
Citation: | MA Min, FAN Guangyong, SUN Yinget al. Improved capacitance imaging biconjugate gradient image reconstruction algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics, 2019, 45(8): 1489-1494. doi: 10.13700/j.bh.1001-5965.2019.0015(in Chinese) |
Aimed at the influence of the soft field effect on the inverse electrical capacitance tomography (ECT) problem and to solve the problems that the traditional iterative algorithm used to reconstruct images has numerous iteration times, and that the imaging speed is slow, for the first time, biconjugate gradient (BICG) is applied to the capacitance tomography technology. In order to obtain a better reconstruction effect, a BICG and regularization idea are combined to solve the optimal solution of the inverse problem. The experiment was modeled by COMSOL5.3 software and MATLAB 2014a was used for image reconstruction and image evaluation. The images were reconstructed using Tikhonov, Landweber, conjugate gradient (CG), BICG and improved biconjugate gradient algorithm. Experiments show that the effect of the improved biconjugate gradient algorithm is not only better than other iterative algorithms, but also greatly reduces the time required for image reconstruction. The experimental results show that the biconjugate gradient algorithm has better imaging effect in some complicated flow patterns. The error is as low as 0.2, the correlation coefficient is as high as 0.88, the imaging time is reduced to 2.77 s, and the number of iterations is reduced to 20 times.
随着航空遥感技术的发展,在同一平台上装备多种成像载荷实现多遥感设备同时观测已成为可能,典型的如InSAR、阵列天线、可见光相机、成像光谱仪和激光雷达同时工作,由于成像载荷分布在非刚性平台的不同位置,各个遥感载荷的姿态稳定控制方式不同,每个遥感载荷都需与惯性测量单元(Inertial Measurement Unit,IMU)固联,并通过IMU进行运动信息测量,由此需形成一个分布式位置姿态测量系统(Position and Orientation System,POS)[1-3]。通常,在飞机机腹安装高精度主POS,其采用高精度IMU和GNSS进行数据融合输出高精度的时空基准信息,为分布在机翼两侧的子IMU提供基准信息。然而,由于飞机机翼不是完全刚性的,飞行过程中会受到阵风、湍流等环境因素的影响,使得机翼存在随机的柔性变形,形成的柔性杆臂误差将严重影响主POS测量信息向子IMU的传递[4-6]。针对飞机柔性变形角的特点及飞机变形建模问题,将飞机柔性变形角理想化为二阶或三阶Markov过程的方法较为常用,并将其扩充为系统状态变量进行估计和补偿。因此,为了实现主/子IMU信息的精确传递,必须在对柔性形变进行精确建模的基础上,采用高精度滤波估计方法进行误差估计和补偿[7-8]。
