多机器人系统传感器融合技术应用研究

当前应用于机器人的多传感器数据融合研究大都集中在机器人自主导航和定位问题上,很少涉及利用机器人进行目标跟踪的研究。现有的基于网络时延的融合算法大都直接套用传统的同步数据融合方法,因此会产生数据等待、资源浪费以及较差的实时性能等问题。本文提出结合预测估计以及递推加权融合技术,设计出一种新的能适应网络时延的多传感器预测加权融合算法。该算法不仅能很好的解决现有基于时延的数据融合算法存在的诸多弊端,而且拥有良好的实时预测功能。文中给出了新算法的推导过程,并通过计算机仿真算例来显示新算法的实用性和优越性。     

基于Internet的实时机器人系统时延预测研究及算法

针对基于Internet实时机器人系统，提出了多尺度的时延预测算法，该算法是在线和实时的。基于网络结构分析了网络时延的主要组成及其时延特性。不同于传统的网络往返时延的预测，该算法预测的是能真实反映端对端数据包传递的单程时延，而且还提出了预测单向时延所需的时钟同步算法。理论分析和多点之间的网络实验验证了该算法的高效性。     

分组敏感的无线传感器网络实时数据融合树算法

针对无线传感器网络中数据传输必须在指定时延约束下完成的特殊场景提出了一种能量有效的数据融合树算法,该算法首次将分组敏感的概念引入到传感器网络实时数据融合应用中,并通过特殊机制使得该算法在降低能耗水平的同时可以为实时数据动态地选择满足时延要求的路径。另外,针对该数据融合树算法设计了一种特殊的数据融合定时机制,从而进一步改善了该算法的性能。最后,通过仿真试验将该算法与已存在算法进行了比较,证明了该算法的优越性。     

无线传感器网络数据融合算法综述

数据融合技术是无线传感器网络的关键技术之一,它通过合并相似数据、预测未来数据等方式减少节点间数据的传输量,对冗余数据进行精简,从而明显提高网络生命周期以及数据准确性。本文对近年来数据融合算法的研究现状进行了全面深入分析,同时从融合过程中采用的融合算法与融合规则出发,将现有的无线传感器网络数据融合技术分为了基于统计学、基于人工智能、基于信息论与基于拓扑学的四大类,对这四类技术从原理上进行了综述,对其中涉及到的不同融合算法从性能、时延、复杂度以及能耗方面进行了详细分析与比较。最后介绍了自动融合、融合评估等未来数据融合的研究重点。     

面向网络诱导时延和数据包丢失补偿的网络化广义预测控制

针对网络化控制系统中存在的网络诱导时延和数据包丢失, 考虑了网络化广义预测控制问题. 基于多个数据打包传送的通讯方式以及网络诱导时延和数据包丢失预先可知的假设, 提出了一种采用最小预测步长和预测控制增量向量分别补偿网络诱导时延和数据包丢失对系统性能影响的新方法, 给出了相应的网络化模型预测算法和网络化滚动优化算法, 对于被控对象参数未知或缓慢变化的情况, 给出了基于递推最小二乘辨识改进算法的网络化反馈修正算法, 通过仿真验证了所提出网络化算法的有效性.     

均衡能耗和时延的无线传感器网络组内融合机制研究

主要研究实时监测无线传感器网络系统中的数据传输时延及网络的能量效率的均衡优化,提出了一种基于博弈论的无线传感器网络组内数据融合(GA-G)模型.该机制采用逐级分层的融合架构,可以最小化网络的原始数据输出量并通过建立博弈模型均衡了节点的能耗及数据传输的时延.仿真结果表明该融合机制能提高网络数据融合的实时可靠性.     

构建时延基因调控网络的多数据源融合算法

为了进一步提高基因调控网络构建的精确度,提出一种基于多数据源融合的时延基因调控网络构建算法.该算法基于递归模糊神经网络模型,使用时序互信息估计基因间的转录时延,并限制每个基因的潜在调控基因,从而有效提高建网的效率.在网络结构学习阶段,使用离散多目标粒子群优化(discrete multi-objective particle swarm optimization,dMOPSO)算法实现从时序基因表达数据和CHIP-chip数据共同构建基因调控网络.人工模拟数据和酵母菌细胞周期表达数据的实验结果表明该算法能正确选出潜在的调控基因,从而更加精确地构建基因调控网络.     

