基于跟踪伺服系统仿真模型的光电经纬仪电视跟踪性能评价
|
摘要
光电经纬仪是用于光电跟踪测量的重要设备，跟踪性能是评价光电经纬仪的主要指标之一。理论上，光电经纬仪的跟踪性能指标是以等效正弦为基础而提出的，而目前室内却难以产生纯的等效正弦信号。因此，实际室内检测中，通常是采用光学动态靶标模拟的运动目标进行检测。然而，理论分析发现，光学动态靶标模拟的运动目标投影到光电经纬仪的方位和俯仰两个方向上的运动规律都不是纯正弦运动，而是包含大量高次谐波的正弦波的合成。特别是在靶标架设的高度比较高，或者靶标运动周期较短（T <2π）时，这种畸变就更加明显，偏离正弦的程度就越严重。而且由于正割补偿效应的存在，这种偏离还表现出方位比俯仰更明显的特点。
因此，导致利用光学动态靶标检测时，输入条件与指标要求不完全对应，对光电经纬仪跟踪性能的评价也不够客观准确。
本文针对如何避免动态靶标高次谐波影响，更加客观评价经纬仪跟踪性能开展了以下研究工作：
1．分析了用动态靶标检测评价经纬仪跟踪性能的局限性，对光电经纬仪运动的动力学特性，结构动态特性和非线性因素进行了分析，说明了理论建模难以准确描述光电经纬仪全部动态特性的原因。
2．提出了一种实际数据与计算机仿真模型结合的经纬仪跟踪性能的评价方法，通过充分利用电视系统对光学动态靶标的跟踪信息，建立跟踪伺服系统误差模型的方法，采用与技术指标要求相对应的等效正弦信号，实现了输入信号与指标要求信号一致，从而使对光电经纬仪的评价更为合理。
3．通过神经网络（RBF，GRNN）方法和机器学习方法（SVM，ELM）建立了经纬仪的跟踪误差模型。
根据光电经纬仪跟踪靶标得到的实际数据进行网络的学习和训练，在一定程度上克服了经纬仪内部的非线性因素和难建模动态，保证了所建模型能够在最大程度上接近实际系统。
对不同建模方法进行对比，选定了适合的模型，并进行了模型验证，给出了GRNN和ELM更适合用于经纬仪建模的结论。
4．将根据技术要求指标计算得到的计算机模拟的等效正弦信号，输入到所建的网络模型中，得到在等效正弦输入下的跟踪误差，有效地分离了动态靶标高次谐波影响，更加客观地评价了经纬仪的跟踪性能。
5.采用2组仿真数据和建模效果较好的两种方法（GRNN，ELM）验证了本文提出的方法的有效性。
采用2组可见电视，1组红外电视跟踪的真实数据，重新实验，进一步验证了本文提出的方法。真实数据的实验结果表明，本文提出的方法是可行而有效的。
The opto-electrical theodolite is an important device for opto-electrical tracking measurement,and the tracking performance is one of the most important evaluation indexes. In theoretical, thetracking performance of the photoelectric theodolite based on equivalent sine theory, but this kindof signal is hard to emit indoor. So in practice, we usually use opto-dynamic target to simulate theobject to complete the measurement. According to the theory analysis, we known that themovement that opto-dynamic tartget simulated projected to photoelectric theodolite’s azimuthdirection and elevation direction are not pure equivalent sine, and it synthesized many high orderharmonic sine wave. If we use dynamic target to measure tracking performance of thephotoelectric theodolite, the input signal is not completly meeting requirement index. So it isunreasonable to use the opto-dynamic target to measure and evaluate and tracking performance ofthe photoelectric theodolite.
In this paper, we focusd on this problem and did some researches on how to avoid theinfluence from opto-dynamic target high order harmonic and how to evaluate the photoelectrictheodolite tracking performance more reasonable and objective. The paper involved the followingpart:
1. The paper analyzed the reason why it is unreasonable to use the opto-dynamic target tomeasure and evaluate and tracking performance of the photoelectric theodolite. It is also analysedthe dynamic characteristic, structure dynamic as well as nonlinear factors in the photoelectric theodolite. All of these revealed that it is hard to build the photoelectric theodolite model viatheoretical model method.
2. The paper put forward a new kind of method that based on the real data as well as appliedthe computer simulation model to evaluate the theodolite’s tracking performance. This methodmade full use of the tracking information from the TV system, and applied the proper equivalentsine signal which computed from the index requirement, which realized the input signal meet therequirement index and avoided the high harmonic from opto-dynamic target and reduce itsinfluence on photoelectric theodolite tracking performance evaluation.
3. Built the tracking error model of the photoelectric theodolite by neural network method(RBF, GRNN) and machine learning method (SVM, ELM).
Applied the real data from photoelectric theodolite tracking the dynamic target to train thenet, which can partly get over the nonlinear factor as well as hard build dynamic in the theodolite,and make sure that the model can fully near the actual system.
Compared and verified different model method, and arrived conclusion that GRNN and ElMare more suitable for photoelectric theodolite model.