从系统工程实现的角度,需要考虑到子IMU的体积、质量和成本等因素,在每个子阵天线上都安装高精度IMU显然不合理[9-11]。由于安装在阵列天线上的分布式POS只能直接测量其所在的子阵天线的运动误差,不能直接测量其他未安装子IMU的子阵天线的运动误差[12-13]。如何通过分布式POS实现那些未安装子IMU的子阵天线的运动误差补偿是一个很值得研究的问题。
众所周知,机翼的形变是连续的,安装在机翼上的遥感载荷在同一时刻的运动信息可以被认为是相互关联的[14]。因此,可采用拟合的方法解决该问题[15]。本文提出了基于最小二乘拟合的全局估计方法获取未安装子IMU的遥感载荷的运动参数,并通过飞行数据的半物理仿真验证了该方法的有效性。
传递对准数学模型包括系统的状态方程及量测方程2个部分。系统的状态方程主要根据子IMU的误差传播方程来确定,包括子IMU误差方程、机翼柔性变形角方程及子IMU相对主IMU的固定安装误差角方程3个部分;而量测方程根据所选匹配方式来确定,本文选择常用的“速度+姿态”匹配方式。
分布式POS中,主POS一般安装在载机机腹下,子IMU一般分布安装在载机机翼的不同位置,受内外因素的影响,飞机机翼肯定存在柔性形变,这使建立主/子系统传递对准误差模型不仅要考虑固定安装误差角,还要考虑随机的柔性变形角。因此,在传递对准过程中需要对飞机的柔性变形进行估计和补偿。
机翼柔性变形建模方法的常见方法及其优缺点在引言中已经进行了比较分析,本文选择一种简单、高效的方法。将机翼柔性变形角视为二阶Markov过程,则主、子系统间的角误差模型可以表示为
|
(1) |
式中:u=[ux, uy, uz]T为子IMU载体坐标系相对主POS载体坐标系的姿态误差角;Cba为u组成的叉乘反对称矩阵;I为3×3单位阵。
设ρ=[ρx ρy ρz]T为子IMU载体坐标系x轴、y轴和z轴上的固定安装误差角,θ=[θx θy θz]T为子IMU安装点处机翼柔性变形角。则有u=ρ+θ。
1) 固定安装误差角
固定安装误差角微分方程为
|
(2) |
2) 柔性变形角
分布式POS中,子IMU一般安装在机翼两侧,机翼的振动及变形产生的柔性变形角主要是绕机体y轴(指向机头),同时考虑到滤波计算复杂度,所以在传递对准误差建模中只考虑绕机体坐标系y轴的柔性变形角θy。该柔性变形角可以较好地由二阶Markov过程来描述[4]:
|
(3) |
式中:β=2.146/τ,τ为二阶Markov过程相关时间;η为零均值白噪声,其方差Qη满足:
|
(4) |
其中:σ2为柔性变形角θy的方差;β和Qη为描述柔性变形角θy的二阶Markov过程参数。
本文采用“速度+姿态”的匹配方式进行传递对准,下面结合传统的IMU线性误差模型、已建立的机翼柔性变形模型和子IMU固定安装误差角模型,给出完整的分布式POS传递对准误差模型中的状态方程和量测方程,采用卡尔曼滤波(KF)方法进行状态误差估计。
1) 状态方程
根据传递对准线性误差模型,可以建立如下系统线性状态方程:
|
(5) |
式中:f(·)由线性误差模型和上述柔性形变模型共同确定;W(k)为系统噪声向量;系统状态变量X为
|
(6) |
其中:X1为一个15维子IMU状态变量,由平台失准角(ϕE、ϕN、ϕU)、速度误差量(δVE、δVN、δVU)、位置误差量(δL、δλ、δH)、陀螺常值漂移(εb=[εx εy εz]T)和加速度计常值偏置(▽b=[▽x ▽y ▽z]T);X2为5维子IMU载体坐标系相对主IMU载体坐标系的误差角状态变量,包括固定安装误差角ρ、子IMU载体坐标系y轴的柔性变形角θy及其一阶导数
假定系统噪声W(k)=[wεx,wεy,wεz,w▽x,w▽y,w▽z,η]T为零均值的高斯白噪声,其方差阵Q由陀螺常值漂移、加速度计常值偏置和描述柔性变形角的二阶Markov过程参数Qη共同决定。系统噪声转移矩阵G的表达式为
|
(7) |
2) 量测方程
选择当前比较有效的“速度+姿态”匹配方式,建立传递对准数学模型的量测方程[6-7]:
|
(8) |
式中:z=[δV′E δV′N δV′U δψ δθ δγ]T为系统的量测量,δV′E、δV′N和δV′U分别为主POS的速度经过主、子系统之间的杆臂速度补偿以后与子IMU的东向、北向和天向速度之差,δψ、δθ和δγ分别为子IMU与主IMU之间的航向角、俯仰角和横滚角之差;H为系统量测矩阵; v=[vδVE,vδVN,vδVU,vδψ,vδθ,vδγ]T为系统的量测噪声矩阵,vδVE、vδVN和vδVU分别为主节点东向、北向和天向速度的量测噪声,而vδψ、vδθ、vδγ分别为主节点航向角、俯仰角和横滚角的量测噪声。速度量测量δV′=[δV′E δV′N δV′U]的计算表达式如下:
|
(9) |
式中:Vs和Vm分别为子IMU与主节点在各自导航坐标系下的速度;Vrnm为主/子系统之间的杆臂速度,计算表达式如下[8-9]:
|
(10) |
式中:Cbmnm为主节点的载体坐标系到其对应的导航坐标系的方向余弦矩阵;ωibmbm为主节点的载体坐标系bm相对于惯性坐标系i的角速率在bm坐标系下的表示;rbm=[rx ry rz]T为主、子系统之间的杆臂向量在主载体坐标系bm下的表示;杆臂ṙbm的导数如下:
|
