清洁机器人路径规划matlab仿真程序

能实现web端以及手机端同时使用

2015年学校内部电源培训资料，对于即将参加比赛电源类题特有帮助

台湾大学MATLAB课程郭彦甫全英文PPT课件超详细的，不懂得可以加我微信问问macforyou1

基于视频的移动目标检测是一个重要且有挑战性的任务，在许多应用中都起到相当关键的作用。本次论文研读围绕该主题展开，深入阅读了十余篇论文，在本文总结了视频中移动目标检测的一些主要方法及各自的优劣。报告接下来的部分组织如下:第二节介绍一般问题的陈述及典型的应用,第三节与第四节分别介绍基于像素的移动目标检测方法与基于区域的移动目标检测方法,第五节进行简单的讨论与总结。2问题陈述及应用一般而言移动目标检测并不单独地构成应用,而是作为一个组件出现在许多实际的应用之中。故移动目标检测的具体要求随着应用的改变而有很大的不同。例如对足球场上球员及足球的检测与跟踪就和对视频中用户手势的跟踪有所不同,前者的关键在于如何应对复杂的光照变化有效提取运动物体,后者的难点则在于如何从整个躯休大范围的运动背景中将手势的运动识别并提取出来。尽管不同的应用可能提出不同的技术上的要求,但是相当一部分这类问题还是可以在同一的框架下进行探讨和比较的。以下就是本文讨论范围内一般问题的陈述( Figure1):a.高层次的模型一般具有检测、跟踪、识别三个模块,其中识别模块并不必须b.检测模块可细分为移动日标区域检测与移动目标分组,其中前者是这个模块能够顺利工作的保证,其日的是将各帧内移动日标所在的区域标出该模型的输入为连续的视频,输出为跟踪的物体(即轨迹)或分类的物体,DetectioTrackingbackgroundObject detectionMatching usingFramescolor texture andTrackedsubtractionusing contoursmotion featuresobiectsGr。 up handling(merging andlittonFigure1系统框架图中即为一个典型的流程图,其中省略了分类模块并把运动目标区域检测规定为背景差分方法。该模型的典型应用场景是室内外的视频监视分析( Figure2),特别是交通数据的分析。另外体育运动视频(如足球或台球)的分析也能在该模型下解决。Figure2移动目标检测的典型应用:视频监控本文讨论的就是这样一个系统之中移动目标检测部分内容,并且将重点放在了如何判定移动目标区域的部分。这是这样的系统中的最初的处理,对于之后的处理能否获得有效的信息至关重要。该内容主要涉及两个问题:如何提取运动的前景,及如何建立一个良好的背景模型。后者一般并不是应用任务中所要求完成的,但往往是用以提取运动前景很好辅助工具,将新的一帧“减去”背景即可获得移动前景,故同时具有这两个步骤的方法也被称为“背景差分”,是移动目标检测中的一大类主流方法,本报告中涉及的大部分方法即属于这一类3基于像素的移动目标检测31均值-阈限方法均值-阈限( Figure3)的基本思路是计算每个像素的平均值和标准差作为它的背景模型Mean 2*Avg DiffMean”Mean-2*Avg DiffFigure3均值-國限方法4图中为某视频中单个像素在一定时间内不断更新得到的平均值和平均差值3,该像素处在天空的位置,在一段时问后有人的手挥过该区域,可以看到由于前景目标明显不如背景中的天空明亮,所以可以很容易将其分辨出来实际上均值-阈限方法就是赋予视频中每个像素一个统计上的背景模型,例如高斯分布模型4。每个点需要两个参数来衡量:均值与方差。后面将看到,许多更先进的棊于像素的移动目标检测方法其实无非采用了更复杂的分布模型来描述每个像素32阴影去除及三高斯模型简单的帧差值或均值-阈限方法在很多应川中都面临一个很严重的问题:阴影。在某些光照条件下,移动物体产生的阴影相对背景具有非常显著的差别从而被识别成了前景,有时这些阴影比物体本身还人,并且导致原本独立的运动物体连接在一起无法分割。一种简单的思路是放弃使用灰度值进行背景建模,而采用颜色信息从而将阴影的移动去除掉。这类方法需要一条假设:移动目标投射到路面上的阴影主要改变了该位置的亮度而对色度没有大的影响°。部分情况下确实可以承认该假设。在不同的颜色模型下有不同提取亮度信息的方式。