基于区域气球力Snake模型的运动目标快速跟踪方法

提出了一种包含区域信息的Snake模型用于运动目标检测与跟踪。在通常情况下,基于区域信息的跟踪方法对背景光线的微小变化、位置的微小移动较为敏感,而基于边缘信息的跟踪方法则难以对边缘模糊的图像取得满意的跟踪效果。在算法中同时引入这两种信息,边缘信息使得算法快速而鲁棒性好,区域信息可以对边缘模糊的图像取得正确的跟踪效果。使用双差分图像设计了自动初始化的方法来实现视频的自动跟踪。同时,对目标的下一步运动位置增加了一个预测环节来加快主动轮廓模型的收敛速度。该算法的每帧计算时间一般小于0.1S,能应用于实时系统。     

群决策中五类不确定性偏好的集成模型及应用

研究群决策过程中五类不确定性偏好的集结方法.定义了五类不确定性偏好的一致性概念,通过引入上,下偏差变量建立起各类不确定性偏好信息的权重求解模型;针对残缺偏好的信息表达形式,基于一致性要求建立了残缺元素的插补模型;依据群体决策意见最大程度一致的目标,设计了一种专家赋权方法,进而提出了基于群体满意度最大的五类不确定性偏好的集结模型;考虑到政府基层组织评估的复杂性,案例应用本文方法研究了某地区基层政府的绩效评估.     

具有耦合度增强和宽带杂散抑制的新型双模滤波器(英文)

针对传统耦合结构的双模微带滤波器端口耦合度受限于加工精度及存在二次寄生通带等问题,提出了一种新型双模滤波器。该滤波器采用弯折偏移馈电型的耦合结构,结合阶跃阻抗双模谐振器,能够在提高端口耦合度的同时有效抑制谐波响应。在此基础上,针对级联双模滤波器的近边带杂散问题,通过分析杂散响应频点变化规律和模式电流分布,并利用该新型滤波器自身传输零点可控的特性,优化寄生谐振器的结构参数,有效抑制了近边带杂散响应。仿真和实验表明,与传统双模滤波器相比,该设计具有插入损耗低、过渡带陡峭、阻带宽的特性,在宽带通信中的杂散抑制方面具有较好的应用价值。     

双模态超燃冲压发动机研究进展

通过对各种发动机性能的对比分析 ,认为双模态超燃冲压发动机非常适合作为高超声速飞行器的动力推进装置。国内外的实验研究和数值模拟的结果揭示了如何实现双模态超燃冲压的模态转换     

双模量泡沫材料等效弹性模量的细观力学估算方法

目前常用的泡沫材料力学模型均不能反映出该材料的拉压双模量效应。因此,本文在分析泡沫材料拉、压变形力学机制的基础上,建立了一种可以反映泡沫材料拉压双模量效应新的细观力学模型,分别推导了泡沫材料等效拉伸和等效压缩Y oung′s模量的估算公式。此外,本文通过泡沫材料的单向拉伸、压缩试验,完成了泡沫材料拉压双模量效应的试验验证。估算公式的预测与试验结果的比较表明:理论估算公式的计算结果满足工程所要求的精度。     

一种基于光流的行人目标跟踪与分割方法

为了对非限制场景中的行人目标实现跟踪和分割,研究了一种基于光流的行人目标跟踪与分割方法。采用传统光流场的计算方法,获取行人运动所产生的光流场,将光流场中像素点的幅值信息及像素点在帧间运动的方向角度信息相结合,使光流场中所包含的前景目标物体的运动信息更加完整,更具鲁棒性。根据行人在连续帧间运动时,行人和背景之间边界位置像素点亮度变化的特点,实现对行人目标的跟踪。采用改进的内外映射方法,获取动态目标内部像素点,实现对视频前景行人目标的分割。实验结果表明,该方法能够准确地实现对非限制场景中行人目标的跟踪与分割。     

某涡扇发动机主燃油通道模糊控制器设计

针对某型涡扇发动机的性能控制,设计了一种可进行多输入选择的开关式双模非对称、非线性段量化因子可自寻优的Fuzzy控制器.其可以在最大和加力状态对发动机状态进行控制,克服了一般模糊控制器因发动机转速动态响应变化快而不能进行实时调整和控制的缺点.该控制器输出与某涡扇发动机电子综合调节器的输出结果的实验比较表明:双模Fuzzy控制器设计简单,有较好的静态、动态特性,与实际输出比较误差较小,且具有很好的非线性校正作用,可作为实际发动机主燃油通道的数字控制器.     

