基于抽象的分层诊断技术应用研究

针对大型系统多故障诊断的复杂性,提出利用抽象技术进行结构优化,给出了分层诊断模型的离线构建方法.诊断推理时,为提高诊断效率采用由上至下的分层诊断策略,为克服一致性诊断解的不精确性引入定量知识,提出采用约束集判别系统部件的一致性.把此项诊断技术应用在某卫星热控系统,结果表明可以实现故障的实时诊断和精确定位.     

航空电子系统MIL-STD-1553通信网络接口验证测试

MIL-STD-1553数据总线为航空电子系统提供了一个系统支撑数据交换网络,它是航空电子系统集成的纽带,其通信完成的质量直接影响航空电子系统设计的成败。本文首先介绍了航空电子系统MIL-STD-1553基于OSI模型的通信终端的基本结构;然后给出了对网络接口执行测试的内容,包括MIL-STD-1553标准协议验证测试、应用网络通信协议验证测试和实时通信验证测试。这三种类型的测试将全面验证MIL-STD-1553通信终端的设计是否满足MIL-STD-1553标准通信协议及航空电子系统通信协议的要求。     

基于惯性递推原理的行人自主定位方法综述及展望

在室内环境或者卫星信号遮挡环境下,如何实现单兵或者行人的自主定位是目前研究的热点问题.其中,基于惯性递推原理的行人自主定位方法由于无需提前布设基础设施,且具有体积小、成本低、完全自主、不受干扰、实时性高等特点,因此具有广泛的研究价值和意义.本文围绕基于惯性递推原理的行人自主定位方法展开介绍,针对动态步态分析、零速区间检...     

基于足间距信息辅助的行人三维惯性定位算法

针对行人惯性导航系统误差随时间累积致使定位精度严重下降的问题,提出了一种基于足间距信息辅助的行人三维惯性定位算法。该算法在零速修正算法的基础上,利用足部安装的超声波测距模块实时测量行人双足相对距离,构建了基于超声测距的足间距约束模型,通过随机森林算法实现行人运动模式识别,并针对上下楼梯场景,利用台阶高度和足间距信息进行高度解算,最终实现行人三维惯性定位。在实际路线上开展了三维定位实验,数据显示,所提算法平面闭环误差为总路程的0.64%,与零速修正算法相比下降了55.56%,高度误差为0.06 m,与零速修正和气压计联合算法相比下降了64.70%,能够实现导航误差在总路程的0.50%以内的三维定位。实验结果表明,所提算法具有良好的工程应用价值。     

活动网络计划约束的复杂性度量及其应用

根据反映活动网络计划约束特征的节点的紧前紧后活动数,提出了一个衡量活动网络计划约束的复杂系数──网络复杂性系数（ＣＮＣ）,并结合有资源约束的网络计划问题提出了一个衡量该类问题的复杂性系数──资源约束的网络复杂性系数（ＣＲＮＣ）,最后介绍了网络复杂性系数在随机活动网络发生器算法设计中的应用,给出了一个产生给定复杂系数的随机活动网络的随机活动网络发生器的设计算法。     

具有方向约束的多智能体系统的反一致性研究

研究了具有方向约束的多智能体系统的反一致性问题.首先假设系统中智能体在一维空间服从单向运动.针对一阶积分器模型,给出了一类反一致性协议的设计方法,系统中所有智能体仅仅通过观测其邻近智能体位置状态,自主分布式的决策和协调控制输入,实现了系统中智能体最终静止并在空间中分散,智能体最终状态满足反一致性要求.针对二阶积分器模型,设计了一类包含自身速度测量的反一致性协议,在设计的控制输入下,实现了二阶多智能体系统避碰并最终达到反一致性状态.最后,将系统从一维空间推广到N维空间.假设多智能体系统在N维空间的第k个坐标轴方向受方向约束,针对一阶积分器模型和二阶积分器模型,给出了一类反一致性协议设计方法.在设计的控制输入下,实现了系统在N维空间最终达到反一致状态.最后,采用Python语言,利用数值仿真例子校验了理论结果的正确性.     

基于块对角投影表示的人脸识别

针对大多数特征表示算法在挖掘高维数据内在结构时容易受到噪声的影响,以及特征学习与分类器设计割裂导致分类性能降低的问题,提出了一种新的基于特征表示的人脸识别方法,称为块对角投影表示（BDPR）学习。首先,利用样本信息对每类样本的编码系数施加一个加权矩阵,通过局部约束来加强表示系数之间的相似性,从而降低噪声对系数学习的影响,使所提方法能够更好地保持数据的局部结构。其次,为了实现数据与编码系数相关联,降低表示系数的学习难度,构造了块对角化判别约束项来学习一个判别投影,通过投影从低维数据中提取样本表示系数,使系数包含更多的样本间全局结构信息且具有更低的计算复杂度。最后,将系数学习和分类器学习整合到同一框架下,同时增大不同类别样本间的“标签距离”,采用迭代求解的方式交替更新判别投影和分类器,最终得到最适合当前表示特征的分类器,使得所提方法能自动完成分类。多个公开的人脸数据集上的实验结果表明:较之传统的协作表示分类和多个主流的子空间学习方法,所提方法均取得了更优的识别效果。      

基于多样性约束和离散度分层聚类的无监督视频行人重识别

视频行人重识别是一项应用非常广的计算机视觉任务。目前的视频行人重识别方法通常是基于监督学习的,该方法需要手工标记大量的数据,代价非常高且并不适用于现实场景。本文提出了一种从底向上的基于多样性约束和离散度分层聚类的无监督视频行人重识别方法。该方法首先将每个样本当作是一个不同的类,然后结合类内间离散度进行从底向上的分层聚类,类间和类内离散度都小的类别将被优先合并,同时在聚类准则中加入一项多样性约束来平衡每类中的样本数量,最后,利用线性变化的特征存储器动态更新模型。在Mars和DukeMTMC-VideoReID两个大型视频数据集上的实验结果表明,相比于目前先进的无监督视频行人重识别方法,本文方法在性能上有一定的提升。