在HSV等空间中这个任务尤为简单,因为亮度本身就是一个独立的分量,所以在该分量以外的维度上进行背景建模与差分就能消除一定的阴影。如果在常用的RGB颜色空间中,亮度的提取就稍微复杂倒。Figure4RGB空间中的亮度与色度3类似标准差的作用,但是计算更快捷。C.R. Wren, A Azarbayejani, T. Darrell, and A P Pentland "pfinder Real-Time Tracking of the human body lEEETrans. Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 780-785, July 1997J.M. Alvarez, A Lopez, and r Baldrich, " Illuminant-Invariant Model-Based Road Segmentation",IEEE IntelligentVehicles Symposium, June 20085将一个像素的颜色值在RGB三维空间中表示( Figure4),背景建模就是确定了穿过原点的一条色度直线,所有在该直线上的颜色都认为是背景色。当前颜色相对参考颜色(背景)的亮度分量a1由最小化下式给出:φ(a;)=(l1-c1E)2a2表示该像素当前值相对参考背景色的相对亮度。如果其值为1则代表亮度相同,大于1代表比背景更亮,小于1代表比背景更培当前颜色到色度直线的垂直距离就表小色度的偏离:CD1=‖l2-aE1‖(3)利用色度与亮度的偏离值就可以将新的颜色值分为四个类别Forground: CDi> IcD or ai> Alow, elseM()Back ground:aτa2else(4)ShadowelseHighlightotherwise其中CD2与a分别代表均一化之后的两个偏离分量。这些方强烈依赖于上面提到的假设:阴影仅仅改变背景亮度而不改变色度。但是这个假设实际上并不总是有效,很多时候还需要更复杂的方法达到去除阴影,鉴别真正移动目标的目的。三高斯模型4就是针对去除阴影的考虑提出的。这个模型中采用三个高斯分布相结合( Figure5)对各像素进行建模。三个高斯成分分别为:道路、运动前景及阴影。这三个成分组合成为了完整的混合模型(b)和印甲品f叫intersity valeFigure5三个高斯分布相结合6此方法之后面临的主要问题是如何通过一定时间的学习获得每个高斯分布的参数从而建立有效的模型。相关文献中提出采用EM算法( ExpectationMaximization Algorithm)进行学习。EM算法是一个迭代的算法,通过有限步的迭代就能够获得较好的模型估计。一般而言,为了从一个数据集中获得该数据集满足的混合分布,可以采用最大后验概率估计的方法进行估计,但是这样的方法需要关于每个数据分类的信息(即每个值属于哪个类别)。然而在移动目标检测过程中往往都是无监督的学习从而不可能获得这样的分类信息,而只能自动设定个预先的分类,然后通过迭代不断改进,这就是EM算法的基本思路另外,由于各点的数据是不断改变的,于是采川原始的EM算法对每一帧都进行重复的迭代既不必要也不现实,可以采用EM算法的一个变种:增量EM算法33高斯混合模型(GMM331背景建虞在某些场景之下,采用三个高斯分布的混合模型仍然无法有效地描述复杂的现实环境,于是髙斯混合模型四被提出了。高髙斯混合模型采用类似3.2中三个髙斯模型的思路,希望采用多个高斯分布相结合的方法来描述环境。与前面的模型不同的是,现在高斯分布的个数不是固定的一个或三个了,而是随着各个像素实际的需要动态地进行设定。另外该方法也放弃采用费时的EM算法而采用更快捷的方式进行背景建模与更新。假设已知像素(xo,y)在过去一段时间中的颜色值或灰度值{X1,…,X}={(xo,yo,):1≤i≤t(5)若由K个高斯分布的高斯混合模型对该像素进行建模,则新观察到一个颜色值或灰度值的概率为P(x1)=)o*n(x,,E(6)在RGB等彩色空间中为了简化计算可以采用如下公式k,t7)A Dempster, N. Laird, and D. Rubin, "Maximum Likelihood from Incomplete Data via the EM algorithm", Journalof the Royal Statistical Society, pp. 1-38, 1977这个公式假设了各个颜色分量是相互独立的。