3839]在经济社会学方面支持向量机还被用于股票指数的预测和交易市上的汇率预测[4041]由于支持向量机具有出色的性能近几年被应用于信息处理的各个分支中1.3研究问题的提出所谓多目标跟踪就是为了维持对多个目标当前状态的估计而对所接收到的量测信息进行处理的过程多目标跟踪技术就是把传感器检测到的信息进行分类和集成提取对象的有效信息以形成某一被测对象信息的全面和完整的描述因此多目标跟踪可以视为在一定条件下信息空间的一种非线性推理过程即把传感器检测到的信息作为一个空间M最后要得到的目标状态信息作为另一空间N 多目标跟踪技术就是实现M 到N 映射过程即fM N 由于这个过程是一个不确定的推理过程依据推理方法不同数据关联算法也就各不相支持向量机在多目标跟踪中的应用研究6同主要有概率论证据理论模糊逻辑和神经网络上述方法因为先验概率专家经验等获取困难数据多推理链较长使得在实际应用中常常出现瓶颈与其他的学习机相比SVM 具有较好的泛化能力非线性处理能力和高维处理能力具体地说支持向量机主要具有以下几个特点和优点1其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值它实现的是结构风险最小化而不是经验风险最小化2算法最终将转化成为一个二次型规划或线性规划问题从而得到的将是全局最优点解决了一些学习方法中无法避免的局部极值问题3算法将实际问题通过非线性变换转换到高维的特征空间(Feature Space )在高维空间中构造线性函数来实现原空间中的非线性函数特殊性质能保证机器有较好的泛化能力同时它巧妙地解决了维数问题其算法复杂度与样本维数无关4支持向量机具有十分清晰的几何意义可以根据其几何性质来选择其模型结构和构造学习方法它的学习结果是训练样本集中的支持向量正是由于支持向量机理论在解决模式识别中小样本非线性及高维识别问题中表现出独特的优势和良好的应用前景因而被广泛的应用到模式识别和非线性回归等问题中本文将支持向量机引入到多目标跟踪领域试图解决多目标跟踪中的几个具体问题1.4论文结构及所做工作当前在多传感器信息融合多目标跟踪研究中目标跟踪算法和数据关联算法已经成为一个非常重要且受到广泛关注的研究方向本课题是在空军十五预研计划的项目资助下在姜长生导师的指导下对多传感器信息融合多目标跟踪中的存在的一些问题进行深入的研究论文主要工作与结构如下第一章本文的绪论部分首先综述了多目标跟踪的基本原理然后介绍了本文的研究背景主要包括数据关联理论自适应滤波理论和支持向量机理论的研究和发展现状最后对本文的内容加以说明第二章: 设计了一种基于目标多特征信息的支持向量机数据关联新算法利用传感器量测空间的量测偏差对支持向量机进行训练得到一个分类识别函数利用训练好的支持向量机来判断量测与航迹是否关联实现密集杂波环境中多南京航空航天大学硕士学位论文7目标的精确跟踪第三章针对雷达与红外传感器组成的多传感器信息融合多目标跟踪系统,利用目标的位置信息和速度信息设计了一种基于支持向量机的航迹关联算法,实现对多目标的实时精确跟踪第四章在雷达和红外组成的多传感器信息融合跟踪系统中将支持向量机网络与扩展Kalman 滤波结合起来形成闭环系统将从传感器的量测输出和跟踪滤波器的状态中提取和目标机动有关的特征量送入支持向量机网络估计目标的机动输入实现对机动目标的精确跟踪仿真试验说明了该算法的有效性第五章给出了本文的结论并对这一方向上下一步的工作进行展望最后是笔者对导师以及为我的研究工作提供帮助的老师同学们的致谢以及本文的参考文献支持向量机在多目标跟踪中的应用研究8第二章 