《中国少年先锋队章程》最新版
中国少年先锋队第五次全国代表大会审议通过了《中国少年先锋队章程修正案》。章程中，对少先队性质作了阐述，并规定了入队年龄、队歌、入队誓词等条款，是少先队的重要资料。队章的修改使队章既符合变化了的实际，内容更加充实和完整，又保持基本内容的稳定。同时进一步突出了时代特色和儿童特色，体现了对少年儿童身心特点和成长规律的尊重，进一步强调了少先队组织的正面教育。
队章对少先队性质作了进一步阐述。。根据共青团第十五次全国代表大会通过的《中国共产主义青年团章程》第九章第三十八条团同少年先锋队的关系中对队的性质的规定，将“我们队的性质”修改为“是少年儿童学习中国特色社会主义和共产主义的学校”。
少先队是由中国共产党创立并被委托中国共青团领导的群众性的儿童组织。队章修改了入队年龄。因《中华人民共和国义务教育法》第五条规定：“凡年满6周岁的儿童，不分性别、民族、种族，应当入学接受规定年限的义务教育。”根据少先队“把全体少年儿童组织起来”的组织发展方针，将队员入队年龄下限由7周岁改为6周岁。
队章增加了条款。将早已确定并广为传唱的中国少年先锋队队歌《我们是共产主义接班人》写入了少年先锋队章程。
队章增加了入队誓词的条款。少年儿童在入队仪式上都要进行宣誓仪式，誓词是由共青团三届三中全会于1958年6月通过并公布，一直沿用到今天，内容是：“我是中国少年先锋队队员。我在队旗下宣誓：我决心遵照中国共产党的教导，好好学习，好好工作，好好劳动，时刻准备着：为共产主义事业，贡献出一切力量!”这一誓词一直没有写入队章。本次大会根据当前的实际对誓词内容做出了部分调整并写入队章：“我是中国少年先锋队队员。我在队旗下宣誓：我热爱中国共产党，热爱祖国，热爱人民，好好学习，好好锻炼，时刻准备着：为共产主义事业贡献力量。”
队章把“我们队的奖励和处分办法”修改为“我们队的奖励和批评”，使其内容更加符合少年儿童的年龄特点和成长规律，进一步突显了少先队组织的自我教育功能。相关内容的修改体现了以人为本，淡化了训诫的成分，增强了沟通交流;淡化了单向灌输，增强了双向互动;淡化了权力意识，增强了平等氛围，做到了以理服人，以情感人。1954年6月1日，根据党中央的决议，共青团中央正式公布了《中国少年先锋队队章》。此后曾多次修改。原队章是2000年6月3日在第四次全国少代会上修订通过的。
下面是中国少年先锋队章程全部内容：
一、我们的队名：中国少年先锋队。
二、我们队的创立者和领导者：中国共产党。委托中国共产主义青年团直接领导我们队。
三、我们队的性质：
是中国少年儿童的群众组织，是少年儿童学习中国特色社会主义和共产主义的学校，是建设社会主义共产主义的预备队。
四、我们入队的目的：
团结教育青少年儿童听党的话，爱祖国、爱人民、爱劳动、爱科学、爱护公共财物，努力学习，锻炼身体，参与实践;培养能力，立志为建设中国特色社会主义现代化强国贡献力量，努力成长为社会主义现代化建设需要的人才，做共产主义事业的接班人，维护少年儿童的正当权益。
五、我们的队旗：
五角星加火炬的红旗是我们的队旗。五角星代表中国共产党的领导，火炬象征光明，红旗象征革命胜利。五角星加火炬和写有“中国少先队”的红色绶带组成我们的队徽。
六、我们的队歌：《我们是共产主义接班人》。
七、我们的标志：红领巾。
它代表红旗的一角，是革命先烈的鲜血染成。每个队员都应该佩戴它和爱护它，为它增添新的荣誉。
八、我们的队礼：
右手五指并拢，高举头上。它表示人民的利益高于一切。
九、我们的呼号：“准备着：为共产主义事业而奋斗!”回答：“时刻准备着!”