4. Put the equivalent sine computed from index requirement to the built net model, and getthe tracking error that filter the high harmonic influence from opto-dynamic target and evaluatethe tracking performance of the theodolite more reasonable.
5. Use two group of simulation data and two effective model method (GRNN, ELM) testifiedthe evaluation method putting forward from this paper.
Use two group of visiable TV and one group of infrared TV real tracking data to do theexperiment and the result revealed that the method that put forward in this paper is useful andpractical.
因此，导致利用光学动态靶标检测时，输入条件与指标要求不完全对应，对光电经纬仪跟踪性能的评价也不够客观准确。
本文针对如何避免动态靶标高次谐波影响，更加客观评价经纬仪跟踪性能开展了以下研究工作：
1．分析了用动态靶标检测评价经纬仪跟踪性能的局限性，对光电经纬仪运动的动力学特性，结构动态特性和非线性因素进行了分析，说明了理论建模难以准确描述光电经纬仪全部动态特性的原因。
2．提出了一种实际数据与计算机仿真模型结合的经纬仪跟踪性能的评价方法，通过充分利用电视系统对光学动态靶标的跟踪信息，建立跟踪伺服系统误差模型的方法，采用与技术指标要求相对应的等效正弦信号，实现了输入信号与指标要求信号一致，从而使对光电经纬仪的评价更为合理。
3．通过神经网络（RBF，GRNN）方法和机器学习方法（SVM，ELM）建立了经纬仪的跟踪误差模型。
根据光电经纬仪跟踪靶标得到的实际数据进行网络的学习和训练，在一定程度上克服了经纬仪内部的非线性因素和难建模动态，保证了所建模型能够在最大程度上接近实际系统。
对不同建模方法进行对比，选定了适合的模型，并进行了模型验证，给出了GRNN和ELM更适合用于经纬仪建模的结论。
4．将根据技术要求指标计算得到的计算机模拟的等效正弦信号，输入到所建的网络模型中，得到在等效正弦输入下的跟踪误差，有效地分离了动态靶标高次谐波影响，更加客观地评价了经纬仪的跟踪性能。
5.采用2组仿真数据和建模效果较好的两种方法（GRNN，ELM）验证了本文提出的方法的有效性。
采用2组可见电视，1组红外电视跟踪的真实数据，重新实验，进一步验证了本文提出的方法。真实数据的实验结果表明，本文提出的方法是可行而有效的。
The opto-electrical theodolite is an important device for opto-electrical tracking measurement,and the tracking performance is one of the most important evaluation indexes. In theoretical, thetracking performance of the photoelectric theodolite based on equivalent sine theory, but this kindof signal is hard to emit indoor. So in practice, we usually use opto-dynamic target to simulate theobject to complete the measurement. According to the theory analysis, we known that themovement that opto-dynamic tartget simulated projected to photoelectric theodolite’s azimuthdirection and elevation direction are not pure equivalent sine, and it synthesized many high orderharmonic sine wave. If we use dynamic target to measure tracking performance of thephotoelectric theodolite, the input signal is not completly meeting requirement index. So it isunreasonable to use the opto-dynamic target to measure and evaluate and tracking performance ofthe photoelectric theodolite.
In this paper, we focusd on this problem and did some researches on how to avoid theinfluence from opto-dynamic target high order harmonic and how to evaluate the photoelectrictheodolite tracking performance more reasonable and objective. The paper involved the followingpart:
1. The paper analyzed the reason why it is unreasonable to use the opto-dynamic target tomeasure and evaluate and tracking performance of the photoelectric theodolite. It is also analysedthe dynamic characteristic, structure dynamic as well as nonlinear factors in the photoelectric theodolite. All of these revealed that it is hard to build the photoelectric theodolite model viatheoretical model method.
2. The paper put forward a new kind of method that based on the real data as well as appliedthe computer simulation model to evaluate the theodolite’s tracking performance. This methodmade full use of the tracking information from the TV system, and applied the proper equivalentsine signal which computed from the index requirement, which realized the input signal meet therequirement index and avoided the high harmonic from opto-dynamic target and reduce itsinfluence on photoelectric theodolite tracking performance evaluation.
3. Built the tracking error model of the photoelectric theodolite by neural network method(RBF, GRNN) and machine learning method (SVM, ELM).
Applied the real data from photoelectric theodolite tracking the dynamic target to train thenet, which can partly get over the nonlinear factor as well as hard build dynamic in the theodolite,and make sure that the model can fully near the actual system.
Compared and verified different model method, and arrived conclusion that GRNN and ElMare more suitable for photoelectric theodolite model.
4. Put the equivalent sine computed from index requirement to the built net model, and getthe tracking error that filter the high harmonic influence from opto-dynamic target and evaluatethe tracking performance of the theodolite more reasonable.
5. Use two group of simulation data and two effective model method (GRNN, ELM) testifiedthe evaluation method putting forward from this paper.
Use two group of visiable TV and one group of infrared TV real tracking data to do theexperiment and the result revealed that the method that put forward in this paper is useful andpractical.