网络化控制系统的预测控制方法设计

网络化控制系统(NCSs)是一种通过实时化网络进行数据传输的控制系统.控制系统中的传感器、控制器、执行器等往往通过网络连接起来形成闭环控制系统.然而实际系统中由于带宽限制等客观因素,存在有因网络诱导延迟而引起的系统性能下降问题.考虑了前向通道,反馈通道中同时存在网络诱导时延情况下的网络预测控制(NPC)设计问题,提出了一种新的网络预测控制方法,用以克服网络诱导时延对系统性能带来的影响.     

基于双重索引矩阵的蛋白质功能预测

针对单一数据源预测蛋白质功能效果不佳以及蛋白质相互作用网络信息不完全等问题,提出一种多数据源融合和基于双重索引矩阵的随机游走的蛋白质功能预测(MSI-RWDIM)算法。该算法使用了蛋白质序列、基因表达和蛋白质相互作用数据预测蛋白质功能,并根据这些数据源特性构建相应的相互作用加权网络;然后融合各数据源加权网络并结合功能相关性网络构建双重索引矩阵,使用随机游走算法计算得分进而预测蛋白质功能。在酵母数据集的五折交叉验证中,MSI-RWDIM算法具有较高的准确率和较低的覆盖率,还可降低功能标签损失率。研究结果表明,MSI-RWDIM算法的总体性能优于常用的k-近邻、直推式多标签集成分类和快速同步加权方法。     

基于随机神经网络的多步网络时延预测模型

网络时延的动态变化反映了网络路径的负载特征,对时延的精确预测是实施网络拥塞控制、路由选择的重要依据,建立了基于随机神经网络的时延预测模型,该模型克服了传统时间序列预测方法受随机干扰因素影响大、模型结构辨识过程繁琐,以及传统神经网络预测方法易于陷入局部极值、偏离全局最优的缺点.仿真实验表明,在提前单步和多步的预测中该模型比AR模型、RBF神经网络预测算法的准确度更高.     

通信受限下网络化多传感器系统序贯卡尔曼滤波加权融合

针对通信受限下网络化多传感器系统难以实时滤波的问题,提出实时序贯滤波融合方法和故障诊断方法.首先基于周期性分组传输通信策略,采用序贯卡尔曼滤波方法,对当前时刻访问融合中心的传感器组进行局部滤波,并导出剩余传感器组的最优局部估计,进而得到线性最小方差意义下的最优融合估计.利用残差加权平方和方法对发生故障的传感器进行定位,仿真结果验证了所提出算法的有效性.     

网络控制系统的时延和负载分析

针对运动体机械和大型制造装备多机电子系统协调运动控制所涉及的控制网络的特殊性，分别从控制和网络两方面给出了回路时延和网络时延的界定，并从目的、性质和获取方法等角度进行了比较．通过对网络时延的特性和评价指标的理论分析和数学描述，指出在系统运行过程中网络负载和负载波动是产生时延和时延抖动的直接原因，进一步讨论了控制网络中的负载构成和具体的估计方法．仿真结果验证了理论分析方法的有效性．     

无下采样轮廓小波在图像融合中的应用

在无下采样Contourlet变换和小波变换的基础上,针对低、高频系数的特点,提出一种新的基于无下采样轮廓小波变换的图像融合算法。该算法对无下采样轮廓小波分解后的低频部分采用了选择与加权平均的融合规则进行融合,而对各层高频系数采用局部区域加权平均融合规则进行融合。实验结果表明,该方法在包含信息量、清晰度上都有明显的提高。     

一种新的动态多尺度系统最优估计算法

给出了一类动态多尺度系统基于Haar小波的序贯式最优估计算法，该算法具有较低的计算复杂度和较高的实时性，为多传感器信息融合提供了一种新的方法。仿真结果验证了这种方法的有效性。     