十、我们的作风：诚实、勇敢、活泼、团结。
十一、我们的队员：
凡是6周岁到14周岁的少年儿童，愿意参加少先队、愿意遵守队章，向所在学校少先队组织提出申请，经批准就成为队员。队员入队前要为人民做一件好事。要举行入队仪式。队员是少先队组织的主人，在队里都有选举权和被选举权，可以对队的工作和队的活动提出意见和要求。每个队员都要遵守纪律，服从队的决议，积极参加队的活动，做好队交给的工作，热心为大家服务。优秀的少先队员可以由队组织推荐作为共青团的发展对象。超过14周岁的队员应该离队。由大队举行离队仪式。
十二、我们的入队誓词：
我是中国少年先锋队队员。我在队旗下宣誓：我热爱中国共产党，热爱祖国，热爱人民，好好学习，好好锻炼，准备着：为共产主义事业贡献力量!
十三、我们的组织：
在学校、社区建立大队或中队，中队下设小队。小队由5至13人组成，设正副小队长。中队由两个以上的小队组成，成立中队委员会，由7至13人组成。由两个以上的中队组成，成立大队委员会，由7至13人组成。小队长、大队委员会都由队员选举产生。半年或一年选举一次。大队和中队委员会可以根据工作需要，设队长、副队长、旗手和学习、劳动、文娱、体育、组织、宣传等委员。
十四、我们的活动举行队会：
组织参观、访问、野营、旅行、故事会，开展文化科学、娱乐游戏、军事体育等有意义有趣味的活动，以及参加力所能及的公益劳动和社会实践。
十五、奖励和批评：
队员和队的组织做出优异成绩的，由队的组织或报共青团组织给以表扬和奖励。队员犯了错误的，队组织要进行耐心帮助、批评教育，帮助改正。
十六、我们的辅导员：
由共青团选派优秀团员或聘请思想进步、作风正派、知识丰富、热爱少年儿童的教师以及各条战线的先进人物来担任。他们是少先队员亲密的朋友和指导者，帮助中队或大队委员会进行工作，组织活动。
十七、我们队的领导机构：
全国和地方各级少先队工作委员会，是全国和地方少先队经常性工作的领导机构，由同级少先队代表大会选举产生。全国代表大会原则上每五年召开一次。
（范文素材和资料部分来自网络，供参考。可复制、编制，期待你的好评与关注）
UT 变换 核心思想：近似一种概率分布比近似任意一个非线性函数或非线性变换要容易。 假设n 维向量x 经过一个非线性变换得到y ，即()y g x =，x 的均值为?x ，协方差矩阵为xx P 。 步骤1：根据x 的均值?x 和协方差矩阵xx P ，采用一定的采样策略（此处采用对称采样）得到sigma 点集{}i χ。 0???1,2,...,i i i n i x x x i n χχχ+==+=-= 其中，i 表示矩阵的第i 列。 (0)(0)2() ()/() /()(1) 1/2(),1,2,...,21/2(), 1,2,...,2m c i m i c W n W n W n i n W n i n λλλλαβλλ=+=++-+=+==+= 注，这里sigma 点集{}i χ乘以对应的权重{}i m W ，可得sigma 点集的均 值为?x ，协方差为xx P 。 步骤2：对所采样的sigma 点集{}i χ中的每个sigma 点通过非线性变 换g(*),得到采样后的sigma 点集{}i y 。 ()i i y g χ= 步骤3：对变换后的sigma 点集{}i y 进行加权处理，得到输出变量y 的均值?y 和协方差yy P 。 2()02()0???()()n i m i i n i T yy c i i i y W y P W y y y y ====--∑∑
UKF 非线性系统模型为: ()((1))(1)()(())() x k f x k V k y k h x k W k =-+-=+ 1) 状态初始条件为 ?(0|0)((0|0))??(0|0)(((0|0)(0|0))((0|0)(0|0)))T xx x E x P E x x x x ==-- 2) Sigma 点采样 ??(1|1)[(1|1)(1|1)?(1|1)k k x k k x k k x k k χ--=----+-- 3) 时间更新 202020(|1)((1|1)) ?(|1)(|1) (|1)((|1)) ?(|1)(|1) ??(|1)(((|1)(|1))((|1)(|1)))(1)n i m i i n i m i i n i T xx c i i i k k f k k x k k W k k k k h k k y k k W k k P k k W k k x k k k k x k k Q k χχχμχμχχ===-=---=--=--=--=------+-∑∑∑ 4) 测量更新 20 20 1??(|1)((|1)(|1))((|1)(|1))??(|1)((|1)(|1))((|1)(|1))()(|1)*(|1)???(|)(|1)()(()(|1))(|)n i T xy c i i i n i T yy c i i i xy yy xx P k k W k k x k k k k y k k P k k W k k y k k k k y k k K k P k k P k k x k k x k k K k y k y k k P k k χμμμ==--=-------=------=--=-+--∑∑(|1)()(|1)()T xx yy P k k K k P k k K k =---