引文
[1]赵学颜．靶场光学测量[M]．：装备技术指挥学院，2001．3-6
[2]王永义．国防光学与靶场光测设备[M]．北京：科学出版社，1990．32-45
[3]曹金贵．靶场光测设备发展趋势[J]．光学机械，1981，(3)：9-14
[4]程忠民．靶场测量设备的新进展[J]．现代兵器，1989，11：30-35
[5]佟恒伟．靶场光测技术的发展与展望[J]．光子学报，1994，23（Z3）：310-314
[6]何照才，胡保安．光学测量系统[M]．北京：国防工业出版社，2002．150-160
[7]马佳光．捕获跟踪与瞄准的基本技术问题[J]．光学工程，1989，3：1-41
[8]吕俊伟，何友金，韩艳丽．光电跟踪测量原理[M]．北京：国防工业出版社，2010．10-12
[9]关志君．新型动态靶标的研究[D]：［硕士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2004
[10]李博．新型光学动态靶标结构形式与结构刚度分析[D]：［硕士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2008
[11]李博，王维娜，唐杰．新型光学动态靶标模拟空间目标研究[J]．工程设计学报，2008，15(3)：201-204
[12]贾峰，李桂芝，李阳．光电经纬仪室内检测系统的研究与应用[J]．飞行器测控学报，2011，30(3)：32-35
[13]孙宁，夏秀梅，乔彦峰．光学动态靶标动态精度检测实验研究[J]．长春理工大学学报，2007，30(4)：37-39
[14]冯婕．基于光学动态靶标的光电经纬仪测角精度室内检测方法研究[D]：［硕士学位论文］．西安：中国科学院西安光学精密机械与物理研究所，2008
[15]于虹．电影经纬仪电视跟踪系统动态模拟靶标设计[D]：［硕士学位论文］．长春：长春光学精密机械与物理研究所，1990
[16]郭平平，李向荣，乔彦峰．光学动态靶标精度的自准直检测方法研究[J]．测控技术学报，2004，18(3)：169-172
[17]贺庚贤，沈湘衡，周兴义．光电经纬仪跟动态测角精度仿真测量[J]．系统仿真学报，2008，20(12)：3127-3129
[18]贺和好，周兴义，关澈．轴系晃动与动态靶标精度检测[J]．光学仪器，2007，29(5)：1-7
[19]张波．可编程动态靶标的研究[D]：［硕士学位论文］．长春：中科院长春光学精密机械与物理研究所，2003
[20]顾营迎，沈湘衡等．光电经纬仪旋转靶标特性对目标跟踪的影响[J]．光学工程，2011，38(3)：19-24
[21]张宁.利用动态靶标装置的光电经纬仪跟踪性能评价研究[D]：［博士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2010
[22]张宁，沈湘衡，杨亮等．利用动态靶标谐波特性评价光电经纬仪跟踪性能[J]．光学精密工程，2010，18(6)：1286-1294
[23]张宁，沈湘衡．应用跟踪误差等效模型评价光电经纬仪跟踪性能[J]．光学精密工程，2010，18(3)：677-684
[24]张宁，沈湘衡，胡剑虹．应用BP网的跟踪误差辨识建模及跟踪性能评价[J]．光电工程，2009，36(9)：35-40
[25]任永平．基于板极模型方法的光电经纬仪伺服控制技术研究[D]：［博士学位论文］长沙：国防科学技术大学，2005
[26]王芳，贾涛，张春林．应用坐标变换动态修正光电经纬仪脱靶量[J]．光学精密工程，2009，17(12)：2940-2945
[27]王成刚.光电经纬仪仿真测试技术及其应用研究[D]：［博士学位论文］成都：光电技术研究所，2007
[28]王建立，王帅，陈涛等．光电跟踪伺服系统的频率特性测试与模型辨识[J]．光学精密工程，2009，17(1)：78-84
[29]李慧，沈湘衡．光电经纬仪数字化模型的建立方法及其应用[J]．光电子技术，2007，27(2)：98-100
[30]车双良，朱麦花，周军等．光电经纬仪控制对象的数学模型及其状态分析[J]．弹箭与制导学报，2003，23(2)：206-208
[31]刘春芳，吴盛林，赵克定等．高精度液压仿真转台超低速性能的实现[J]．机床与液压，2002，(1)：73-74
[32]翟百臣．直流PWM伺服系统低速平稳性研究[D]：［博士学位论文］长春：中科院长春光学精密机械与物理研究所，2005
[33]张锦江，吴宏鑫，李季苏等．高精度伺服系统低速问题研究[J]．自动化学报，2002，28(3)：431-434
[34]王建立．光电经纬仪电视跟踪捕获快速运动目标技术的研究[D]：［博士学位论文］长春：中科院长春光学精密机械与物理研究所，2002
[35]章云．非线性系统的神经网络建模与控制[D]：［博士学位论文］．广东：华南理工大学，1997
[36]蒋宗礼．人工神经网络导论[M]．北京：高等教育出版社，2003．96-98
[37]王俊国．基于神经网络的建模方法与控制策略研究[D]：［博士学位论文］．武汉：华中科技大学，2004
[38]肖田元，范文慧．连续系统建模与仿真[M]．北京：电子工业出版社，2010，96-97
[39]夏安邦．系统建模理论与方法[M]．北京：机械工业出版社，2008，186-192
[40]丁玲，励隽怿．非线性对象神经网络建模的广义自组织学习[J]．电子学报，1992，20(10):56-60
[41]张东波，王耀南，黄辉先．基于模糊粗糙模型的粗神经网络建模方法研究[J]．自动化学报，2008，34(8)：1016-1023
[42]李敏远，都延丽．一类过程控制对象的神经网络建模及仿真[J]．系统仿真学报，2003，15(11)：1533-1536