尽管事实并不如此,但这样计算在保留充分的精确性的同时大大降低了计算复杂性。这样每个像素就采用κ个峰的髙斯混合模型完成了建模。剩余的问题同样是如何对模型中的各个参数进行估计,以及如何判别前景。3.3.2背景更新背景更新大致有这几个步骤:a.每一个新的值都与所有K个高斯分布进行匹配,直到找到充分吻合的分布(判断方式与均值-阈限方法类似)b.若新的值与所有K个分布都不接近,则将K个分布中权值最小的一个替换成一个新的分布,该分布以新的值为均值,并且具有很高的初始方差和很低的初始权重;C.若新的值与某个分布充分接近,则认为其属于该分布并更新各个分布的权值及参数Ort=(1-aOKt-1+aM(8)=(1-p)ut-1+p·X(9)=(1-p)21+p(X-1)(x-2)(10)here(kok(11)其中(8)式中Mkt对于匹配上的分布唯1,对于其他分布为0α表示适应性的强弱,α越大,给予新的值的权重越大,也就适应得越快;(9)式(10)式仅针对匹配上的分布,而其他分布的参数保持不表3.3.3前景检测运动前景的检测主要有以下几个步骤a.对所有的高斯分布按照ω/σ进行从大到小的排序;b.取前B个高斯分布,满足B= argminkT(12)k=其中T表示背景应该占的比重,如果T取得较小则类似于前面介绍的均值阈限模型,T取得较大则允许背景有更丰富的特性,如随风摆动的树叶或水面的波纹等等。C.如果当前出现的新的值并不符合这B个高斯分布,则认为是运动的前景,否则认为是背景。34非参数模型341背景建模为了能够更快速地适应变化的背景,并且保证对移动物体的敏感性,马里兰大学A. Elgammal等人提岀采用非参数的模型四对各个像素进行建模。该方法并不指定确切模型形式,而釆用核旳数来利用历史薮据建立模型。在釆用高斯核的情况下,一个颜色出现的概率’∑K(x-x∑∏1(13)2这样实际上就是对考虑范围内所有的历史值都建立一个高斯分布,并利用所有这些分布对当前值进行分析。由于高斯分布的假设,故(x1+1-x1)~N(0272),于是可以估计方差(14)0.68V2其中m是|x+1-xl的中位数。号外由于在这种方法下需要大量计算核函数的值,故可以预先计算出一定精度的核函数数据表,通过查表的方法大大加快计算的速度。实验表明这样的方法在一般的PC机上是可以达到实时的计算要求的。34.2减少错误检测为了降低由于局部抖动(如树叶抖动、摄像机抖动)带来的错误检测,该方法利用了一定的区域信息。原先的P(x1)现在改用Pm(x代替PN(t= maxyEN(x)Prix Byy(15)此处N(x)指该像索周围的一个小区域,B指像素y对应的背景模型。这样就充分降低了由于小范围抖动导致的错误检测。7该式成立仍然需要假设各个颜色分量相互独京。9该方法需要维护两个背景模型:长期模型及短期模型。其中短期的模型是为了能够快速适应变化的背景而提出的,仅利用相当短的一段历史值建立模型,另外该模型采用选择更新机制(仅对判定属于背景的值进行更新);长期的模型在相当长的时间内通过盲更新机制(对所有值进行更新)获得。两个模型判定结果的交集能够进一步降低错误的检测,但同时也去除了部分实际上是移动目标的部分。最终采用的策略为:所有由短期模型检测出来,并且与两个模型判定结果交集相邻的像素被视作运动的前景3.4.3去除阴景这个方法同样提到了去除阴影的问题( Figure6)采用RGB颜色模型的一个变种表示颜色:RBR+G+B·9=R+G+Bb=R+G+B′(16)s=RtG+B(17)令A为某个像素在一定时间内的取值,而定义B如下B={x1|x∈A≤≤阝(18)其含义就是该像素过去的背景取值中与当前值亮度接近的值的集合利用B中的值在(r,g)二维空间上进行上述的背景建模及前景检测,就能很有效地消除检测的阴影。Figure6非参数模型下的阴影去除4基于区域的移动目标检测从上面的介绍的方法来看,建立的背景模型越来越复杂:高斯分布的个数从一个到三个,再到K个,再到每个历史值各一个。这样的背景模型已经具有了高度的复杂性,但是在有些应用环境下效果仍然并不理想。反思一下这些方法的特点,仅仅利用各个像素的独立信息而没有考虑像素之间的关联性是键的原因。其实在3.42中采用方法实际上已经开始尝试以局部区域作为考虑问题的范围,