%该文件用于编写无迹卡尔曼滤波算法及其测试 %注解：主要子程序包括：轨迹发生器、系统方程 % 测量方程、UKF滤波器 %作者：Jiangfeng %日期：2012.4.16 %--------------------------------------- function UKFmain %------------------清屏---------------- close all;clear all; clc; tic; global Qf n; %定义全局变量 %------------------初始化-------------- stater0=[220; 1;55;-0.5]; %标准系统初值 state0=[200;1.3;50;-0.3]; %测量状态初值 %--------系统滤波初始化 p=[0.005 0 0 0;0 0.005 0 0; 0 0 0.005 0;0 0 0 0.005]; %状态误差协方差初值 n=4; T=3; Qf=[T^2/2 0;0 T;T^2/2 0;0 T]; %-------------------------------------- stater=stater0;state=state0; xc=state; staterout=[]; stateout=[];xcout=[]; errorout=[];tout=[]; t0=1; h=1; tf=1000; %仿真时间设置 %---------------滤波算法---------------- for t=t0:h:tf [state,stater,yc]=track(state,stater); %轨迹发生器：标准轨迹和输出 [xc,p]=UKFfiter(@systemfun,@measurefun,xc,yc,p); error=xc-stater; %滤波处理后的误差 staterout=[staterout,stater]; stateout=[stateout,state]; errorout=[errorout,error]; xcout=[xcout,xc]; tout=[tout,t]; end %---------------状态信息图像--------------- figure; plot(tout,xcout(1,:),'r',tout,staterout(1,:),'g',... tout,stateout(1,:),'black'); legend('滤波后','真实值','无滤波'); grid on; xlabel('时间 t（s）'); ylabel('系统状态A');
%本例对基于量测非线性模型（正切），进行了仿真；通过对比分析EKF，UKF和PF粒子滤波的性能。仿真结果可以看出粒子滤波器比 UKF优越，UKF比EKF性能优越。可作为学习滤波器的参考资料。 %存在问题：目前修正效果还不够完美，滤波值在预测值的基础上有所改善，使其接近真实值。 clear all; close all; clc;%Clear command window. st = 100; % simulation length(time) MC=50; %仿真次数 dl=zeros(MC,st+1); de=zeros(MC,st+1); dp=zeros(MC,st+1); %仿真10次 for time=1:MC dl(time,1)=0; de(time,1)=0; dp(time,1)=0; Q = 0.5; % process noise covariance R = [3^2 0; 0 0.1745^2 ];% measurement noise covariance x0 = [0,5,0,7]'; % initial state x = x0; xA = [x(1)];%Array:Save the true X -position yA = [x(3)];%Array:Save Y-Position xobs = [x(1)]; %观测到的坐标 yobs = [x(3)]; ZA = []; %初始化系统方程系数CV线性模型 F=[ 1.0 1.0 0.0 0.0; 0.0 1.0 0.0 0.0; 0.0 0.0 1.0 1.0; 0.0 0.0 0.0 1.0]; G=[0.5 0.0; 1.0 0.0; 0.0 0.5; 0.0 1.0];