(11) |
姿态量测量[δψ δθ δγ]T=[ψs-ψm,θs-θm,γs-γm]T表示的是主/子系统间的姿态角之差,ψs、θs和γs分别为子IMU安装点处的航向角、俯仰角和横滚角,相对应的ψm、θm和γm分别为主IMU安装点处的航向角、俯仰角和横滚角。量测矩阵H为
|
令主POS姿态矩阵Can=Ta,则上式中H1、H2和H3的表达式为
|
|
考虑到体积、质量和成本等因素,在所有子阵天线安装IMU是不可能的。为此,如何通过安装子IMU的测量信息预测那些未安装子IMU的子阵天线的运动信息很关键。最小二乘拟合作为一种曲线拟合方法在很多领域已经得到广泛应用。曲线拟合是用连续曲线表示离散点的坐标所组成的函数关系,其目的是根据已测量的信息建立因变量和自变量之间的函数关系。
由于机翼形变具有复杂的时空相关性,针对形变的时间相关性,可以通过主子传递对准实现。本文重点考虑同一时刻子阵天线运动信息的空间相关性。本文的核心思想是:在主/子传递对准的基础上,根据已安装子IMU的子阵天线运动信息预测未安装子IMU的运动信息。
将某时刻通过传递对准算法估计得到的安装有IMU的子阵天线处的纬度记为plat(xi)(i=1, 2, …, n′),n′为IMU个数。由最小二乘拟合法拟合得到的纬度多项式函数如下:
|
(12) |
式中:k为拟合多项式的阶数,且满足k≤n′;ai为拟合多项式中对应的xi项的系数。在仿真实验中,有12个子阵天线和6个子IMU分布在右侧机翼上,即n′=6。因此,为了保证最小二乘拟合的精度,同样将多项式拟合的阶数k设置为6。
最小二乘拟合中误差的平方和Q可表示为
|
(13) |
根据最小二乘拟合原理,纬度多项式函数fplat(x)需使误差的平方和Q达到最小值,即fplat(x)中的系数ai和误差的平方和Q需满足如下关系:
|
(14) |
将式(13)代入式(14)可得
|
(15) |
最小二乘拟合的多项式系数矩阵A=[a1 a2 … ak]T可根据式(15)求解获得,即可以得到该时刻的纬度多项式函数fplat(x)的完整表达式,进而可以根据未安装IMU的子阵天线在机翼上的坐标计算出该点在同一时刻的纬度。以此类推,可以通过最小二乘拟合法估计其余未安装IMU的子阵天线的时空信息等运动参数,最终实现阵列天线运动参数的全局估计。
为了验证本文方法的有效性,基于真实的飞行数据进行了半物理仿真验证。飞行数据来源:在陕西阎良地区进行分布式POS与InSAR联合飞行实验。主IMU安装在SAR的背面,分布式数据处理计算机放置于机舱内,用于计算并存储主POS的导航输出结果及主IMU的陀螺和加速度计输出。GNSS天线安装在飞机的背部,GNSS基准站设备固定在载机飞行区域的中心地面,如图 1所示。
阵列天线分布示意图如图 2所示。图中主IMU安装在飞机机腹,6个红色方块表示子IMU,黑色圆形表示未安装子IMU,它们均匀安装在机翼一侧,并和主IMU一起和多源信息处理单元连接;12个子阵天线均匀分布于机翼右侧,其中12个子阵天线在机翼上的坐标如表 1所示。子阵天线No.1、No.3、No.5、No.7、No.9和No.11背面安装子IMU。该分布式系统首先在主系统和每个子IMU之间建立传递对准误差数学模型,然后通过传递对准估计出每个IMU安装处的柔性变形角,最后在已获取的柔性变形角的基础上通过最小二乘拟合出机翼上其他所有的柔性变形角,进而获取未安装子IMU的子阵天线No.2、No.4、No.6、No.8、No.10和No.12的运动参数,最终实现所有子阵天线运动参数的全局估计。
子阵天线 | x轴坐标/m |
No.1 | 1 |
No.2 | 2 |
No.3 | 3 |
No.4 | 4 |
No.5 | 5 |
No.6 | 6 |
No.7 | 7 |
No.8 | 8 |
No.9 | 9 |
No.10 | 10 |
No.11 | 11 |
No.12 | 12 |
在本次基于飞行数据的半物理仿真实验中,主POS的导航参数精度、子IMU的固定安装误差角、柔性变形角及子IMU的惯性器件常值和随机噪声的设置如下:
1) 主POS。航向角为0.005°,俯仰角和横滚角为0.002°,位置为0.05 m,速度为0.005 m/s,输出频率为20 Hz。
2) 子IMU。陀螺的常值漂移和随机漂移均为0.01(°)/h,加速度计常值偏置和随机偏置均为20 μg,输出频率为200 Hz。
3) 固定安装误差角和柔性变形角。固定安装误差角为0.5°;二阶Markov过程参数σ2是柔性变形角θy的方差,其生成规律是根据ANSYS分析出的机翼模态形状函数依次生成No.1、No.3、No.5、No.7、No.9和No.11的方差;二阶Markov过程相关时间τ=5。
本次半物理仿真实验中选择平稳飞行段的300 s数据。基于飞行数据的仿真数据生成步骤如下:
步骤1 记录本次飞行实验中主POS输出的位置、速度和姿态参数,以及主IMU输出的陀螺、加速度计的数据。
步骤2 将飞行实验中的主IMU陀螺和加速度计的数据经过固定安装误差角及柔性变形角进行转换,再叠加设定的子IMU惯性器件的常值误差和随机误差。