ITD分解 matlab程序

直流电源主要由电源变压器、整流电路、滤波电路和稳压电路四部分构成，输出+5v，+15 v，+12v，-12的直流稳压电路图。

对船舶数学模型的各个推进器参数进行系统辨识，具有实际价值李文华,等:船舶动力定位系统数学模型参数辨识方法研究针对动力定位技术的发展,我国研究人员也进表1离散时间摘要扩展卡尔曼滤波行了积极有益的探索。文献[]用固定增益的卡尔f(k+1)=F((k),(k)+vw(k)曼滤波估计低频运动,而高频运动则用一个参数模系统模型量测|/(k)~N(O,Q(k》)x(k)=H((k)();型来模拟,并用递推增广最小二乘法来估计参数,从u(k)-N(0,Q(k)而估计出船舶的髙频运动。通过控制计算和模拟试初始情况1(0)+5np(0)=验取得了良好的效果。文献[12]提出了水面舰船动力定位控制系统模型参数的离线最速下降寻优的状态估计传递|(k+1)=F((k),()误差协方差传递辨识方法,提高了动力定位系统研制过程的工作效P(h+1)=(h)P()(k)+r(kQ(k )r(k)率。文献[13]在建立船舶三维几何模型基础上,对K()=P(k)HT(k)H()(kH()+R()]-满载船舶从浅水40m到深水500m的水动力系状态估计更新)=()1)((数进行数值计算。利用三维线性势流理论在频域误差协方差更新P)=kk)H(FLK)H()y里研究船舶在浅水中的辐射问题,应用三维源汇分K()R(k)K(k)布法对不同水深下船舶运动的水动力系数,包括附定义φ(k)=0()JH(-)加质量和阻尼系数进行数值计算与分析,得出了有(k)H(k)=0(k)限深水域的附加质量和阻尼系数的渐进特性。文献14]考虑具有修正PM波谱的长峰不规则浪,基于尾部隧道式侧推m,艏部隧道式侧推,艄部方海浪幅值响应算子(RAO研究了船舶在海浪中的六角式推进器。质量阵M可利用文献9]里介绍自由度运动预报模型。为了有效地量化海洋环境对的 Strip Theory计算得到:动力定位船舶的作用,文献[5提出了海洋环境负从/1127400018902-00744载(包括风、海浪和海流)的建模方法,并运用00.07440.1278MATLAB的M文件和SIMUⅠNK分别编制了风干为了得到需要辨识的量需重复进行3项(每项扰力和力矩计算及随机海浪的仿真程序。在三级海2次,共6次)海上试验,以此提高参数估计器的收况下,实现了对海洋环境的仿真,得到了合理的仿真敛性和表现。具体如下结果。文献[1]考虑到船舶的动态特性存在固有的第1项:解耦了的纵荡运动。船舶仅依靠主螺强非线性以及非线性控制改善系统性能和鲁棒性的旋桨山和实现恒速前进,艏向通过艏侧推控制。能力,将非线性控制理论应用到船舶动力定位控制第2项:结耦了的横荡与艏摇运动。通过三个隧道系统的设计中,对某供应船的计算机模型进行仿真,式推进器砌、4、实现两次结耦了的横荡与艏摇运验证了非线性控制系统是有效的。文献[17]提出并动。第3项:在结耦的横荡与艏摇运动中得到方位验证了基于线性核函数在线支持向量回归的模型预角式推进器u的推力系数K6测控制方案。在线支持向量回归算法的引入可以通第1项是为了计算主螺旋桨的推力系数K1和过在线调整,确保预测模型的精确性。Xa,需要的输入量是X本文中X的计算方法是利22船舶数学模型参数辨识用文献[19]里介绍的切片法。第2项是为了计算结文献[18]讨论了使用两个并行测量序列来估计耦了的横荡与艏摇运动的参数数值,可以辨识出的动力定位船舶模型参数的离线并行扩展卡尔曼滤波向量为[ YYNNK3K5]第3项是为了计算全方器算法(O- line parallel extended Kalman filter位推进器的推力系数K6( EKF) Algorithm),见表1。最后采用一项以供给船使用动量方程来代替标准动力学方程,不仅可为对象的全尺度的海上试验来验证提出的参数估计以显著提高状态和参数估计器的性能还具有以下器的收敛性和鲁棒性。优点:实验对象以挪威ABB公司的“ Far Scandia”号供(1)增加数据冗余度;给船为原型。