目录 摘要..................................................................................................................I ABSTRACT.......................................................................................................... II 第1章绪论 (1) 1.1课题研究目的及意义 (1) 1.2移动机器人研究的发展 (1) 1.3移动机器人室内定位方法现状 (5) 1.3.1室内定位方法概述 (5) 1.3.2特征提取与匹配算法 (7) 1.3.3多传感器定位的信息融合算法 (9) 1.4本文研究内容 (11) 第2章多传感器移动机器人系统搭建 (12) 2.1弓 (12) 2.2硬件平台设计与搭建 (12) 2.2.1机械结构设计 (12) 2.2.2传感器选型 (15) 2.3多传感器系统软件开发 (17) 2.3.1运动控制模块 (18) 2.3.2基于里程计建立移动机器人运动学模型 (19) 2.3.3基于激光测距仪数据建立特征地图 (22) 2.3.4基于动态阈值的特征提取 (23) 2.3.5传感器数据的特征匹配 (28) 2.4基于Q t架构的上位机界面程序开发 (32) 2.5本章小结 (33) 第3章基于无迹卡尔曼冗余测量参数的室内定位算法 (35) 3.1引言 (35) 3.2 Kalman滤波的基本原理 (35) 3.3无迹Kalman滤波的基本原理 (36) - III -
本科毕业设计论文 题目无迹卡尔曼滤波在目标跟踪中的应用 专业名称 学生姓名 指导教师 毕业时间
毕业 任务书 一、题目 无迹卡尔曼滤波在目标跟踪中的应用 二、指导思想和目的要求 利用已有的专业知识，培养学生解决实际工程问题的能力； 锻炼学生的科研工作能力和培养学生的团结合作攻关能力； 三、主要技术指标 1、熟悉掌握无迹卡尔曼滤波的基本原理； 2、对机动目标进行跟踪； 四、进度和要求 第01周----第02周： 英文翻译； 第03周----第04周： 了解无迹卡尔曼滤波的发展趋势； 第05周----第06周： 学习无迹卡尔曼滤波基本原理； 第07周----第09周： 掌握Matlab 编程，熟悉开发环境； 第10周----第11周： 学习常用目标的机动模型； 第12周----第13周： 编写程序，调试验证； 第14周----第16周： 撰写毕业设计论文，论文答辩； 五、参考文献和书目 1. 张勇刚，李宁，奔粤阳,等. 最优状态估计-卡尔曼及非线性滤波[M],国防工业出版社，2013。 2. 冯志全，孟祥旭，蔺永政，等.UKF 滤波器的强跟踪性研究[J].小型微型计算机系统, 2006, 27(11): 2142-2145。 3. 潘泉，杨峰，叶亮，等.一类非线性滤波器-UKF 综述[J].控制与决策, 2005, 20(5): 481-489。 设计 论文
4.宋迎春. 动态定位中的卡尔曼滤波研究[D]. 博士学位论文；长沙：中南大学, 2006。 5.贺觅知.基于卡尔曼滤波原理的电力系统动态状态估计算法研究[D].西安：西安交通大学，2006。 6.孙清,张陵,张爱社,伍晓红,等.基于扩展卡尔曼滤波(EKF)的结构动态物理参数识别[A]；第十届全国结构工程学术会议论文集第Ⅲ卷[C]；2001年。 7.黄铫.一种扩维无迹卡尔曼滤波.电子测量与仪器学报[J].2009，2009增刊：56-60。 8.柴霖，袁建平，罗建军，等。非线性估计理论的最新进展[J].宇航学报，2005,26(3):380-384。 9.何衍.机动目标跟踪与传感器网络自组织[D]；博士学位论文.浙江大学：2001年。 10.汪雄良.基于参数化技术的目标跟踪方法[D]；博士学位论文.国防科学技术大学；2002年。 11.祝石厚.基于卡尔曼滤波算法的动态谐波状态估计技术研究[D].重庆：重庆大学，2008,5。 12.于静文，薛蕙，温渤婴,等.基于改进的RBAUKF的电力频率跟踪新算法[M].电测与仪表.2010,47（537）:22-26。 13.于静文.基于卡尔曼滤波的电能质量分析方法综述[J].电网技术。2010，34（2）：97-102。 14.魏崇毓，徐善驾，王东进，等.多探测器目标跟踪算法分析[A]；第九届全国信号处理学术年会（CCSP-99）论文集[C]；1999年。 15.王宏强.目标融合跟踪技术及性能预测研究[D]；博士学位论文.中国人民解放军国防科学技术大学；2002年。 学生指导教师系主任