步骤3 将步骤2的结果作为各子IMU惯性器件输出数据。
步骤4 基准数据生成。将飞行实验中存储在主POS输出的位置、速度和姿态参数经过固定安装误差角和柔性变形角转换后得到各子IMU的位置、速度和姿态等导航参数,并作为评价传递对准估计所得的各子IMU运动参数精度的基准。
图 3~图 5给出了基于飞行实验的半物理仿真中子阵天线No.1、No.3、No.5、No.7、No.9和No.11的运动参数(位置、速度、姿态)估计结果。表 2统计了平稳飞行段300 s的RMSE。
运动参数 | RMSE | |||||
No.1 | No.3 | No.5 | No.7 | No.9 | No.11 | |
纬度/m | 0.004 6 | 0.009 8 | 0.030 4 | 0.043 5 | 0.053 0 | 0.076 6 |
经度/m | 0.016 0 | 0.025 0 | 0.041 8 | 0.056 6 | 0.064 7 | 0.075 7 |
高度/m | 0.015 2 | 0.029 6 | 0.032 4 | 0.040 3 | 0.051 7 | 0.069 1 |
东向速度/(m·s-1) | 0.005 | 0.006 | 0.008 | 0.016 2 | 0.017 5 | 0.022 0 |
北向速度/(m·s-1) | 0.004 | 0.006 | 0.009 | 0.019 1 | 0.022 0 | 0.025 2 |
天向速度/(m·s-1) | 0.003 9 | 0.006 9 | 0.012 1 | 0.018 0 | 0.023 5 | 0.026 2 |
航向角/(°) | 0.008 0 | 0.011 0 | 0.013 8 | 0.014 3 | 0.014 7 | 0.025 2 |
俯仰角/(°) | 0.001 5 | 0.002 2 | 0.002 8 | 0.003 5 | 0.004 2 | 0.004 8 |
横滚角/(°) | 0.001 3 | 0.002 6 | 0.002 8 | 0.003 1 | 0.004 4 | 0.004 7 |
表 2统计了通过传递对准获取的子阵天线运动参数的结果,采用最小二乘拟合法估计其他未安装子IMU的子阵天线运动参数。图 6~图 8给出该方法估计得到的No.2、No.4、No.6、No.8、No.10和No.12子阵天线的运动参数(位置、速度、姿态)。表 3统计了平稳段300 s的RMSE。
参数 | RMSE | |||||
No.2 | No.4 | No.6 | No.8 | No.10 | No.12 | |
纬度/m | 0.055 1 | 0.023 4 | 0.038 2 | 0.050 1 | 0.065 1 | 0.081 6 |
经度/m | 0.018 8 | 0.038 5 | 0.049 6 | 0.060 8 | 0.071 8 | 0.085 6 |
高度/m | 0.019 9 | 0.030 7 | 0.038 5 | 0.047 9 | 0.063 7 | 0.089 5 |
东向速度/(m·s-1) | 0.004 6 | 0.007 2 | 0.011 9 | 0.017 4 | 0.021 7 | 0.026 9 |
北向速度/(m·s-1) | 0.005 6 | 0.007 7 | 0.001 8 | 0.020 4 | 0.023 7 | 0.027 8 |
天向速度/(m·s-1) | 0.005 1 | 0.010 4 | 0.017 2 | 0.020 6 | 0.024 4 | 0.028 2 |
航向角/(°) | 0.009 0 | 0.013 3 | 0.014 0 | 0.016 0 | 0.023 3 | 0.028 6 |
俯仰角/(°) | 0.001 9 | 0.002 4 | 0.003 3 | 0.004 0 | 0.004 4 | 0.004 8 |
横滚角/(°) | 0.002 1 | 0.002 5 | 0.003 1 | 0.004 3 | 0.004 6 | 0.004 9 |
通过比较表 2和表 3可以看出,利用最小二乘拟合法获得的未安装子IMU的No.2、No.4、No.6、No.8、No.10和No.12子阵天线的运动参数精度与通过传递对准估计获得的No.1、No.3、No.5、No.7、No.9和No.11子阵天线的运动参数精度相当。上述统计结果进一步验证了本文提出的最小二乘拟合法估计的未安装子IMU的子阵天线运动参数的有效性。另外,分析表 2和表 3可知,离主系统越近,通过最小二乘拟合法获得的该点运动参数的精度也越高。因为离主系统越远的子节点处的柔性变形角估计误差越大,进而导致离主系统越远的子节点的运动参数估计精度越差。