基于动态结构自适应神经网络的非线性鲁棒跟踪控制

针对非线性系统,提出一种将H∞鲁棒跟踪控制器与动态结构自适应神经网络相结合的组合控制方法.文中首先将系统线性化,设计H∞鲁棒跟踪控制器;然后针对系统中仍然存在的高阶非线性和未知不确定性,引入一种动态结构自适应神经网络,以对消非线性和不确定性的影响.这种自适应神经网络的隐层神经元随着跟踪误差的增大而在线增加,使得神经网络能以较少的神经元获得最佳的逼近效果,加快神经网络的运算速度,提高整个系统的动态性能.最后用飞行跟踪控制系统的示例证明本文方法是有效的.     

5自由度机器人手臂模糊自适应控制

为了在一定的跟踪精度范围内且存在不确定性因素的情况下控制机器人跟踪设定的轨迹,给出了一种基于控制器输出误差法的自适应模糊控制法来控制机器人手臂.采用梯度下降法调节部分或全部参数以减小输出误差.该方法被应用于5自由度机器人控制系统中,仿真结果显示模糊逻辑控制器参数得到了实时调整,该方法有效.     

面向复杂场景的鲁棒KCF行人跟踪方法

经典核相关滤波(Kernel correlation filter,KCF)目标跟踪算法是判别式跟踪算法中效果最好的一种跟踪算法。但该算法不能很好地适应目标尺度的变化,且在遇到目标短暂消失或被其他物体遮挡等复杂情形时不具备处理目标重显的能力,因此,为使得目标跟踪能够有效地应对遮挡情形,本文从提高特征表达能力、增加尺度匹配策略和抗遮挡3个方面对经典KCF算法进行改进,提出了一种鲁棒的KCF行人跟踪算法。首先对方向梯度直方图(Histogram of oriented gradients,HOG)特征和色调、饱和度、值(Hue-saturation-value,HSV)特征的响应分布进行特征融合。其次,设置动态选择尺度池来改进滤波器的固定尺寸匹配。最后,通过滤波器响应最大值的变化率衡量目标的遮挡情况,并根据上一成功帧的目标信息,通过EdgeBoxes和感知哈希算法找回目标,更新滤波器。本文所提方法在公开视频跟踪数据集Benchmark上进行测试,实验结果表明与其他目标跟踪方法相比,本文算法提高了尺度变化、遮挡等复杂情形下跟踪的鲁棒性,确保了较高的跟踪精度。     

利用推广卡尔曼滤波实现纯方位目标跟踪

本文讨论在修正极坐标下利用推广卡尔曼滤波实现纯方位目标跟踪的具体方法。通过采用协方差平方根滤波与变系数衰减记忆滤波,克服了跟踪过程中的计算发散和滤波发散,获得了比较满意的稳定和渐近无偏的估计结果,并利用Z80-CPU配接适当的外部设备实现了实时的跟踪处理。此外,还对纯方位目标跟踪的一些性质进行了分析。     

无人直升机自适应神经网络姿态控制

回顾了自适应飞行控制技术、反馈线性化和模型逆理论，分析了误差动力特性．设计了自适应神经网络姿态控制系统。其中，模型逆基于悬停状态，基于神经网络的自适应控制律能够确保跟踪误差和控制信号的有界。仿真结果表明：模型逆增强的非线性神经网络能够对无人直升机的不确定性和建模误差进行自适应。而且对PD控制器和鲁棒项系数变化的仿真结果进行了比较。     

基于光纤智能夹层和模糊RBF神经网络的飞行器载荷识别

为了更好地保障航空飞行器的安全,提高飞行器的可靠性,提出了一种通过性能参数稳定的光纤智能夹层采集数据,并且结合模糊RBF神经网络对机翼盒段载荷进行识别实验的方法.该方法融合了模糊理论和神经网络各自的优点,通过改进的模糊C均值聚类(FCM)聚类算法删除冗余的规则以进行规则的优化,能自适应地从学习样本数据中提取相应信息,实时地进行载荷辨识.从仿真结果可以看出:该网络模型具有学习时间较短、学习速率较快和精度较高等优点.     