[43]冯培恩，邱清盈．约束优化神经网络建模和控制策略研究[J]．电子学报，1997，25(6)：85-90,80
[44]童仲志，邢宗义等．电液伺服系统的神经网络建模方法研究[J]．高技术通讯，2009，19(6)：620-626
[45]姚雪莲，齐瑞云等．基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制[J]．电机控制与应用，2011，38(3)：17-22
[46]冯宗磊，杨福源等．发动机的组合神经网络建模[J]．清华大学学报：自然科学版，2005，45(11)：1522-1525
[47]何明，李博等．粗糙集理论框架下的神经网络建模研究及应用[J]．计算机集成制造系统，2005，20(7)：782-785
[48]叶玉玲．基于决策逻辑的模糊粗糙神经网络建模[J]．计算机集成制造系统，2009，15(4)：676-680
[49]林香.一种基于遗传BP神经网络的预测模型[D]：［硕士学位论文］．厦门：厦门大学软件学院，2006
[50]段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断[D]：［博士］学位论文］．北京：北京交通大学，2008
[51]吴仕勇.基于数值计算方法的BP神经网络及遗传算法的优化研究[D]：［硕士学位论文］．昆明：云南师范大学，2006
[52]侯林波.基于遗传神经网络算法的基坑工程优化反馈分析[D]：［硕士学位论文］．大连：大连海事大学，2009
[53]杨先有，易灵芝等．开关磁阻电机调速系统BP神经网络建模[J]．电机与控制学报，2008，12(4)：447-450
[54]雷英杰，张善文，李续武，周创名．MTATAB遗传算法工具箱及应用[M]．西安：西安电子科技大学，2006．52-54
[55]周素莹，林辉．基于RBF网络的开关磁阻电动机自适应滑模控制[J]．微特电机，2011，39(7)：55-57
[56]刘悦婷，赵小强．RBF-PID串级控制在加热炉温度系统中的应用研究[J]．自动化与仪器仪表，2011，38(4)：3-5
[57]蒯松岩，吴涛等．基于RBF的无位置开关磁阻电机控制系统[J]．电力电子技术，2011，45(7)：52-54
[58]陈海忠，王海峰．一类非线性系统的RBF神经网络滑模控制及应用[J]．江苏技术师范学院学报，2011，17(2)：27-33
[59]杨丽，任淑艳，段海龙．机器人轨迹跟踪的RBF神经网络控制[J]．天津职业技术师范大学学报，2011，21(2)：6-10
[60]王少福，杨卫东等．基于改进RBF的神经网络的热轧板冲击功预报模型[J]．机床与液压，2011，39(13)：48-51
[61]武小梅，白银明，文福拴．基于RBF神经元网络的风电功率短期预测[J]．电力系统保护与控制，2011，39(15)：80-83
[62]陈治明，罗飞，曹建忠．基于小波分析的多RBF神经网络轧制力设定模型[J]．华南理工大学学报（自然科学版），2010，39(2)：142-148
[63]杜大军，费敏锐，李力雄．基于快速回归算法的RBF神经网络及其应用[J]．控制理论与应用，2008，25(5)：827-830
[64]贾明兴，赵春晖等．基于RBF神经网络的非线性主元分析方法[J]．仪器仪表学报，2008，29(3)：453-457
[65]何平，潘国峰等．压力传感器温度漂移补偿的RBF网络模型[J]．仪器仪表学报，2008，29(3)：572-576
[66]张明国，耿云海，贾琳恒．基于RBF网络上界自适应学习的预警卫星滑模控制[J]．吉林大学学报：工学版，2007，37(4)：959-964
[67]党选举，谭永红．压电陶瓷回环特性的RBF神经网络建模研究[J]．系统仿真学报，2005，17(1)：144-147
[68]刘庆华，张为公，龚宗祥．广义回归神经网络在汽车换挡机械手运动轨迹测量中的应用[J]．仪器仪表学报，2008，29(2)：361-364
[69]王明，李小川等．基于GRNN的永磁同步电动机直接转矩控制[J]．微特电机，2011，39(5)：47-49,52
[70]谢树平，彭宇宁．基于GRNN的非线性预测控制及其IPC实现[J]．测控技术，2010，32(1)：51-54
[71]俞明，林冬燕等．基于广义回归神经网络的发动机排放预测[J]．华南理工大学学报（自然科学版），2003，31(1)：51-56
[72]潘睿，刘俊勇等．基于负荷预测及广义回归神经网络的短路电流超短期预测[J]．华南理工大学学报（自然科学版），2010，31(18)：94-99
[73]霍海波，朱新坚，曹广益．基于广义回归神经网络的SOPC电压模型研究[J]．计算机仿真，2010，31(18)：94-99
[74]徐富强，郑婷婷，方葆青．基于广义回归神经网络（GRNN）的函数逼近[J]．巢湖学院学报，2010，38(3)：11-16
[75]王宇飞，沈红岩．基于改进广义回归神经网络的网络安全态势预测[J]．华北学报（自然科学版），2011，38(3)：91-95
[76]罗毅．基于灰色理论与广义回归神经网络的客运量预测模型研究[D]：［博士学位论文］．西安：西安交通大学，2004
[77]郝鑫．广义回归神经网络和遗传算法研究及其在化工过程建模中的应用
[D]：［博士学位论文］．浙江：浙江大学，2004
[78]周敏，李世玲．广义回归神经网络在非线性系统建模中的应用[J]．计算机测量与控制，2007，15(9)：1189-1191
[79]李聪．基于GRNN网络的短期与超短期负荷预测[D]：［硕士学位论文］．吉林：东北电力大学，2010
[80]王定成．支持向量机建模预测与控制[M]．北京：气象出版社，2009．12-13
