为了提高实时以太网控制系统的运行效率和通信性能,在EPA(Ethernet for Plant Automation)确定性通信调度的基础上提出了一种功能块执行方法。该方法将现场设备中所有需要远程通信的功能块整合为功能任务,并且按照功能块执行与数据通信...
详细信息
为了提高实时以太网控制系统的运行效率和通信性能,在EPA(Ethernet for Plant Automation)确定性通信调度的基础上提出了一种功能块执行方法。该方法将现场设备中所有需要远程通信的功能块整合为功能任务,并且按照功能块执行与数据通信周期同步的原理确定了功能任务的执行规律:功能任务在单个通信宏周期中只能单次执行,当周期报文空窗期满足功能任务执行需求时,功能任务在周期报文传输任务结束时执行;当周期报文空窗期不能满足功能任务执行需求时,功能任务在非周期报文传输任务结束时执行。实验证明,该方法实现了系统中功能任务与通信任务的周期同步,避免了功能块的无效执行与数据的无效传输,提高了系统的运行效率和通信性能。
因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定...
详细信息
因无人机机载激光雷达(Light detection and ranging,LiDAR)数据具有离散性,在生成数字高程模型(Digital elevation model,DEM)时需选择有效插值方法。以荒漠植被区为研究背景,使用零均值标准化方法归一化点云回波强度,利用肘方法确定最佳聚类数目,采用K-means方法对点云强度值聚类得到地面点云。在此基础上,采用克里金(Kriging)方法插值抽稀率为20%和80%的地面点云数据,且将点云高程作为变量,建立RBF神经网络预测模型,并通过线性回归检验方法对模型进行精度分析,采用Delaunay三角网内插生成高精度DEM。结果表明:采用K-means方法实现最佳聚类数目为4的聚类,得到地面点云48722个,在点云较优抽稀率20%的情况下,径向基函数神经网络(Radical basis function neural network,RBFNN)训练时间为56s,点云高程预测的决定系数R2为0.887,均方根误差RMSE为0.168m。说明使用RBFNN对K-means聚类滤波得到的地面点云进行高程预测效果较好,可为基于点云构建高精度DEM提供参考。
暂无评论