基于径向基函数神经网络的模型跟随自修复控制

提出一种基于径向基函数神经网络的模型跟随非线性自修复控制方法。该方法可不必精确已知故障的位置及程度,即可重构控制律使系统在故障情况下的输出精确跟踪期望参考模型的输出,并采用神经网络控制器以补偿邦联引起的非线性因素的影响。     

基于奇异摄动与神经网络的柔性臂控制

运用拉格朗日法建立了臂杆柔性的机械臂的动力学方程。为解决柔性臂末端位置的跟踪及克服柔性臂在运动中的振动问题。运用奇异摄动法将系统分解成快、慢两个子系统，设计混合控制器。通过设计神经网络控制器线性化慢系统。使其轨迹跟踪期望值。用线性状态反馈配置极点稳定快系统，抑制振动。一个单杆柔性机械臂的仿真算例表明，本文的控制方法保证了柔性臂刚性运动的精确跟踪，同时消除了弹性振动，避免了零动力学不稳定问题。     

基于多目立体视觉和神经网络标定的表面形貌测量方法研究

针对三维表面形貌的非接触式光学测量是计算机多目立体视觉技术的一项重要应用,但目前还存在相机个数受限、特征点匹配算法复杂与纵向测量精度不够等难题。开发了一种基于多目立体视觉和神经网络标定的表面形貌测量方法,其中包括:使用神经网络完成多目标定与三维重构,在表面投射激光点阵作为图像识别与匹配的特征点,应用蚁群粒子跟踪测速技术进行多相机间相同特征点的匹配。经实验测试,相较于传统基于小孔成像模型进行标定与基于核线约束或互相关算法进行匹配的立体视觉测量系统,所提出的方法可适配具有大光学畸变的场景,能有效提高测量的空间分辨率,深度方向的测量误差在1.0%～2.0%的水平。     

适用于全包线的航空发动机BP网络模型的动态辨识

为克服传统的发动机动态模糊辨识中存在的辨识精度低，辨识模型应用范围窄等不足，把对非线性系统具有高度逼近能力的神经网络应用于航空发动机动态特性的辨识，从而为发动机动态辨识开辟更为广阔的道路，采用均方差归一法的处理方法和BP算法的改进算法－输出端动量BP地，以某型发动机在飞行包线内某一飞行条件下的数据作为学习样本，辨识了发同的神经网络模型，在全包线范围内对该模型进行检验，结果表明，所得的发动机动态模型在全包线内都有很高的逼近精度，而且对噪声有很强的抑制能力。     

一种在线神经网络在补偿飞机模型不确定性误差中的应用

讨论了一种基于神经网络动态逆的直接自适应控制方法，并应用于超机动飞机的飞行控制中。基本控制律采用非线性动态逆方法进行设计，对由于模型不准确导致的逆误差采用单隐层神经网络进行在线补偿。仿真结果表明，神经网络通过补偿由于模型不准确引起的逆误差，弥补了非线性动态逆要求精确数学模型的缺点，提高了整个控制系统的鲁棒性，而且可以大大简化动态逆控制律的设计。     

遥操作机器人神经网络Smith预估控制(英文)

针对遥操作机器人通讯通道中存在的时延 ,提出了一种神经网络 Smith预估控制方法。控制系统适合于时延不变但未知的情况。控制系统包括主控制器和从系统两部分。从系统采用动态神经网络辨识机器人的动态模型 ,神经网络权重在线学习 ,用神经网络的输出对非线性系统进行局部非线性补偿 ,将非线性系统线性化。主系统针对线性化的从系统 ,采用 Smith预估控制解决时延问题并保证系统的性能品质。通过李雅普诺夫稳定理论保证了时延控制系统的稳定性。对两关节机器人的仿真结果说明了该方法的有效性。     

时滞系统的Elman网络多步预测模糊控制方法

讨论了Elman神经网络的结构与学习算法,研究了基于Elman网络的动态系统辨识模型、预测模型及预测算法,并与模糊控制相结合,研究神经网络多步预测模糊控制方法。仿真结果表明该方法可以提高系统的鲁棒性及稳定性,多步预测最佳模糊控制的控制精度及ITAE指标均较无预测时要优。