该船总长762m,船宽18:8m,型深(2)降低量测噪声;825m,吃水625m,净吨位4200t,主发动机功率(3)降低环境干扰;3533kW。推进器配置左右舷两个主推进器u1、l2,(4)增加数据记录长度第23卷第3期(总第135期)船羔vd.23N.3012年6月shiP boatJune, 2012(5)以对参数分批进行辨识等手段提高参数辨风。将风速分量定义为识的精确度。L=v,cos(ψ图2显示了实验辨识得到的A和。其中A包(5)W V sin(B-0)含的待求未知量[XyYM而R包含的待求末式中和v分别为风速在X轴和Y轴的分量;v知量是[kk2k3k4k5k6]。和月分别表示风速和风向。如图1所示。假设风速远大于船速,风在纵荡、横荡和艏摇方向的负荷向量可表述为As elements.pAcM(o)V, IV0.5p.A_C-(r )V,V6)0.SpA,Lo C(rm)VV.式中,风的相对角为y=ψp为空气密度,单位e号为kgm3;Lm为船舶总长,单位为m;V为相对风速,103K elements单位为kn;A-和A为正投影面积和侧投影面积,2015单位均为m2;C(y)Cn(y)和C(4)分别为纵荡横荡和艄摇方向的无因次风系数,是通过 Isherwood半经验公式得到的。00003,波浪扰动数学模型波浪干扰力一般分为两种:一种是一阶波浪干图2实验辨识得到的参数曲线扰力,也称高频波浪干扰力。这是在假设波浪为微幅波,未引起船舶大幅摇荡的情况下,认为船舶受到经实验辨识出的动量方程中的量:与波高成线性关系并且与波浪同频率的波浪力。另0.03180种是二阶波浪力,也称波浪漂移力该波浪力与波A000602006l8高平方成比例。0.0075_0.2454这种具有高频率小振幅振荡特性的波浪所产生K=103ding([93,93,20,2.0,28,26]的一阶波浪干扰力最主要是引发船舶的纵摇和垂荡经过计算公式D-M得到运动,对横摇的影响稍次之,而对横荡及艄摇运动的002820影响相对来说就小一些。至于具有慢时变特性的二00.0130475900.081419676阶波浪干扰力,本身同时又是非线性的,它仍然和波写成动力定位模式下的状态空间表达式为:浪的频率有关。波浪的二阶漂移力不但会改变船舶元=AU+Bx(4)疔的航向和航迹,尤其对于在锚泊状态下船舶位置的移动及钻井平台的动力定位系统的工作等均有式中A=MA4M,并且B=MTK。其数值表达式为:重要影响00318000.062800030下面介绍一种估算二阶波浪漂移力方法。19740.0046-0.2428年, Newman提出一种应用频域波浪漂移力系数的0008200082000估算方法。通过把波谱(通常选用PM谱)分为N0∞505-069000108等份,每份有相对应的波浪频率m和波幅A。这样波浪漂移力对横荡、纵荡、艏摇运动的作用力计算公3环境扰动数学模型式为131风扰动数学模型A,(T(W,B=-y)1(W+)风的作用可分为平缓变化的风和快速变化的李文华,等:船舶动力定位系统数学模型参数辨识方法研究[5] Fossen T L. Handbook of Marine Craft Hydrodynamics and式中,T()x0是频域波浪偏移力公式fB是平均Motion Control[M]. Wiley Sons Ltd, 2011: 81-83.波浪方向:是随机的相角。[6] Balchen J G, Jenssen N A, Saelid S Dynamic Positioning可以通过对本估算式进行改变,以避免在数值Using Kalman Filtering and Optimal Control Theory[C]/上产生无物理意义的高频分量。还可对本式进行扩Proceedings of IFAC/IFIP Symposium on Automation in展,用来包括波浪蔓延( wave spreading)。Offshore Oil Field Operation Norway 1976: 183-18633海流扰动数学模型[7]Balchen J G, Jenssen N A Mathisen E, et al. Dynamic作用在海上动力定位船舶上的海流具有方向和Positioning System Based on Kalman Filtering and OptimalControl[J]Modeling, Identification and ControL 1980, 1(3)速度的特征,研究中一般不考虑在大地坐标系下铅135-163垂方向运动。