为了能通过较少的子IMU获取更多的子节点运动信息,本文首先建立了基于二阶Markov的柔性杆臂形变模型,其次建立一个20维的传递对准误差模型,并采用高精度估计方法,最后获取了已安装IMU的子阵天线的运动参数。在此基础上,进一步提出了基于最小二乘拟合的全局估计方法获取未安装子IMU的子阵天线相位中心的运动参数,基于飞行数据的半物理仿真进行了验证,实验结果表明:
1) 能有效估计未安装子IMU的子阵天线运动参数,实现阵列天线运动参数的全局估计,且估计精度与安装子IMU的子阵天线的运动参数的精度相当,从而验证了本文方法的有效性。
2) 建立的传递对准误差模型只是考虑了一维柔性变形角,这与实际工作中的机翼形变情况还有一定差别,因此本文建立的传递对准误差模型肯定会影响全局估计精度。
[1] |
张立峰.压缩感知在电容层析成像中的应用[J].北京航空航天大学学报, 2017, 43(11):2316-2321. https://bhxb.buaa.edu.cn/CN/abstract/abstract14344.shtml
ZHANG L F.Application of compressed sensing in electrical capacitance tomography[J].Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(11):2316-2321(in Chinese). https://bhxb.buaa.edu.cn/CN/abstract/abstract14344.shtml
|
[2] |
BROWN B E.International society for reef studies[J].Coral Reefs, 1984, 3(1):58. doi: 10.1007/BF00306141
|
[3] |
KAGAWA Y, MURAI T.Numerical simulation of acoustic levitation[C]//IEEE 1985 Ultrasonics Symposium.Piscataway, NJ: IEEE Press, 1985: 198574.
|
[4] |
VAUHKONEN M, KARJALAINEN P A, KAIPIO J P.A Kalman filter approach applied to the tracking of fast movements of organ boundaries[C]//Proceedings of the 20th Annual International Conference of the IEEE Engineering in Medicine and Biology Society.Piscataway, NJ: IEEE Press, 1998: 6345874.
|
[5] |
YANG W Q, SPINK D M, YORK T A, et al.An image reconstruction algorithm based on Landweber's iteration method for electrical capacitance tomography[J].Measurement Science and Technology, 1999, 10(11):1065-1069. doi: 10.1088/0957-0233/10/11/315
|
[6] |
KIM D K, KIM S B, KIM H K.Image processed tracking system of multiple moving objects based on Kalman filter[J].KSME International Journal, 2002, 16(4):427-435. doi: 10.1007/BF03185072
|
[7] |
YANG W Q, STOTT A L, GAMIO J C.Analysis of the effect of stray capacitance on AC-based capacitance transducer for tomography[J].IEEE Transactions on Instrumentation and Measurement, 2003, 52(5):1674-1681. doi: 10.1109/TIM.2003.817925
|
[8] |
王化祥, 朱学明, 张立峰.用于电容层析成像技术的共轭梯度算法[J].天津大学学报, 2005, 38(1):1-4.
WANG H X, ZHU X M, ZHANG L F.Conjugate gradient algorithm for electrical capacitance tomography[J].Journal of Tianjin University, 2005, 38(1):1-4(in Chinese).
|
[9] |
王化祥, 胡理, 赵波.基于自适应网格剖分的EIT图像重建算法[C]//中国生物医学工程进展——2007中国生物医学工程联合学术年会, 2007: 5.