[81]白鹏，张喜斌，张斌等．支持向量机理论及工程应用实例[M]．西安：西安电子科技大学出版社，2008．53-57
[82] C.Vladmir, M.Q.Yun. Practical selection of SVM parameters and noiseestimation for SVM regression [J].Neural Networks,2004,17(1):113-126.
[83] M.Jushui, T.James, P.Simon. Accurate on-line support vector regression[J].Neural Compution,2003,15(11):2683-2703.
[84] C.C.Chen, S.F.Shun, J.T.Jin, et al. Robust support vector regression networks forfunction approximate with outlines [J].IEEE Transactions on Neural Networks,2002,13(6):1322-1330.
[85] D.J.Mech. Analysis of support vector regression for approximation of complexengineering analysis [J].Journal of Mechanical Design,2005,127(6):1077-1087.
[86] V.N.Vapnik. An overview of statistical learning theory.[J] IEEE Transactions onNeural Network[J].1999,10(5):56-61.
[87] V.N.Vapnik.The Nature of statistical learning [M].New York: Springer,1995.230-232.
[88] C.C.Chih,J.L.Chih. Training v-support vector regression:theory and algorithms[J].Neural Computation,2002,14(8):1959-1977.
[89] T.Down, K.E,Masters. Exact simplification of support vector solution [J].Journalof Machine Learning Research,2001,10(2):293-297.
[90] P.M.L.Drezet, R.F.Harrison. Support vector machine for system identification
[C].Proceedings of UKACC International Conference on Control,1998,(1):688-692.
[91]常玉清，李玉朝，王福利．基于极限学习机的生化过程软测量建模[J]．系统仿真学报，2007，19(23)：5587-5590
[92]舒隽，甘磊．极限学习机方法在电力线路建设成本估算中的应用研究[J]．现代电力，2011，28(4)：78-83
[93]陈子健，孙国斌．基于神经网络的车用汽油机排放模型的研究[J]．机床与液压，2004，15(4)：76-78,137
[94] R.F.Guo, G..B.Huang, Q.P.Lin, et al. Error minimized extreme learning machinewith growth of hidden nodes and incremental learning [J].IEEE Transactions onNeural Network,2009,20(8):1352-1357
[95] Q.Y.Zhu, A.K.Qin, P.N.Sunganthan, et al. Evolutionary extreme learningmachine[J].Pattern Recognition,2005,3820(8):1759-1763
[96] G.B.Huang, Q.Y.Zhu, C.K.Siew. Extreme learning machine: theory andapplications [J]. Neuro-Computing,2006,70:489-501.
[97] G.B.Huang, C.Lei, C.K.Siew. Universal approximation using incrementalconstructive feed forward Networks with random hidden nodes [J]. IEEE Transactionson Neural Network,2006,17(4):879-892.
[98] G.B.Huang, Q.Y.Zhu, C.K.Siew. Extreme learning machine: A new learningscheme of feed forward neural networks[C].Proceedings of International JointConference on Neural Network,25-29July,2004, Budapest, Hungary.
[99] G.B.Huang, C.K.Siew. Extreme learning machine with randomly assigned RBFkernels [J].International Journal of Information Technology,2005,11(1):16-24..
