-
题名融合退化因子的煤矿巷道SLAM算法研究
- 1
-
-
作者
李小波
戴弋杰
刘其鑫
高铭阳
张庆华
-
机构
中煤科工集团重庆研究院有限公司
-
出处
《工矿自动化》
北大核心
2025年第9期133-141,共9页
-
基金
国家重点研发计划项目(2022YFB4703600,2024YFC3013805)
应急管理部重点科技计划项目(2024EMST070703)
+1 种基金
贵州省科技计划重大专项项目(黔科合重大专项字[2024]029)
中煤科工集团重庆研究院有限公司院自立科研开发项目(2024YBXM52)。
-
文摘
针对现有即时定位与地图构建(SLAM)算法在煤矿井下巷道退化环境中易出现定位漂移甚至失效的问题,提出了一种融合退化因子的煤矿巷道SLAM算法。该算法以扩展卡尔曼滤波器(EKF)为框架,在惯性测量单元(IMU)与激光雷达(LiDAR)数据的基础上,融合编码器信息实现定位与建图。改进了退化因子计算方法,通过线面特征配准计算特征值与退化因子,通过退化因子的大小表征环境退化程度,实现环境退化评估;设计了基于退化因子的置信度融合机制,可在保持高精度定位建图的同时,显著提高系统鲁棒性;通过提高精度较高特征点权重、降低精度较低特征点权重的方式设计残差,提高退化因子表征准确性。实验结果表明:相比紧耦合激光雷达惯性里程计(LIOSAM)、激光雷达里程计与建图(LOAM)等现有算法,融合退化因子的算法对煤矿退化环境的适应能力更强,可稳定完成定位建图任务;该算法在退化环境下的定位误差为1.222 m,相比LIOSAM算法减小了26.506 m,在非退化环境下的均方根误差(RMSE)均值为0.116 m,低于LOAM和LIOSAM算法;该算法在巷道特征退化路段仍能稳定运行。
-
关键词
井下轮式机器人
即时定位与地图构建
巷道退化环境
退化评估机制
置信度融合机制
退化因子
激光雷达里程计与建图
-
Keywords
underground wheeled robot
simultaneous localization and mapping
roadway degeneration environment
degeneration assessment mechanism
confidence fusion mechanism
degeneration factor
LiDAR odometry and mapping
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名农业物联网中多传感器数据智能融合方法研究
被引量：9
- 2
-
-
作者
杨秋菊
韩乐
-
机构
西南石油大学
中国石油新疆培训中心
-
出处
《现代电子技术》
北大核心
2019年第20期29-32,共4页
-
基金
南充市市校科技战略合作项目(18SXHZ0041)
-
文摘
针对传统多传感器数据融合方法融合置信度较低的问题,提出一种农业物联网中多传感器数据智能融合方法,利用证据理论对农业物联网中多传感器数据的时空积累信息进行获取,利用获取的时空积累信息建立多传感器数据智能融合模型,通过该模型实现多传感器数据的智能融合。为了验证该方法的融合置信度,将该方法与基于Rough集理论的多传感器数据融合方法、基于数据信息转换的多传感器数据融合方法进行比较,实验结果表明,这三种方法的融合置信度分别是0.965,0.812,0.68。通过对比实验能够证明农业物联网中多传感器数据智能融合方法的融合置信度最高,充分说明了该方法相较于传统多传感器数据智能融合方法更加适用于农业物联网。
-
关键词
智能融合
数据融合模型
农业物联网
融合置信度
时空积累信息
对比验证
-
Keywords
intelligent fusion
data fusion model
agriculture IOT
fusion confidence coefficient
space-time accumulated information
comparison validation
-
分类号
TN915?34
[电子电信—通信与信息系统]
-
-
题名基于双置信度融合机制的半监督信号调制识别方法
- 3
-
-
作者
刘文学
苗昫宸
杨超三
宋留斌
李金海
邱昕
-
机构
中国科学院微电子研究所通信与信息工程研发中心
-
出处
《通信学报》
2025年第9期229-240,共12页
-
基金
国家重点研发计划基金资助项目(No.2022YFB3903900)。
-
文摘
针对复杂信道环境下调制识别对标注数据高度依赖的问题,提出一种基于双置信度融合机制的半监督信号调制识别方法。该方法采用基于自训练半监督学习的多通道卷积长短期深度神经网络(MCLDNN)框架,利用高阶累积量、瞬时参数与小波系数构建特征向量,通过高斯混合模型(GMM)聚类并评估聚类置信度,动态融合基于自训练的半监督学习模型置信度形成双置信度机制。在公开数据集RML2016.10b上的实验表明,该方法在0~18dB信噪比下对7种数字调制信号的平均识别准确率达97.78%,较传统半监督方法提升4.88%,接近全监督性能;模型收敛速度提升约20%,有效解决了传统基于自训练的半监督学习中模型认知闭环导致的过拟合问题,为低标注成本场景下的调制识别提供了高效解决方案。
-
关键词
调制识别
半监督学习
高斯混合模型
置信度融合
-
Keywords
modulation recognition
semi-supervised learning
Gaussian mixture model
confidence fusion
-
分类号
TN911
[电子电信]
TP391
[电子电信—通信与信息系统]
-