WANG H X, HU L, ZHAO B.EIT image reconstruction algorithm based on adaptive meshing[C]//Progress in Biomedical Engineering in China—2007 China Biomedical Engineering Joint Academic Annual Meeting, 2007: 5(in Chinese).
|
[10] |
田沛, 秦京建, 秦旭刚.基于两相流电容层析成像系统的正则化Landweber算法[J].仪器仪表用户, 2018, 25(9):90-92. doi: 10.3969/j.issn.1671-1041.2018.09.027
TIAN P, QIN J J, QIN X G.Regularized Landweber algorithm based on two-phase electrical capacitance tomography system[J].Instrumentation Users, 2018, 25(9):90-92(in Chinese). doi: 10.3969/j.issn.1671-1041.2018.09.027
|
[11] |
袁俊峰.基于并行稳定双共轭梯度算法的不可压缩管流数值模拟[D].杭州: 杭州电子科技大学, 2013.
YUAN J F.Numerical simulation of incompressible tube flow based on parallel stable double conjugate gradient algorithm[D].Hangzhou: Hangzhou University of Electronic Science and Technology, 2013(in Chinese).
|
[12] |
彭政, 陈东方, 王晓峰.正则化超分辨率重建过程的自适应阈值去噪[J].计算机应用, 2017, 37(7):2084-2088. doi: 10.3969/j.issn.1001-3695.2017.07.036
PENG Z, CHEN D F, WANG X F.Adaptive threshold denoising of regularized super-resolution reconstruction process[J].Journal of Computer Applications, 2017, 37(7):2084-2088(in Chinese). doi: 10.3969/j.issn.1001-3695.2017.07.036
|
[13] |
陈德运, 陈宇, 王莉莉, 等.基于改进Gauss-Newton的电容层析成像图像重建算法[J].电子学报, 2009, 37(4):739-743. doi: 10.3321/j.issn:0372-2112.2009.04.012
CHEN D Y, CHEN Y, WANG L L, et al.Image reconstruction algorithm based on improved Gauss-Newton for electrical capacitance tomography[J].Chinese Journal of Electronics, 2009, 37(4):739-743(in Chinese). doi: 10.3321/j.issn:0372-2112.2009.04.012
|
[14] |
CUI Z, WANG H, YIN W.Electrical capacitance tomography with differential sensor[J].IEEE Sensors Journal, 2015, 15(9):5087-5094. doi: 10.1109/JSEN.2015.2446982
|
[15] |
马平, 司志宁.基于小波变换的CT/ECT图像融合方法[J].计量学报, 2018, 39(4):536-540. doi: 10.3969/j.issn.1000-1158.2018.04.18
MA P, SI Z N.CT/ECT image fusion method based on wavelet transform[J].Acta Metrologica Sinica, 2018, 39(4):536-540(in Chinese). doi: 10.3969/j.issn.1000-1158.2018.04.18
|
[1] | HOU Yue, YUAN Peng, LI Qianhui, LI Donghuan, YIN Jie. Research on Object Detection Algorithm with Similarity-guided NMS under Multi-Kernel Receptive Field Expansion[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2024.0825 |
[2] | ZHU R N,WANG B,TANG C Y. Improvement of terrain following flight adaptive angle method under small field of view conditions[J]. Journal of Beijing University of Aeronautics and Astronautics,2025,51(2):676-682 (in Chinese). doi: 10.13700/j.bh.1001-5965.2023.0057. |
[3] | DUAN J Z,XIAO C. Parallel MRI reconstruction by using complex convolution and attention mechanism[J]. Journal of Beijing University of Aeronautics and Astronautics,2025,51(1):85-93 (in Chinese). doi: 10.13700/j.bh.1001-5965.2022.1005. |
[4] | ZHANG K,LIU Y,HU K. RAW image reconstruction based on multi-scale attention mechanism[J]. Journal of Beijing University of Aeronautics and Astronautics,2025,51(1):257-264 (in Chinese). doi: 10.13700/j.bh.1001-5965.2022.0959. |
[5] | CHEN Jinlin, WU Yiquan, YUAN Yubin. Research progress on YOLO series algorithms for target detection from the UAV vision[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2024.0420 |