基于目标多特征信息的支持向量机数据关联算法2.1引言多目标跟踪首要问题也是关键问题是如何进行有效的数据关联数据关联就是将传感器获得的观测数据与已知目标航迹相比较并最后确定正确的观测/航迹配对或建立新航迹的过程实际的传感器系统总是不可避免地存在着测量误差缺乏跟踪环境的先验知识往往不能确知目标的个数无法判定观测数据是由真实目标还是由其它虚假目标产生的这些不确定因素破坏了回波观测与其目标源之间的对应关系是导致多传感器多目标数据关联关系模糊的基本原因在数据关联方法中,有基于传统的统计检验算法如最近邻法多假设法联合概率数据关联法(JPDA)等此类方法存在跟踪不准确要求的先验知识过多容易引发数据爆炸等缺陷有基于模糊聚类的数据关联算法[4243],要求首先确定初始化聚类中心,但在目标出现机动的情况下,初始聚类中心很难确定有将传统的关联算法与神经网络相结合数据关联算法[44]在JPDA 算法基础上采用Hopfield 网络的NJPDA 算法,很好地解决了常数量级内求解复杂性问题,克服了数据爆炸,但有时无法得到全局最优解现有的数据关联方法通常仅利用了那些用于航迹更新的量测,即目标的几何位置信息,在解决目标关联时通常会出现较多的误跟和失跟现象,主要由于数据关联利用的信息比较有限,从而导致不同的目标在状态空间中不能被正确区分与辨识,改善数据关联性能的有效方法是利用更多的目标属性信息[45,46]和改进数据关联算法本文提出了一种基于目标多特征信息的支持向量机数据关联算法实现密集杂波环境中多目标的精确跟踪该算法将跟踪门的形成和数据关联融为一体一方面提高了跟踪精度又在很大程度上降低了计算量支持向量机(SVM)从理论上解决了神经网络等学习机器的过学习训练过程中的局部极小点问题正是基于支持向量机出色的学习性能本文提出了一种基于多特征信息的支持向量机数据关联新算法,对雷达目标进行数据关联取得了较好的性能南京航空航天大学硕士学位论文92.2支持向量机2.2.1最优分类面支持向量机是从线性可分情况下的最优分类面发展而来的基本思想可以用图2.1来说明图中实心点和空心点代表线性可分的两类样本H 为分类线H 1, H2分别为过各类中离分类线最近的样本且平行于H 的直线H 1和H2的间距称为分类间隔最优分类线H 不仅要将两类无误地分开训练错误率为而且要使分类间隔最大前者保证经验风险最小后者使推广性的置信范围最小真实风险最小推广到高维情况最优分类线即为最优分类面图2.1两类线性可分样本的最优分类面2.2.2支持向量机基本原理设线性可分样本集为11(,),(,),,{1,1}d N N i i x y x y x R y ∈∈+−"是类别标号d 维空间中线性判别函数的一般形式为()g x w x b=⋅+分类面方程为0w x b ⋅+= (2-1)将判别函数归一化使两类所有样本都满足()1g x≥即使离分类面最近的样本的()1g x =这样分类间隔就等于2/w因此间隔最大化等价于使w 最小为正确分类还必须满足[]10,1,2,,i i y w x b i N ⋅+−≥=" (2-2)因此满足上述条件且使w 最小的分类面就是最优分类面两类样本中分别过H 1和H2使(2-1)式等号成立的训练样本称为支持向量Support Vectors 它们支撑了最优分类面图2.1中标出的点就是支持向量。