自适应卡尔曼滤波 卡尔曼滤波发散的原因 如果卡尔曼滤波是稳定的，随着滤波的推进，卡尔曼滤波估计的精度应该越来越高，滤波误差方差阵也应趋于稳定值或有界值。但在实际应用中，随着量测值数目的增加，由于估计误差的均值和估计误差协方差可能越来越大，使滤波逐渐失去准确估计的作用，这种现象称为卡尔曼滤波发散。 引起滤波器发散的主要原因有两点：（1）描述系统动力学特性的数学模型和噪声估计模型不准确，不能直接真实地反映物理过程，使得模型与获得的量测值不匹配而导致滤波发散。这种由于模型建立过于粗糙或失真所引起的发散称为滤波发散。 （2）由于卡尔曼滤波是递推过程，随着滤波步数的增加，舍入误差将逐渐积累。如果计算机字长不够长，这种积累误差很有可能使估计误差方差阵失去非负定性甚至失去对称性，使滤波增益矩阵逐渐失去合适的加权作用而导致发散。这种由于计算舍入误差所引起的发散称为计算发散。 针对上述卡尔曼滤波发散的原因，目前已经出现了几种有效抑制滤波发散的方法，常用的有衰减记忆滤波、限定记忆滤波、扩充状态滤波、有限下界滤波、平方根滤波、和自适应滤波等。这些方法本质上都是以牺牲滤波器的最优性为代价来抑制滤波发散，也就是说，多数都是次优滤波方法。 自适应滤波 在很多实际系统中，系统过程噪声方差矩阵Q和量测误差方差阵R事先是不知道的，有时甚至连状态转移矩阵或量测矩阵H也不能确切建立。如果所建立 的模型与实际模型不符可能回引起滤波发散。自适应滤波就是这样一种具有抑制滤波发散作用的滤波方法。在滤波过程中，自适应滤波一方面利用量测值修正预测值，同时也对未知的或不确切的系统模型参数和噪声统计参数进行估计修正。自适应滤波的方法很多，包括贝叶斯法、极大似然法、相关法与协方差匹配法，其中最基本也是最重要的是相关法，而相关法可分为输出相关法和新息相关法。 在这里只讨论系统模型参数已知，而噪声统计参数Q和R未知情况下的自适应滤波。由于Q和R等参数最终是通过增益矩阵K影响滤波值的，因此进行自适应滤波时，也可以不去估计Q和R等参数而直接根据量测数据调整K就可以了。 输出相关法自适应滤波的基本途径就是根据量测数据估计出输出函数序列 {C k}，再由{C讣推算出最佳增益矩阵K,使得增益矩阵K不断地与实际量测数据 {C k} 相适应。
WiFi－PDR室内组合定位的无迹卡尔曼滤波算法 陈国良1，2，张言哲1，2，汪云甲1，2，孟晓林3 【摘 要】针对当前室内定位的应用需求和亟待解决的关键问题，结合城市室内环境下广泛存在的WiFi无线信号以及智能手机传感器信息，提出了一种WiFi无线信号联合行人航迹推算（PDR）的室内定位方法。该方法采用无迹卡尔曼滤波（UKF）算法对WiFi和PDR定位信息进行融合处理，有效克服了WiFi单点定位精度低和PDR存在累计误差的问题。针对融合算法中WiFi指纹匹配计算量大的问题，用k－means聚类算法对WiFi指纹库进行聚类处理，降低了指纹匹配算法的计算量，提高了算法的实时性。通过在华为P6－U06智能手机平台上实际测试，在时间效率上经过聚类处理后系统定位耗时有很大程度的改善，平均降幅为51%，其中最大降幅达到64%，最小的也达到了36%；在定位精度上，当室内人员为行走状态时WiFi定位平均误差为7．76 m，PDR定位平均误差为4．57 m，UKF滤波融合后平均定位误差下降到1．24 m。 【期刊名称】测绘学报 【年(卷),期】2015(044)012 【总页数】8 【关键词】室内定位；手机传感器；WiFi；行人航迹推算；k－means；无迹卡尔曼滤波 1 引 言 随 着 基 于 位 置 的 服 务［1］ （location－based services，LBS）的兴起，人们对室内位置服务的需求日益强烈，如大型商场、地铁、飞机场等。各个领域的研究者越来越关注基于无线传感器网络［2］（wireless sensing networks，WSN）和无线局域网［3］（wireless local area networks，WLAN）等面向室内场所环境的定位技术，研究成果包括红外线［4］、超 声 波［5］、射 频 识 别［6］（radio frequency identification，RFID）、蓝 牙［7］、超 宽 带［8］（ultra wide band，UWB）、无线保真［9］（wireless fidelity，WiFi）、 ZigBee［10］、地磁定位［11］等典型的室内定位方法，设计出了多个具有代表性的室内定位系统。由于单一信号无法覆盖全部室内空间，这就需要多种定位技术的结合使用。文献［12］将GPS、RFID、WiFi和计步器4种定位技术融合，组成一个定位平台，有效弥补了各种定位技术的缺点，提高了定位精度和稳定性。文献［13—14］利用行人航迹推算（ped estrian dead reckoning，PDR）和UWB定位互补技术，采用约束滤波器使得位置估计精度达到亚米级。文献［15］采用UKF（unscented kalman filter）滤波融合惯导定位结果和WiFi定位结果来对室内车辆进行定位，取得很好的效果。文献［16—17］开展了多源泛在无线信号辅助的室内外无缝定位方法研究，提出了一种泛在无线信号辅助的无缝定位新方法，并对无缝定位技术的原理、特点和发展趋势进行了讨论。上述这些定位系统往往需要添加额外的硬件设施，系统实现复杂，部署成本高，因