[6] | WANG Yan, HUANG Binghao. Pose graph optimization algorithm based on nonlinear factor recovery[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2024.0363 |
[7] | TIAN Yu, LI Ruiying. An improved network two-terminal connection reliability algorithm based on state vectors[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2024.0483 |
[8] | ZHAO Gui-ling, WANG Jin-bao, JIANG Zi-hao, GAO Shuai. A GNSS/SINS fault detection and robust adaptive algorithm based on two parameters[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2023.0822 |
[9] | LEI Bang-jun, DING Qi-shuai, MOU Qian-xi, WU Zheng-ping. Visual tracking algorithm based on template updating and dual feature enhancement[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2024.0020 |
[10] | ZHU C C,TANG Z L,ZHAO X,et al. Multi-objective hybrid algorithm based on gradient search and evolution mechanism[J]. Journal of Beijing University of Aeronautics and Astronautics,2024,50(6):1940-1951 (in Chinese). doi: 10.13700/j.bh.1001-5965.2022.0544. |
[11] | DUAN J Z,WANG C J. Sensitivity encoding reconstruction algorithm based on multi-category dictionary learning[J]. Journal of Beijing University of Aeronautics and Astronautics,2024,50(7):2123-2132 (in Chinese). doi: 10.13700/j.bh.1001-5965.2022.0571. |
[12] | LIU Y J,HAN W,SU X C,et al. Carrier aircraft landing scheduling problem based on improved gray wolf optimization[J]. Journal of Beijing University of Aeronautics and Astronautics,2024,50(3):803-813 (in Chinese). doi: 10.13700/j.bh.1001-5965.2022.0280. |
[13] | JIN G D,XUE Y L,TAN L N,et al. Aerial object tracking algorithm for UAVs based on dual-attention shuffling[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(1):53-65 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0177. |
[14] | DUO Lin, REN Yong, XU Boyu, YANG Xin. MRI reconstruction based on deep geometric distillation and feature adaptation[J]. Journal of Beijing University of Aeronautics and Astronautics. doi: 10.13700/j.bh.1001-5965.2023.0323 |
[15] | GAO B H,QI H,SHI J W,et al. Multi-parameter reconstruction of soot flame based on active and passive tomography[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(5):1135-1147 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0386. |
[16] | ZHANG H,YU Y Z,QIU X T. ORB-SLAM2 algorithm based on improved key frame selection[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(1):45-52 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0173. |
[17] | CHENG B P,FANG Y W,PENG W S,et al. Comprehensive performance evaluation of swarm intelligence algorithms based on improved radar graph method[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(10):2780-2789 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0726. |
[18] | LI B,WANG C,DING X Y,et al. Surface defect detection algorithm based on improved YOLOv4[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(3):710-717 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0301. |
[19] | ZHANG Y H,LYU N,MIAO J C,et al. Improved intelligent detection algorithm for SPMA protocol channel state based on recurrent neural network[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(3):735-744 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0309. |