[100] G.B.Huang, N.Y.Liang, H.J.Rong. On-line sequential extreme learningmachine [J]. The IASTED International Conference on Computational Intelligence,Calgary, Canada,2005,11(1):16-24
[2]王永义．国防光学与靶场光测设备[M]．北京：科学出版社，1990．32-45
[3]曹金贵．靶场光测设备发展趋势[J]．光学机械，1981，(3)：9-14
[4]程忠民．靶场测量设备的新进展[J]．现代兵器，1989，11：30-35
[5]佟恒伟．靶场光测技术的发展与展望[J]．光子学报，1994，23（Z3）：310-314
[6]何照才，胡保安．光学测量系统[M]．北京：国防工业出版社，2002．150-160
[7]马佳光．捕获跟踪与瞄准的基本技术问题[J]．光学工程，1989，3：1-41
[8]吕俊伟，何友金，韩艳丽．光电跟踪测量原理[M]．北京：国防工业出版社，2010．10-12
[9]关志君．新型动态靶标的研究[D]：［硕士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2004
[10]李博．新型光学动态靶标结构形式与结构刚度分析[D]：［硕士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2008
[11]李博，王维娜，唐杰．新型光学动态靶标模拟空间目标研究[J]．工程设计学报，2008，15(3)：201-204
[12]贾峰，李桂芝，李阳．光电经纬仪室内检测系统的研究与应用[J]．飞行器测控学报，2011，30(3)：32-35
[13]孙宁，夏秀梅，乔彦峰．光学动态靶标动态精度检测实验研究[J]．长春理工大学学报，2007，30(4)：37-39
[14]冯婕．基于光学动态靶标的光电经纬仪测角精度室内检测方法研究[D]：［硕士学位论文］．西安：中国科学院西安光学精密机械与物理研究所，2008
[15]于虹．电影经纬仪电视跟踪系统动态模拟靶标设计[D]：［硕士学位论文］．长春：长春光学精密机械与物理研究所，1990
[16]郭平平，李向荣，乔彦峰．光学动态靶标精度的自准直检测方法研究[J]．测控技术学报，2004，18(3)：169-172
[17]贺庚贤，沈湘衡，周兴义．光电经纬仪跟动态测角精度仿真测量[J]．系统仿真学报，2008，20(12)：3127-3129
[18]贺和好，周兴义，关澈．轴系晃动与动态靶标精度检测[J]．光学仪器，2007，29(5)：1-7
[19]张波．可编程动态靶标的研究[D]：［硕士学位论文］．长春：中科院长春光学精密机械与物理研究所，2003
[20]顾营迎，沈湘衡等．光电经纬仪旋转靶标特性对目标跟踪的影响[J]．光学工程，2011，38(3)：19-24
[21]张宁.利用动态靶标装置的光电经纬仪跟踪性能评价研究[D]：［博士学位论文］．长春：中国科学院长春光学精密机械与物理研究所，2010
[22]张宁，沈湘衡，杨亮等．利用动态靶标谐波特性评价光电经纬仪跟踪性能[J]．光学精密工程，2010，18(6)：1286-1294
[23]张宁，沈湘衡．应用跟踪误差等效模型评价光电经纬仪跟踪性能[J]．光学精密工程，2010，18(3)：677-684
[24]张宁，沈湘衡，胡剑虹．应用BP网的跟踪误差辨识建模及跟踪性能评价[J]．光电工程，2009，36(9)：35-40
[25]任永平．基于板极模型方法的光电经纬仪伺服控制技术研究[D]：［博士学位论文］长沙：国防科学技术大学，2005
[26]王芳，贾涛，张春林．应用坐标变换动态修正光电经纬仪脱靶量[J]．光学精密工程，2009，17(12)：2940-2945
[27]王成刚.光电经纬仪仿真测试技术及其应用研究[D]：［博士学位论文］成都：光电技术研究所，2007
[28]王建立，王帅，陈涛等．光电跟踪伺服系统的频率特性测试与模型辨识[J]．光学精密工程，2009，17(1)：78-84
[29]李慧，沈湘衡．光电经纬仪数字化模型的建立方法及其应用[J]．光电子技术，2007，27(2)：98-100
[30]车双良，朱麦花，周军等．光电经纬仪控制对象的数学模型及其状态分析[J]．弹箭与制导学报，2003，23(2)：206-208
[31]刘春芳，吴盛林，赵克定等．高精度液压仿真转台超低速性能的实现[J]．机床与液压，2002，(1)：73-74
[32]翟百臣．直流PWM伺服系统低速平稳性研究[D]：［博士学位论文］长春：中科院长春光学精密机械与物理研究所，2005
[33]张锦江，吴宏鑫，李季苏等．高精度伺服系统低速问题研究[J]．自动化学报，2002，28(3)：431-434
[34]王建立．光电经纬仪电视跟踪捕获快速运动目标技术的研究[D]：［博士学位论文］长春：中科院长春光学精密机械与物理研究所，2002
[35]章云．非线性系统的神经网络建模与控制[D]：［博士学位论文］．广东：华南理工大学，1997
[36]蒋宗礼．人工神经网络导论[M]．北京：高等教育出版社，2003．96-98
[37]王俊国．基于神经网络的建模方法与控制策略研究[D]：［博士学位论文］．武汉：华中科技大学，2004
[38]肖田元，范文慧．连续系统建模与仿真[M]．北京：电子工业出版社，2010，96-97
[39]夏安邦．系统建模理论与方法[M]．北京：机械工业出版社，2008，186-192
[40]丁玲，励隽怿．非线性对象神经网络建模的广义自组织学习[J]．电子学报，1992，20(10):56-60
[41]张东波，王耀南，黄辉先．基于模糊粗糙模型的粗神经网络建模方法研究[J]．自动化学报，2008，34(8)：1016-1023
[42]李敏远，都延丽．一类过程控制对象的神经网络建模及仿真[J]．系统仿真学报，2003，15(11)：1533-1536
