基于神经网络多模型自适应切换控制研究

针对传统自适应控制和现有多模型自适应切换控制理论和方法中存在的问题，提出面向复杂系统的神经网络多模型自适应切换控制方法。采用最近邻聚类学习算法对样本分类，并利用RBF神经网络的学习能力和非线性逼近能力进行离线建模。同时，引入动态模型库技术来动态建立多模型。系统运行时在线实时检测系统当前状态，若超出现有各子模型所构成的状态空间，则利用在线神经网络学习新状态并建立新模型加入动态模型库中，从而改善动态系统的暂态响应和增强系统的鲁棒性。计算机仿真结果，表明了该算法的有效性。     

遥操作系统基于观测器的预测控制

在遥操作系统中需要主、从机械手间进行通信,但通信通道中存在较大的通讯时延,这会降低系统操作性能,甚至会使系统不稳定.为了解决这个问题,首先建立系统的状态空间模型,接着提出用时间前向观测器预测从机械手状态,并结合力、位置和速度反馈消除或减小时延对系统影响.系统反馈参数可方便地通过线性矩阵不等式求解.该方法能使系统渐近稳定而且具有良好的透明性.仿真结果表明该方法是有效的.     

汽包水位数据处理中的变加权滤波算法

介绍了几种常见的离散数据滤波算法，分析了在电厂热工锅炉汽包水位中滤波测点数据的特性以及其对滤波算法的内在影响，在此基础上得出一种新的变加权离散滤波算法。在此算法中，滤波权值随着数据分布特性的不断变化而变化，从而保证在滤波过程中，滤波算法自始至终都能适应由于滤波环境对滤波数据造成的影响而带来的变化．以保证良好的滤波效果。实例数据仿真证明了此算法的有效性，能较好地适用于工程实际应用。     

时滞切换系统指数稳定性分析: 多Lyapunov函数方法

将多 Lyapunov 函数方法推广至时滞情形, 分析切换与时滞对于稳定性的影响. 以 Halanay 不等式为引理, 给出了与时滞相关的切换序列约束条件, 以保证系统的指数稳定性. 若时滞项消失, 本文关于切换对于稳定性影响的分析与无时滞情形的相关结论是一致的. 仿真结果说明了本文方法的有效性.     

时滞切换系统动态反馈H∞控制

对于由若干线性时滞子系统构成的切换系统, 考虑了动态反馈控制与切换策略的设计, 以实 现H-infinity性能的优化. 利用其连续性不受切换行为影响的Lyapunov-Krasovskii泛函构造方式, 并结合闭环子系统的适当变换, 导出了与时滞相关的控制器及切换策略的存在性判据.通过参数代换与矩阵 相似变换, 将此判据等价地转化为线性矩阵不等式, 从而解得泛函与控制器参数. 仿真结果验证了方法的有 效性.     

基于单目视觉的前方车辆测距

提出了一种适用于车载摄像机的前方车辆测距方法。建立感兴趣区域,利用帧间差分法初步提取图像,经过后续处理得到目标后,利用粒子滤波进行目标跟踪;通过交比不变性以及消失点的定义进行单目视觉测距并进行相关试验验证。     

基于GA-RBF神经网络及边界不变特征的车辆识别

修正的边界不变矩在目标旋转、缩放和平移过程中能保持不变性．将其作为车辆目标的识别特征,并且利用遗传算法（GA）优化径向基函数（RBF）神经网络参数,能很好地实现对车辆目标的识别．实验表明,该方法在复杂背景下对目标的识别具有很强的鲁棒性,能快速准确地识别车辆类型;并且边界不变特征的引入,减少了数据运算量,提高了识别效率．     

基于骨骼特征和手部关联物体特征的人的姿态识别

在计算机视觉中,人的姿态识别是人的行为识别的重要组成部分。通常,人的行为是动态的过程,姿态是人的行为中的具体的某个静态动作。在人的姿态或行为识别研究中,多借助人体姿态特征,而忽略了与人体相互关联的物体信息。当借助骨骼信息描述人体姿态时,人体被简化为人体骨骼,不同的姿态可能会出现相同的骨骼形态。为了更好地识别姿态,提取人的姿态的骨骼信息特征和手部关联物体的深度信息特征,再使用支持向量机进行分类。最后借助公共数据库验证了方法的有效性。     

动态场景中运动目标快速检测算法

提出了一种基于边界灰度投影匹配的全局运动估计和运动目标提取算法.算法将边界灰度水平投影和垂直投影值作为匹配特征,较好地估计了全局运动参数.由于只需计算一维特征向量所以降低了全局运动估计的计算量.经过全局运动补偿后,可以运用传统的帧间差法得到运动目标.为了减少噪声的影响,准确提取目标,采用了高阶统计量的方法(HOS)来区分背景和运动目标.试验结果证明,所提出的方法在估计全局运动参数和提取运动目标方面有较好的鲁棒性.     

基于先验知识的航拍绝缘子检测方法

在架空输电线路中对带电状态的绝缘子进行检测和故障定位,对保证电网可靠运行具有重大意义。基于无人机平台提出一种复杂背景条件下的绝缘子检测算法。在检测算法的特征提取层引入注意力机制模块以获取更多的绝缘子特征信息,同时利用航拍图像中绝缘子的先验知识,结合K均值聚类算法改进目标候选框的生成模式。在此基础上,通过将中心损失引入绝缘子检测目标函数以增强训练过程中绝缘子类内特征的内聚性。实验结果表明,相对Faster R-CNN检测算法,在绝缘子检测数据集上Faster R-CNN改进算法检测精度提高4%以上。