[20] | MA M,YU J,FAN W R. CFRP material detection based on improved joint sparse EIT algorithm[J]. Journal of Beijing University of Aeronautics and Astronautics,2023,49(2):265-272 (in Chinese). doi: 10.13700/j.bh.1001-5965.2021.0244. |
子阵天线 | x轴坐标/m |
No.1 | 1 |
No.2 | 2 |
No.3 | 3 |
No.4 | 4 |
No.5 | 5 |
No.6 | 6 |
No.7 | 7 |
No.8 | 8 |
No.9 | 9 |
No.10 | 10 |
No.11 | 11 |
No.12 | 12 |
运动参数 | RMSE | |||||
No.1 | No.3 | No.5 | No.7 | No.9 | No.11 | |
纬度/m | 0.004 6 | 0.009 8 | 0.030 4 | 0.043 5 | 0.053 0 | 0.076 6 |
经度/m | 0.016 0 | 0.025 0 | 0.041 8 | 0.056 6 | 0.064 7 | 0.075 7 |
高度/m | 0.015 2 | 0.029 6 | 0.032 4 | 0.040 3 | 0.051 7 | 0.069 1 |
东向速度/(m·s-1) | 0.005 | 0.006 | 0.008 | 0.016 2 | 0.017 5 | 0.022 0 |
北向速度/(m·s-1) | 0.004 | 0.006 | 0.009 | 0.019 1 | 0.022 0 | 0.025 2 |
天向速度/(m·s-1) | 0.003 9 | 0.006 9 | 0.012 1 | 0.018 0 | 0.023 5 | 0.026 2 |
航向角/(°) | 0.008 0 | 0.011 0 | 0.013 8 | 0.014 3 | 0.014 7 | 0.025 2 |
俯仰角/(°) | 0.001 5 | 0.002 2 | 0.002 8 | 0.003 5 | 0.004 2 | 0.004 8 |
横滚角/(°) | 0.001 3 | 0.002 6 | 0.002 8 | 0.003 1 | 0.004 4 | 0.004 7 |
参数 | RMSE | |||||
No.2 | No.4 | No.6 | No.8 | No.10 | No.12 | |
纬度/m | 0.055 1 | 0.023 4 | 0.038 2 | 0.050 1 | 0.065 1 | 0.081 6 |
经度/m | 0.018 8 | 0.038 5 | 0.049 6 | 0.060 8 | 0.071 8 | 0.085 6 |
高度/m | 0.019 9 | 0.030 7 | 0.038 5 | 0.047 9 | 0.063 7 | 0.089 5 |
东向速度/(m·s-1) | 0.004 6 | 0.007 2 | 0.011 9 | 0.017 4 | 0.021 7 | 0.026 9 |
北向速度/(m·s-1) | 0.005 6 | 0.007 7 | 0.001 8 | 0.020 4 | 0.023 7 | 0.027 8 |
天向速度/(m·s-1) | 0.005 1 | 0.010 4 | 0.017 2 | 0.020 6 | 0.024 4 | 0.028 2 |
航向角/(°) | 0.009 0 | 0.013 3 | 0.014 0 | 0.016 0 | 0.023 3 | 0.028 6 |
俯仰角/(°) | 0.001 9 | 0.002 4 | 0.003 3 | 0.004 0 | 0.004 4 | 0.004 8 |
横滚角/(°) | 0.002 1 | 0.002 5 | 0.003 1 | 0.004 3 | 0.004 6 | 0.004 9 |
子阵天线 | x轴坐标/m |
No.1 | 1 |
No.2 | 2 |
No.3 | 3 |
No.4 | 4 |
No.5 | 5 |
No.6 | 6 |
No.7 | 7 |
No.8 | 8 |
No.9 | 9 |
No.10 | 10 |
No.11 | 11 |
No.12 | 12 |
运动参数 | RMSE | |||||
No.1 | No.3 | No.5 | No.7 | No.9 | No.11 | |
纬度/m | 0.004 6 | 0.009 8 | 0.030 4 | 0.043 5 | 0.053 0 | 0.076 6 |
经度/m | 0.016 0 | 0.025 0 | 0.041 8 | 0.056 6 | 0.064 7 | 0.075 7 |
高度/m | 0.015 2 | 0.029 6 | 0.032 4 | 0.040 3 | 0.051 7 | 0.069 1 |
东向速度/(m·s-1) | 0.005 | 0.006 | 0.008 | 0.016 2 | 0.017 5 | 0.022 0 |
北向速度/(m·s-1) | 0.004 | 0.006 | 0.009 | 0.019 1 | 0.022 0 | 0.025 2 |
天向速度/(m·s-1) | 0.003 9 | 0.006 9 | 0.012 1 | 0.018 0 | 0.023 5 | 0.026 2 |
航向角/(°) | 0.008 0 | 0.011 0 | 0.013 8 | 0.014 3 | 0.014 7 | 0.025 2 |
俯仰角/(°) | 0.001 5 | 0.002 2 | 0.002 8 | 0.003 5 | 0.004 2 | 0.004 8 |
横滚角/(°) | 0.001 3 | 0.002 6 | 0.002 8 | 0.003 1 | 0.004 4 | 0.004 7 |
参数 | RMSE | |||||
No.2 | No.4 | No.6 | No.8 | No.10 | No.12 | |
纬度/m | 0.055 1 | 0.023 4 | 0.038 2 | 0.050 1 | 0.065 1 | 0.081 6 |
经度/m | 0.018 8 | 0.038 5 | 0.049 6 | 0.060 8 | 0.071 8 | 0.085 6 |
高度/m | 0.019 9 | 0.030 7 | 0.038 5 | 0.047 9 | 0.063 7 | 0.089 5 |
东向速度/(m·s-1) | 0.004 6 | 0.007 2 | 0.011 9 | 0.017 4 | 0.021 7 | 0.026 9 |
北向速度/(m·s-1) | 0.005 6 | 0.007 7 | 0.001 8 | 0.020 4 | 0.023 7 | 0.027 8 |
天向速度/(m·s-1) | 0.005 1 | 0.010 4 | 0.017 2 | 0.020 6 | 0.024 4 | 0.028 2 |
航向角/(°) | 0.009 0 | 0.013 3 | 0.014 0 | 0.016 0 | 0.023 3 | 0.028 6 |
俯仰角/(°) | 0.001 9 | 0.002 4 | 0.003 3 | 0.004 0 | 0.004 4 | 0.004 8 |
横滚角/(°) | 0.002 1 | 0.002 5 | 0.003 1 | 0.004 3 | 0.004 6 | 0.004 9 |