南京航空航天大学硕士学位论文面向飞行器总体设计的虚拟装配约束管理研究姓名：***申请学位级别：硕士专业：飞行器设计指导教师：***20080101南京航空航天大学硕士学位论文摘要装配是产品生命周期中的重要环节，与一般机械产品相比，飞机产品的零件数目多、空间小、装配过程复杂。

计算机仿真技术使数字样机正逐步取代昂贵的物理样机，而虚拟装配技术提供的友好直观的人机界面，使得虚拟环境下的仿真环境和仿真操作更接近于真实世界。

因此在虚拟环境下实现飞行器产品的装配仿真，对于预先发现和处理设计错误、降低设计成本、提高产品质量具有重要意义。

本文在对国内外约束管理研究和应用进行分析的基础上，研究了装配关系与几何约束的对应关系和装配中常用的几何约束类型，建立了一种基于几何约束的装配约束处理方法，通过有效面片对约束获取、约束优先级判断、约束参数匹配、约束位置匹配和约束有效性检查等分层判断机制进行约束识别。

在对约束管理约束求解方法研究的基础上，选择自由度分析法求解本文的约束问题，分析了几何约束与自由度的等价关系，实现了基于自由度归约的精确定位算法。

应用表明，该约束处理方法能够完成虚拟装配中的约束识别、精确定位等问题。

初步实现了基于CATIA的虚拟设计环境的部分虚拟装配功能，为进一步实现全面逼真的虚拟装配打下了基础。

关键词：虚拟现实，虚拟装配，约束管理，约束识别，自由度，精确定位，定位求解i面向飞行器总体设计的虚拟装配约束管理研究iiABSTRACTAssembly is an important step in the product’s life cycle. Compared with othercommon mechanical products, the aircraft has greater number of parts and narrow space, so the process of assembly becomes complicated. Physical prototype is gradually replaced by digital mockup. The virtual assembly technology supplies easy and direct human-computer interaction interface, so that the simulation environment and simulation operation in the virtual environment can be closer to real word. Therefore, the realization of aircraft assembly simulation in the virtual environment is very significant for finding out and deal with the default of design in advance, reducing the design cost and optimizing product performance.In this thesis, on the basis of analyzing the research and application of constraint management domestically and abroad, the corresponding relation between assembly and geometry constraint and geometry constraint types used frequently were analyzed.A automatic geometry constraint recognition algorithm was proposed. This constraint recognition scheme such as required patch acquisition, constraint precedence judge, constraint parameter matching, destination position matching and constraint validity checking were adopted; On the basis of researching constraint management, constraint solving method was analyzed and chosen, and the equivalent relationship between geometry constraint and DOF was analyzed. The exact placement algorithm based on DOF was proposed.The application shows that this constraint solving method can solve constraint recognition and exact placement in virtual assembly. Some virtual assembly functions of virtual design environment based on CATIA has been realized. The research of the technologies provides good supports for the real and efficient realization of virtual assembly environment.Key Words: Virtual Reality, Virtual assembly, Constraint management, Constraint recognition, DOF (degree of freedom), exact placement, placement solving南京航空航天大学硕士学位论文图表目录图2.1 虚拟现实系统的“3I”特性 (7)图2.2 飞机的一般设计过程 (8)图3.1 虚拟装配环境的系统结构 (14)图3.2 Immersion Corporation, Cyber Glove数据手套 (15)图3.3 Polhemus Systems，Fastrak TM位置跟踪器 (16)图4.1 面面贴合 (21)图4.2 面面贴合偏距 (21)图4.3 面面对齐 (22)图4.4 面面对齐偏距 (22)图4.5 定向 (22)图4.6 装配层次模型 (25)图4.7 虚拟环境中面片对类型 (27)图4.8 虚拟环境中常用约束关系 (28)图4.9 自动约束识别流程 (29)图5.1 面面对齐约束实现过程 (44)图5.2 基于几何约束的零部件精确定位流程 (46)图5.3 拾取待装零件 (47)图5.4 识别并确认约束关系 (47)图5.5 再次识别并确认约束关系 (48)图5.6 装配完毕 (48)图5.7 滑块的安装 (49)图5.8 轴的安装 (49)表 5.1自由度分类 (36)表5.2 常用约束的限制自由度 (37)表5.3 旋转自由度归约 (38)v面向飞行器总体设计的虚拟装配约束管理研究表5.4 平移自由度归约 (39)vi南京航空航天大学硕士学位论文vii注释表 英文缩写英文全称 中文全称 DOF Degree of Freedom 自由度CAD Computer Aided Design 计算机辅助设计VR Virtual Reality 虚拟现实V A Virtual Assembly 虚拟装配VH Virtual Hand 虚拟手CAA Component Application Architecture 组件应用架构TDOC Translate Degree of Freedom 平移自由度RDOF Rotate Degree of Freedom 旋转自由度API Application Programming Interface 应用编程接口VP Virtual Prototyping虚拟样机承诺书本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取得的成果。