[43]冯培恩，邱清盈．约束优化神经网络建模和控制策略研究[J]．电子学报，1997，25(6)：85-90,80
[44]童仲志，邢宗义等．电液伺服系统的神经网络建模方法研究[J]．高技术通讯，2009，19(6)：620-626
[45]姚雪莲，齐瑞云等．基于在线模糊神经网络建模的开关磁阻电机高性能转矩控制[J]．电机控制与应用，2011，38(3)：17-22
[46]冯宗磊，杨福源等．发动机的组合神经网络建模[J]．清华大学学报：自然科学版，2005，45(11)：1522-1525
[47]何明，李博等．粗糙集理论框架下的神经网络建模研究及应用[J]．计算机集成制造系统，2005，20(7)：782-785
[48]叶玉玲．基于决策逻辑的模糊粗糙神经网络建模[J]．计算机集成制造系统，2009，15(4)：676-680
[49]林香.一种基于遗传BP神经网络的预测模型[D]：［硕士学位论文］．厦门：厦门大学软件学院，2006
[50]段侯峰.基于遗传算法优化BP神经网络的变压器故障诊断[D]：［博士］学位论文］．北京：北京交通大学，2008
[51]吴仕勇.基于数值计算方法的BP神经网络及遗传算法的优化研究[D]：［硕士学位论文］．昆明：云南师范大学，2006
[52]侯林波.基于遗传神经网络算法的基坑工程优化反馈分析[D]：［硕士学位论文］．大连：大连海事大学，2009
[53]杨先有，易灵芝等．开关磁阻电机调速系统BP神经网络建模[J]．电机与控制学报，2008，12(4)：447-450
[54]雷英杰，张善文，李续武，周创名．MTATAB遗传算法工具箱及应用[M]．西安：西安电子科技大学，2006．52-54
[55]周素莹，林辉．基于RBF网络的开关磁阻电动机自适应滑模控制[J]．微特电机，2011，39(7)：55-57
[56]刘悦婷，赵小强．RBF-PID串级控制在加热炉温度系统中的应用研究[J]．自动化与仪器仪表，2011，38(4)：3-5
[57]蒯松岩，吴涛等．基于RBF的无位置开关磁阻电机控制系统[J]．电力电子技术，2011，45(7)：52-54
[58]陈海忠，王海峰．一类非线性系统的RBF神经网络滑模控制及应用[J]．江苏技术师范学院学报，2011，17(2)：27-33
[59]杨丽，任淑艳，段海龙．机器人轨迹跟踪的RBF神经网络控制[J]．天津职业技术师范大学学报，2011，21(2)：6-10
[60]王少福，杨卫东等．基于改进RBF的神经网络的热轧板冲击功预报模型[J]．机床与液压，2011，39(13)：48-51
[61]武小梅，白银明，文福拴．基于RBF神经元网络的风电功率短期预测[J]．电力系统保护与控制，2011，39(15)：80-83
[62]陈治明，罗飞，曹建忠．基于小波分析的多RBF神经网络轧制力设定模型[J]．华南理工大学学报（自然科学版），2010，39(2)：142-148
[63]杜大军，费敏锐，李力雄．基于快速回归算法的RBF神经网络及其应用[J]．控制理论与应用，2008，25(5)：827-830
[64]贾明兴，赵春晖等．基于RBF神经网络的非线性主元分析方法[J]．仪器仪表学报，2008，29(3)：453-457
[65]何平，潘国峰等．压力传感器温度漂移补偿的RBF网络模型[J]．仪器仪表学报，2008，29(3)：572-576
[66]张明国，耿云海，贾琳恒．基于RBF网络上界自适应学习的预警卫星滑模控制[J]．吉林大学学报：工学版，2007，37(4)：959-964
[67]党选举，谭永红．压电陶瓷回环特性的RBF神经网络建模研究[J]．系统仿真学报，2005，17(1)：144-147
[68]刘庆华，张为公，龚宗祥．广义回归神经网络在汽车换挡机械手运动轨迹测量中的应用[J]．仪器仪表学报，2008，29(2)：361-364
[69]王明，李小川等．基于GRNN的永磁同步电动机直接转矩控制[J]．微特电机，2011，39(5)：47-49,52
[70]谢树平，彭宇宁．基于GRNN的非线性预测控制及其IPC实现[J]．测控技术，2010，32(1)：51-54
[71]俞明，林冬燕等．基于广义回归神经网络的发动机排放预测[J]．华南理工大学学报（自然科学版），2003，31(1)：51-56
[72]潘睿，刘俊勇等．基于负荷预测及广义回归神经网络的短路电流超短期预测[J]．华南理工大学学报（自然科学版），2010，31(18)：94-99
[73]霍海波，朱新坚，曹广益．基于广义回归神经网络的SOPC电压模型研究[J]．计算机仿真，2010，31(18)：94-99
[74]徐富强，郑婷婷，方葆青．基于广义回归神经网络（GRNN）的函数逼近[J]．巢湖学院学报，2010，38(3)：11-16
[75]王宇飞，沈红岩．基于改进广义回归神经网络的网络安全态势预测[J]．华北学报（自然科学版），2011，38(3)：91-95
[76]罗毅．基于灰色理论与广义回归神经网络的客运量预测模型研究[D]：［博士学位论文］．西安：西安交通大学，2004
[77]郝鑫．广义回归神经网络和遗传算法研究及其在化工过程建模中的应用
[D]：［博士学位论文］．浙江：浙江大学，2004
[78]周敏，李世玲．广义回归神经网络在非线性系统建模中的应用[J]．计算机测量与控制，2007，15(9)：1189-1191
[79]李聪．基于GRNN网络的短期与超短期负荷预测[D]：［硕士学位论文］．吉林：东北电力大学，2010
[80]王定成．支持向量机建模预测与控制[M]．北京：气象出版社，2009．12-13
[81]白鹏，张喜斌，张斌等．支持向量机理论及工程应用实例[M]．西安：西安电子科技大学出版社，2008．53-57
[82] C.Vladmir, M.Q.Yun. Practical selection of SVM parameters and noiseestimation for SVM regression [J].Neural Networks,2004,17(1):113-126.
