应用于智能芯片的可视化反馈系统研究

当前，市场上普遍使用的负责推理的终端人工智能（AI）芯片使用训练好的参数对数据进行快速高效运算。但在通常训练过程中使用的数据集和真实数据的分布不一致，由此获得的参数会导致终端AI芯片识别准确度降低。为此，提出了一种基于终端AI芯片的可视化反馈系统架构方法。使用反卷积特征可视化方法，在具有高效计算性能的终端AI芯片上，对卷积核参数进行迭代优化，达到可识别该图像目的。相比于CPU/GPU和FPGA，所提架构在卷积神经网络模型里，更具有高效处理能力和灵活可塑性。实验表明，该研究有效提高了终端AI芯片的普适性、识别准确度和处理效率。      

职业院校学生终身学习能力的培养策略研究

分析了终身学习的内涵与内容,提出培养职业院校学生终身学习能力的必要性,并提出了切实可行的提高职业院校学生终身学习能力的具体措施。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

基于ADRC迭代学习控制的四旋翼无人机姿态控制

针对农用无人机超低空表型遥感和喷药精准悬停易受地效扰动问题，提出了一种自适应ADRC姿态控制器。首先设计了基于ADRC的姿态控制器，结合四旋翼无人机平台在0.9~1.1、1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9、3.3~3.6 m/s侧向水平风、0.9~1.1 m/s （11°）、1.1~1.3 m/s （13°）、1.4~1.6 m/s （18°）、1.8~2.0 m/s （18°）、2.1~2.5 m/s （18°）前俯向风和侧俯向风下进行干扰的预测和控制量的补偿实验。实验结果显示使用ADRC姿态控制器后无人机抗风性能有较大提升。然而在存在初始误差时，ADRC固定带宽无法满足要求，进一步设计了自适应ADRC姿态控制器（ILC-ADRC）。通过迭代学习控制在线优化自抗扰控制器带宽，实现了不同增益观测器的自适应整定。实验结合四旋翼无人机平台分别进行了机头实际方向与期望方向偏离55°、90°、180°，水平风速1.1~1.3、1.4~1.6、2.0~2.4、2.5~2.9 m/s下使用ADRC和ILC-ADRC的对比。实验结果显示采用ILC-ADRC姿态控制器，在150次控制周期内，偏航角误差均在-15°~15°之间，满足四旋翼无人机偏航角控制精度要求，同时调节时间分别缩短了40%，16.67%，12.5%，53.33%，10.34%，13.95%，27.27%，58.66%，11.86%。     

基于深度强化学习的机器人推拨优化装箱问题研究

三维装箱问题是指在满足容积限制、稳定性限制等条件下,将一定数量的物体放入较大容量的箱子中并使空间利用率最大的组合优化问题.三维装箱问题是典型的NP完全问题,通常采用启发式算法规划物体放置的位姿.在使用机器人完成装箱任务时,还要额外考虑机器人操作限制,如机械臂或末端执行器与物体或箱子之间的碰撞、机械臂运动轨迹的规划等,使得部分最优位姿不可行,只能将物体从更高处落下或者将物体放在最优位姿的附近.机器人在抓取、识别和放置时的不确定性也会导致最终放置位置与规划产生偏差.因此,本文提出基于深度强化学习的机器人三维装箱推拨优化方法,以最小化包装箱中物体放置位置的启发式算法分数为目标,通过推拨动作对于已放置的物体位置进行调整、归集,将物体朝角落中压缩,以腾出更多空间,提高装箱空间利用率,减小由于机器人操作不确定性对装箱结果的影响.     

黎曼几何在计算机视觉中的应用研究进展

在计算机视觉领域，许多任务相关数据具有非欧结构，近年来基于黎曼几何的数据表征与应用研究受到了越来越多的关注。如何充分利用数据的几何结构，来提高目标识别、目标跟踪及目标检测算法的性能，是其中的一些研究热点。本文主要从三个方面介绍黎曼流形在计算机视觉中的应用研究进展。首先，从数学基本概念出发，阐述黎曼流形与图像的关系以及视觉应用的可行性，并介绍计算机视觉中具有重要应用的几种黎曼流形。其次，对黎曼流形在计算机视觉中若干常见应用进行了概述，重点介绍了与深度学习相结合的相关进展。最后，对引入黎曼流形的机器学习方法的未来发展进行了分析和讨论。     

基于量子粒子群和流形学习的分类方法及其在发动机故障诊断中的应用

针对测量参数存在的非线性、参数间的耦合性以及噪声干扰,将量子粒子群算法引入到流形学习的参数选择中,结合径向基神经网络,提出了一种故障诊断方法。邻域个数和约简维数是流形学习中的关键问题。结果表明:该方法首先利用量子粒子群算法优选邻域个数、约简维数和径向基函数的参数,再利用等距特征映射(ISOMAP)对原始参数进行非线性降维,提取其低维流形特征,从而进行故障分类。结果表明:该方法能够有效地对发动机各种复合故障进行分类,精度达到97.33%,量子粒子群优于基本粒子群优化的分类结果;其分类精度明显优于主元分析(PCA)、核主元分析(KPCA)方法,且有很强的抗噪能力。     

磁悬浮柔性转子系统变学习速率单神经元PID控制

磁悬浮轴承柔性转子系统的转速范围较大,固定的控制参数很难同时保证系统所需的低频和高频特性。本文在一般单神经元PID控制的基础上,将转速信号引入磁悬浮轴承数字控制器,在不同转速段选择不同的学习速率以调节控制参数得到合适的磁悬浮轴承的刚度和阻尼。试验结果表明,变学习速率单神经元自适应PID控制能够明显减小转子在各阶临界转速时的振幅,有助于磁悬浮轴承柔性转子系统的安全稳定运行。     

高职计算机专业学生自主学习能力培养策略

计算机专业课程具有实践性与操作性非常强的特点,采用传统的先教后学的教学方式学习效率低,不能适应时代的发展。自主学习方式可以更好的引导计算机专业学生从做中学,从学中做,提高学习效率,培养学生终身学习能力。在探讨自主学习理论的基础上,分析了自主学习的意义及高职计算机专业学生自主学习现状,并提出了适合高职计算机专业学生的自主...