海流分为恒定流和潮汐流。恒定流一般[8] Strand JP, Fossen t inonlinear Passive Observer Design为固定方向和速度的海流,如洋流。潮汐流指海洋for Ships with Adaptive Wave Filtering, In: New Directions因为潮汐运动而引起的海水流动,其典型的表现为in Nonlinear Observer Design(Nijmeijer H, Fossen T L)海流方向的缓慢变化。但对于动力定位来说,海流[M].London: Springer-Verlag London Ld, 1999: 113-134的大小与方向可以认为是确定的,所以海流的模型[9] Guttorm t, Jerome J, Fosset I. Nonlinear Dynamic可以统一按照大小和方向恒定来确立。流的速度分Positioning of Ships with Gain-Scheduled Wave Filtering量表示为5:[C]//The Proceedings of 43rd IEEE Conference orL=V2cos(ψ)Decision and Control, Atlantis, Paradise Island, BahamasDecemher2004:5340-5347ve=y sin(8-n)式中:和v分别为流速在X轴和y轴的分量;V10 i Do K d. Global Robust and Adaptive Output FeedbackDynamic Positioning of Surface Ships[C]/The Proceedings和月分别代表流速和流向。如图1所示。of 2007 IEEE Internati在此没有考虑第摇方向的流速,而海流对水面Automation. Roma, April 2007: 10-14船舶的作用可以通过将各海流速度分量引人到船的1]王晓声船舶动力定位系统设计及试验研究门J国造运动方程中由相对速度向量v=[u-,-a,r丁体现。船,1991(3):12-21[12]边信黔,严渐平,施小成船舶动力定位系统参数辨识4结论方法的研究[J]船舶工程,19994):36-38[13]姜哲,石珦,王磊动力定位船舶水动力参数数值试验本文讨论了船舶及推进器动力学数学模型与船研究[门]实验室研究与搡索,2005(12):14-17.舶外界环境干扰因素数学模型的建模策略。通过对14]李文魁张博田蔚风等.一种波浪中的船舶动力定位已有研究方法的分析研究与总结,有助于建立适用运动建模方法研究[]仪器仪表学报,2007(6):1051于各种海况和操作模式的船舶动力定位系统非线性数学模型。[15]施小成王元慧船舶动力定位海洋环境的建模与仿真J,计算机仿真,2006(11):237-239[16]刘芙蓉陈辉基于非线性控制理论的船舶动力定位控[参考文献制系统的数学模型[〕船海工程,209(5):92-95[1]杜佳璐,张显库汪思源,等船舶动力定位系统的自适[17]邓志良,胡寿松,张军峰船舶动力定位系统的在线模应非线性控制器设计[ C]/proceedings of the2 g chinese型预测控制[门中国造船,2009(6):879Control Conference. Beijing, 2010: 585-589.