[83] M.Jushui, T.James, P.Simon. Accurate on-line support vector regression[J].Neural Compution,2003,15(11):2683-2703.
[84] C.C.Chen, S.F.Shun, J.T.Jin, et al. Robust support vector regression networks forfunction approximate with outlines [J].IEEE Transactions on Neural Networks,2002,13(6):1322-1330.
[85] D.J.Mech. Analysis of support vector regression for approximation of complexengineering analysis [J].Journal of Mechanical Design,2005,127(6):1077-1087.
[86] V.N.Vapnik. An overview of statistical learning theory.[J] IEEE Transactions onNeural Network[J].1999,10(5):56-61.
[87] V.N.Vapnik.The Nature of statistical learning [M].New York: Springer,1995.230-232.
[88] C.C.Chih,J.L.Chih. Training v-support vector regression:theory and algorithms[J].Neural Computation,2002,14(8):1959-1977.
[89] T.Down, K.E,Masters. Exact simplification of support vector solution [J].Journalof Machine Learning Research,2001,10(2):293-297.
[90] P.M.L.Drezet, R.F.Harrison. Support vector machine for system identification
[C].Proceedings of UKACC International Conference on Control,1998,(1):688-692.
[91]常玉清，李玉朝，王福利．基于极限学习机的生化过程软测量建模[J]．系统仿真学报，2007，19(23)：5587-5590
[92]舒隽，甘磊．极限学习机方法在电力线路建设成本估算中的应用研究[J]．现代电力，2011，28(4)：78-83
[93]陈子健，孙国斌．基于神经网络的车用汽油机排放模型的研究[J]．机床与液压，2004，15(4)：76-78,137
[94] R.F.Guo, G..B.Huang, Q.P.Lin, et al. Error minimized extreme learning machinewith growth of hidden nodes and incremental learning [J].IEEE Transactions onNeural Network,2009,20(8):1352-1357
[95] Q.Y.Zhu, A.K.Qin, P.N.Sunganthan, et al. Evolutionary extreme learningmachine[J].Pattern Recognition,2005,3820(8):1759-1763
[96] G.B.Huang, Q.Y.Zhu, C.K.Siew. Extreme learning machine: theory andapplications [J]. Neuro-Computing,2006,70:489-501.
[97] G.B.Huang, C.Lei, C.K.Siew. Universal approximation using incrementalconstructive feed forward Networks with random hidden nodes [J]. IEEE Transactionson Neural Network,2006,17(4):879-892.
[98] G.B.Huang, Q.Y.Zhu, C.K.Siew. Extreme learning machine: A new learningscheme of feed forward neural networks[C].Proceedings of International JointConference on Neural Network,25-29July,2004, Budapest, Hungary.
[99] G.B.Huang, C.K.Siew. Extreme learning machine with randomly assigned RBFkernels [J].International Journal of Information Technology,2005,11(1):16-24..
[100] G.B.Huang, N.Y.Liang, H.J.Rong. On-line sequential extreme learningmachine [J]. The IASTED International Conference on Computational Intelligence,Calgary, Canada,2005,11(1):16-24
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |