基于多智能体的机电设备嵌入式控制系统设计方法

提出了一种利用多智能体（Multi—Agent Systems,MAS）方法学指导复杂机电设备嵌入式控制系统开发的方法．该方法利用智能体（Agent）概念处理复合型控制系统的多个子控制器;用MAS方法学指导构造Agent之间的通信及协调机制;利用多任务实时操作系统（Real—Time Operating System,RTOS）的多任务并行处理能力和系统服务在嵌入式系统中实现MAS系统,本方法已经应用于遥操作移动机器人嵌入式控制系统的开发．     

基于实时Linux的PET控制软件设计与实现

在对实时系统基本原理分析的基础上,提出一个多任务框架,并基于此框架开发了PET实时控制系统.首先,详细介绍了PET控制系统软件部分的各个模块的实现及系统总的流程,然后通过实验验证了PET扫描床、棒源、隔板以及摆动装置各机械子系统都能够很好地完成既定的控制任务、期望的运动控制精度,并且系统运行稳定.实验结果表明,基于多任务框架的PET实时控制系统具有很好的可靠性和实时响应.     

基于集群的多架构教务管理系统设计与实践

针对目前高校教务管理系统平台现状,以及多数高校教学管理中存在多校区、多模式等问题,提出了用集群系统解决教务管理系统硬件平台的方案,将整个教务应用服务集成为一个系统,所有应用服务节点所需的数据均由唯一的数据库统一提供,整个平台进行分类管理,分别由不同的节点或节点集群提供不同的教务管理应用,有效解决了教务系统的复杂多变、各种数据不能够唯一存在和实时变化等难点,初步建立了适合普通高校教务管理需求的软件硬件平台.     

基于FPGA的多卷积神经网络任务实时切换方法

使用硬件平台实现卷积神经网络的计算可以获得良好的加速效果和功耗,但由于卷积神经网络模型庞大、计算复杂、硬件平台资源有限,在实际应用中多个卷积神经网络任务之间只能串行计算,这导致系统在处理多个任务时的实时性较差.为提升硬件系统的实时性,提出一种多卷积神经网络任务实时切换方法 .基于FPGA(Field Programmable Gate Array)平台进行卷积神经网络部署,根据功能划分系统模块.采用"任务序列+控制模块"的设计结构,控制系统根据卷积神经网络任务的优先级进行计算和切换;在计算模块中,复用可配置的卷积单元减少资源开销;提出一种多任务层级切换机制以提升系统的实时性.利用手写数字识别网络进行验证,实验结果表明:可配置的设计减少了除BRAM(Block Random Access Memory)外50%以上的资源开销;在50 MHz的工作频率下,FPGA的识别速度是CPU(Central Processing Unit)的4. 51倍,功耗比为CPU的2. 84倍;采用实时切换机制最快可使最高优先级任务提前57. 26 ms被响应,提升了串行计算系统的实时性.     

高层建筑中火灾报警控制系统的设计及应用

对火灾自动报警控制系统及智能火灾报警控制系统的特征进行了分析,在高层建筑设计中采用智能火灾报警控制系统的主—从式网络结构,解决了高层建筑与大型建筑中探测区域广、探测器数量多、原有系统不能适应等问题。     

基于DSP的大功率多轴控制系统

针对一般特种机器人的功能特性和作业特点,建立了基于TMS320F2812和高电流PN半桥驱动芯片BTS7960的大功率多轴控制系统,并对控制系统的驱动电路、电流采样电路、位置检测模块、CAN总线通信电路等进行了分模块设计.设计过程中充分利用TMS320F2812的片上资源,提高了机器人控制系统的稳定性和可靠性,减少了控制系统的体积和功耗.在机器人控制系统软件设计方面,利用C语言完成了主程序及相关中断子程序的编写.通过相应的电机控制实验,对DSP(digital signal processor)大功率多轴控制器进行了功能测试.测试结果表明,该系统性能可靠、集成度高,能够很好地满足一般特种机器人的控制要求.     

基于步进电机多轴联动控制系统设计与实现

针对现有多步进电机控制系统的不足,采用DSP芯片TMS320F28335作为主控制器以及USB通信完成上位机与下位机通信,给出了多轴步进电机控制系统硬件设计.控制系统的软件部分包括上位机监控程序、G代码解释程序、USB通信程序和插补控制程序.采用USB2.0总线与上位机通信,实现了G代码高速下载和执行信息的反馈.实践证明系统设计解决了低成本、高速传输和即插即用等关键问题,有较好的工程应用价值.     

多轴运动的数字控制新技术

针对模拟器对系统实时性和同步性要求苛刻等特点,本文以电动六自由度运动平台为例,采用数控技术用工业级计算机IPC和数字信号处理器DSP作为六自由度运动平台的控制器,设计了基于可编程多轴控制器PMAC(Programmable Multi-Axis Controller)来作为六自由度运动平台多轴运行控制系统的硬件平台,同时采用Visual C#.NET作为软件开发平台,满足了模拟器六自由度运动平台实时性控制的要求.     