[2]周利,王磊,陈恒动力定位控制系统研究[船海[18] Fossen T I.Identification of Dynamically Positioned Shipe[].Control Engineering Practice, Volume 4, Issue 3, March程,008,37(2)86-911996:369-376[3]马超庄亚锋陈俊英船舶动力定位系统技术[J中国[19] FaltinsenO M Sea Loads on Ships and Oishore Structures造船,2009,50(增刊):52-57[4]贾欣乐,杨盐生船舶运动数学模型机理建模与数学建[M].Cambridge University Press, 1990:41-45模[M]大连大连海事大学出版社,199:294-356船舶动力定位系统数学模型参数辨识方法研究旧WANFANG DATA文献链接作者:李文华,杜佳璐,张银东,宋健,孙玉清,陈海泉, LI Wen-hua, DU Jia-luZHANG Yin-dong, SONG Jian, SUN Yu-ging, CHEN Hai-quan作者单位李文华,张银东,宋健,孙玉清,陈海泉, LI Wen-hua, ZHANG Yin-dong, SONG Jian, suN Yu-qing, chen Hai-quan(大连海事大学轮机工程学院大连116026),杜佳璐, DU Jia-lu(大连海事大学信息科学技术学院大连116026)刊名:船舶英文刊名:Ship boat年,卷(期):2012,23(3)参考文献(19条1. Balchen J G; Jenssen N A; Mathisen E Dynamic Positioning System Based on Kalmon Filtering andOptimal Control 1980(03)2. Balchen J G; Jenssen N A; Saelid S Dynamic Positioning Using Kalman Filtering and Optimal ControlTheory 19763. Fossen T I Handbook of Marine Craft Hydrodynamics and Motion Control 20114贾欣乐;杨盐生船舶运动数学模型机理建模与数学建模19995.马超;庄亚锋;陈俊英船舶动力定位系统技术2009(增刊)6.周利;王磊;陈恒动力定位控制系统研究[期刊论文]船海工程2008(02)7. Faltinsen 0 M Sea Loads on Ships and Offshore Structures 19908. Fossen t I Identification of Dynamically Positioned Ships 19969.邓志良;胡寿松;张军峰船舶动力定位系统的在线模型预测控制2009(06)10.刘芙蓉;陈辉基于非线性控制理论的船舶动力定位控制系统的数学模型[期刊论文]船海工程2009(05)11.施小成;王元慧船舶动力定位海洋环境的建模与仿真[期刊论文]计算机仿真2006(11)12.李文魁;张博;田蔚风一种波浪中的船舶动力定位运动建模方法硏究[期刊论文]仪器仪表学报2007(06)13.姜哲;石珣;王磊动力定位船舶水动力参数数值试验硏究[期刊论文]实验室硏究与探索2005(12)14.边信黔;严浙平;施小成船舶动力定位系统参数辨识方法的硏究[期刊论文]船舶工程1999(01)15.王晓声船舶动力定位系统设计及试验研究1991(03)Do K d Global robust and Adaptive Output Feedback Dynamic Positioning of Surface Ships 200717. Guttorm T; Jer(o)me J; Fossen T I Nonlinear Dynamic Positioning of Ships with Gain-Scheduled WaveFiltering 200418. Strand J P; Fossen T I Nonlinear Passive Observer Design for Ships with Adaptive Wave Filtering19.杜佳璐;张显库;汪思源船舶动力定位系统的自适应非线性控制器设计2010本文链接http://d.g.wanfangdata.comcn/periodiCalcb201203011.aspx

分享一本桥梁结构分析书籍，希望对大家有帮助，针对桥梁结构的有限元原理和ansys分析方法。

基于SPWM的电机矢量控制，入门的好资料，matlab 7.1平台进行编写

清华大学深圳研究生院的袁春老师为《统计学习方法》一书制作了完整的课件。感谢袁老师，同时推荐大家使用。