一种新颖的单目视觉深度学习算法:H_SFPN

针对单目视觉目标检测,提出了一种基于single-stage深度学习的H_SFPN算法。该算法与现有的YOLOv3和CenterNet算法相比,在保证实时性能的条件下,可有效提高小目标检测的准确度。首先设计了一种新的网络架构(backbone),这种架构通过改进的沙漏(Hourglass)网络模型来提取特征图,以便充分利用底层特征的高分辨率以及高层特征的高语义信息。然后在特征图融合阶段提出了基于SFPN的特征图加权融合方法。最后,H_SFPN算法对目标位置和大小的损失函数进行了改进,可有效降低训练误差,并加快收敛速度。由MSCOCO数据集上的实验结果可知,所提H_SFPN算法明显优于Faster-RCNN,YOLOv3以及EfficientDet等现有的主流深度学习目标检测算法,其中对小目标的检测指标AP s最高,达到了32.7。     

基于量化新息的容积粒子滤波融合目标跟踪算法

针对现有非线性网络化目标跟踪融合算法存在的精度低和实用性差等不足,以一类带有噪声相关的非线性网络化目标跟踪系统为对象,研究基于测量新息量化策略和容积粒子滤波（Cubature particle filter,CPF）的目标跟踪融合算法. 首先,利用状态方程恒等变换和矩阵相似变换理论解除过程噪声与测量噪声以及测量噪声之间的相关性;其次,各个传感器节点采用自适应策略量化局部测量新息并将其发送到融合中心（Fusion center,FC）;随后,在集中式融合框架下采用容积粒子滤波器设计基于测量值扩维的量化融合跟踪算法,进而给出相应的顺序滤波量化融合算法,上述算法可有效解决因自适应量化引起的非高斯问题;最后,通过两个计算机仿真实验验证了所提出跟踪算法的有效性.     

LTE下行基于QoS的混合业务调度算法

针对现有调度算法不能同时满足多用户多业务的性能需求等问题,提出了一种新的基于服务质量（QoS）的长期演进（LTE）项目下行调度算法。该算法改进了修正的最大加权时延优先（M—LWDF）算法的延时分式,用信道质量指示（CQI）值直接替代用户的瞬时速率,降低了计算复杂度。此外,兼顾了确保比特率（GBR）和QoS等级标识符（QCI）等QoS参数。仿真结果表明,该算法在保证小区的频谱效率的前提下,降低了实时业务的延时,提高了非实时业务的吞吐量,对LTE下行链路是一个很好的选择。     

Video multimodal emotion recognition based on Bi-GRU and attention fusion

A video multimodal emotion recognition method based on Bi-GRU and attention fusion is proposed in this paper. Bidirectional gated recurrent unit (Bi-GRU) is applied to improve the accuracy of emotion recognition in time contexts. A new network initialization method is proposed and applied to the network model, which can further improve the video emotion recognition accuracy of the time-contextual learning. To overcome the weight consistency of each modality in multimodal fusion, a video multimodal emotion recognition method based on attention fusion network is proposed. The attention fusion network can calculate the attention distribution of each modality at each moment in real-time so that the network model can learn multimodal contextual information in real-time. The experimental results show that the proposed method can improve the accuracy of emotion recognition in three single modalities of textual, visual, and audio, meanwhile improve the accuracy of video multimodal emotion recognition. The proposed method outperforms the existing state-of-the-art methods for multimodal emotion recognition in sentiment classification and sentiment regression.

     

基于多传感器自适应加权融合的温室信息系统

针对目前温室信息管理系统需实现跨平台、良好交互性和机构远程控制,提出了一种利用Flex和Asp.net技术实现的基于多传感器自适应加权融合的温室信息管理系统。系统采用基于B/S的三层架构,重点阐述了系统中关键技术与实现过程,包括温室机构的远程实时同步控制和传感器数据的自适应加权融合等。系统在常熟现代农业示范园区实地测试运行,结果显示:自适应加权算法的融合效果明显优于传统的算术平均法,同时,系统各项预期功能均正常实现。