基于遗传Hopfield混合神经网络的多轴控制系统设计与实现

采用ASIC核心的PCI多轴控制器,通过对步进电机的运动控制及状态反馈,设计完成了八轴控制系统.在汉字雕刻路径问题上,结合遗传算法和Hopfield神经网络算法的优点,提出遗传Hopfield混合神经网络算法对汉字雕刻路径进行优化,较好地解决了雕刻过程混乱、雕刻总路径过长的问题.给出了该系统的硬件结构以及遗传Hopfield混合神经网络优化算法和仿真结果.实际应用表明,该多轴运动控制系统具有很好的稳定性和控制精度.     

STC-Ada多机系统的互连结构及共存管理的实现

本文介绍了一个共享存储型多机系统——STC—Ada多机系统。研制本系统的目的,旨在支持Ada语言多任务机制的并行执行。文中概述了STC—Ada多机系统的组成及其互连结构,重点论述了STC—Ada多机系统的交叉开关矩阵和共存管理的实现。     

多传感器数据融合与航迹预测的模型设计

文中建立了功能完整的多传感器数据融合模型,使用最邻近数据关联(NNDA)算法提取目标航迹,采用三次样条插值实现时间配准,并将传感器性能作为权重应用到航迹对的融合中,使用加权平均的方法融合航迹对.引用回声状态网络(ESN)技术实现航迹的预测.基于雷达数据在不同运动场景中测试模型性能,对于匀速直线运动和机动转弯的目标,模型具有较高的跟踪和预测精度.     

协同网络下分布式跟踪的动态传感器管理

协同网络系统采用分等级的分布式信息处理结构,在实现对杂波中多目标的精确跟踪时,需要考虑量测起源不确定性问题和传感器对目标及局部融合中心的同时分配问题.针对上述问题,文中提出了一种适用于分布式跟踪的动态传感器管理方法.首先以修正Riccati差分方程的解作为目标跟踪性能的评价标准,据此构建传感器管理的目标函数,然后根据分层优化策略,利用蚁群算法实时求近似优解,最后基于分布式融合算法获取多目标的最优跟踪轨迹.仿真结果表明,与NN分簇和MV分簇两种传感器管理方法相比,文中所提方法具有更高的目标跟踪精度和网络资源利用率.     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

空基多平台多传感器机动目标自适应跟踪

在空战中，需要基于空中移动平台对机动目标进行自适应跟踪．由于机动目标“当前”统计模型符合实际目标的动力特征，所以文中基于该模型，针对空基多平台多传感器环境，推导了机动目标跟踪的状态方程和测量方程，并给出了机动目标自适应跟踪算法．Monte—Carlo仿真表明，该方法能有效地估计出机动目标的运动状态．     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

基于压缩感知的在线多示例学习目标追踪

近年来提出的多示例学习算法在一定程度上能够克服模板漂移问题。然而,在线学习需要获取足够多的有用数据才能达到稳定的追踪效果,但是这却增加了算法的复杂度。为了解决这一问题,在压缩感知理论的基础上,运用随机观测的方法对多尺度图像特征进行降维,提取的这些低维特征中包含大量的有用信息。因此,我们提出的算法是先利用压缩感知理论提取目标特征之后,再使用在线多示例学习算法分类器对这些特征进行分类从而实现目标的稳定跟踪。通过对不同的图像序列进行实验,结果表明基于压缩感知的在线多示例学习算法对实时的目标追踪有很好的适应性。     

一种杂波环境下的多目标跟踪算法

以实用有效的 JPDA算法为基础 ,运用直接计算后验概率的快速关联算法 ,结合两级自适应滤波器 ,同时考虑邻近目标干扰引入等效噪声协方差 ,提出了一种杂波环境下的多目标跟踪算法。理论分析和计算机模拟结果表明 ,算法有效降低了数据关联算法的复杂度 ,且计算量显著减少 ,实时性得到提高     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

面向移动传感器网络的自适应一致性融合估计方法

研究了具有时延和通信拓扑变换的移动传感器网络（MSN）分布式融合估计问题.结合无色信息滤波、自适应一致性算法并考虑通信时延而设计的基于自适应一致性的融合结构,提出了一种名为基于自适应一致性的分布式无色信息滤波（AC_DUIF）的分布式融合估计算法.以空中移动传感器网络跟踪移动目标为例,通过仿真验证了所提算法的性能.仿真结果表明,该方法能够在以分布形式提高网络中各节点对目标位置估计精度的同时,保证节点之间的一致性,并具备对网络通信延时的适应能力.