作者单位
摘要
1 中国海洋大学信息科学与工程学院, 海洋遥感研究所, 山东 青岛 266100
2 青岛海洋科学与技术试点国家实验室, 区域海洋动力学与数值模拟功能实验室, 山东 青岛 266237
3 青岛镭测创芯科技有限公司, 山东 青岛 266101
当气流经过风电机组的扫风平面时, 风电机组下风处产生的尾流效应会对风电机组的发电效率、疲劳载荷产生不同程度的影响。基于相干多普勒测风激光雷达在江苏某海上风电场开展了全天候风场观测实验。由于紧邻风电机组的尾流垂直截面上风速呈双高斯分布规律, 利用传统单高斯拟合算法存在计算误差较大, 无法反映真实流场风速变化规律, 提出了一种单-双高斯模型拟合改进算法, 分析了目标风电机组尾流的尾流宽度、风速损失率和尾流长度等参数特征, 研究结果验证了单-双高斯拟合算法对尾流横向风速拟合的可行性和准确性。
多普勒测风激光雷达 风电机组 尾流效应 高斯模型拟合算法 Doppler wind lidar wind turbine wake effect Gaussian model fitting algorithm 
大气与环境光学学报
2021, 16(1): 44
作者单位
摘要
中国原子能科学研究院, 北京 102413
胆酸钠相较于常规表面活性剂有着特殊的自组装行为, 这是由于胆酸钠具有独特的刚性类固醇骨架以及双亲面式结构导致的。通过小角X射线散射并辅以等温滴定量热实验、Zeta电位测量对胆酸钠的自组装行为进行表征, 发现了胆酸钠受浓度变化影响的自组装行为发生变化以及胆酸钠自组装体存在最大尺寸。分析讨论了导致自组装行为变化的两种驱动方式, 即疏水作用驱动的结合方式与分子间羟基形成氢键的结合方式, 并发现在20 mg/mL浓度范围时, 两种驱动方式达到平衡, 随着浓度进一步升高, 逐渐变为以分子间羟基形成氢键的驱动方式为主导。通过对小角X射线散射结果进行模型拟合分析, 得出具体的胆酸钠形貌尺寸信息, 胆酸钠自组装体长轴半径在13.5~41.2之间, 短轴半径在9.6~11.4 之间, 达到40 mg/mL浓度范围时, 胆酸钠自组装体达到最大尺寸不再继续增大。
生物表面活性剂 胆酸钠 自组装 小角X射线散射 模型拟合 Biosurfactant Sodium cholate Self-assembly Small-angle X-ray scattering model fitting 
光散射学报
2020, 32(4): 343
王潇 1,2刘育梁 1,2,*李丽艳 1,2
作者单位
摘要
1 中国科学院半导体研究所光电系统实验室, 北京 100083
2 中国科学院大学材料与光电研究中心, 北京 100049
针对光栅结构光系统测量误差对拟合结果的影响,提出了一种基于测量环境的误差确定方法。统计不同光源环境及测量距离下的高度测量误差,利用参数或非参数拟合获取其概率密度函数,将上述误差连同平面测量误差一起添加至理想平面模型,通过最小二乘法仿真计算出模型的法向量及定点坐标。实验结果表明:该方法得到的模型参数与根据真实测量数据计算得到的数值基本一致,法向及定点误差分别低于0.001 rad和0.233 mm;所提方法能有效解决光栅结构光系统在不同环境下测量结果精确度不高的问题,此外还能应对实际点云因数据缺失等因素而难以实现高精度拟合的情况,为后续误差校正提供依据。
测量 光栅结构光 测量误差 概率分布 模型拟合 最小二乘法 
中国激光
2020, 47(6): 0604004
胡波 1吴超鹏 2杨永 1张旭 1[ ... ]陶军 1
作者单位
摘要
1 广州海洋地质调查局,广东 广州 510075
2 浙江大学 海洋学院,浙江 舟山 316021
根据光传输理论和水体光学衰减规律,提出了水下光源主光轴上光谱辐照度随距离分布的理论模型,确定了模型结构。在此基础上,采用数值计算的方法对模型中各待定参数进行求解,根据模型结构特点提出了对不同参数进行分步拟合的思路并给出了具体的参数求解方法。为了验证建模方法的准确性和可行性,根据水下光源实测数据进行建模并对模型的精度进行了评估。结果显示:模型拟合数据与水下实测数据吻合程度较高,拟合误差的方均根值仅为实测数据方均根值的4%,说明模型拟合精度较高。该方法有望用于水下光场建模、水下图像处理等应用领域。
水下光源 水下光场建模 模型拟合 underwater light source underwater light field modeling model fitting 
红外与激光工程
2019, 48(9): 0910001
作者单位
摘要
陆军工程大学石家庄校区, 石家庄 050003
为了提高随机抽取一致性算法(RANSAC)的效率和精度,提出了一种基于采样优化的随机抽取一致性算法。首先通过匹配点的相似性度量计算匹配点先验概率,根据先验概率随机抽取最小子集估计模型,在全部数据上检验模型,依次迭代找到次优模型;然后以次优模型对应的内点集作为采样的初始集,随机抽取最小子集估计模型,并在全部数据上检验模型,若模型更好则更新采样初始集,依次迭代找到最优模型;最后,选择最优模型获得符合该模型的内点和最终的模型参数。选取多对不同变换的图像作为实验数据,从算法运行效率和模型精确度两方面对算法进行了测试实验。实验数据表明,本文算法的迭代次数约为标准RANSAC算法的20%,运行时间约为标准RANSAC算法的25%,标准误差降低了30%左右。本文算法充分利用了匹配点的先验知识和模型检验结果对采样模式进行优化,算法的运行效率和精度都有较大提高。
模型估计 RANSAC算法 先验概率 采样优化 基础矩阵 model fitting Random Sample Consensus (RANSAC) algorithm prior probability sampling optimization fundamental matrix 
电光与控制
2018, 25(7): 34

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!