摘要：时间序列预测即利用历史时间序列数据,预测未来一段时间内的数据信息,以便提前制定相应策略。目前,时间序列的类别复杂繁多,而现有的时间序列预测模型面对多种类型数据时无法取得稳定预测的结果,进而难以同时满足对现实中多种复杂的时序数据预测的应用需求。针对上述问题,提出了一种基于时间注意力机制双向长短期记忆网络的时间序列预测方法。笔者提出的网络模型采用改进的正向和反向传播机制提取时序信息并通过自适应权重分配策略推理未来的时序信息。具体来说,设计了一个改进的双向长短期记忆网络,通过结合双向长短期记忆和长短期记忆网络提取深度时间序列特征,挖掘上下文的时序依赖关系。在此基础上,融合所提出的时间注意力机制,实现对深度时间序列特征进行自适应加权,提升深度时序特征的显著性表达能力。通过与同类代表性方法在多个不同类别数据集上的客观定量对比,实验结果表明,该方法能够在多种类别的复杂时间序列数据上更优的预测性能。

摘要：提出了一种新颖、鲁棒,实时人脸检测与跟踪算法。该方法采用背景差分法提取运动区域,对运动区域利用肤色归一化RGB和HSV色彩模型的聚类性,得到人脸候选区域。利用人脸几何信息和孔洞信息对人脸候选区域进行验证。基于肤色矩特性,对人脸区域进行跟踪与预测。通过对不同背景条件下的人脸检测与跟踪,实验结果表明,所提算法不仅检测率高,且对光照、人脸姿态的变化具有较强的鲁棒性。基于480×360图像处理速度平均为25帧/秒,可满足系统实时性要求。

摘要：针对现有三维数据鼻子检测与定位方法的不足,提出了自动检测与定位鼻子特征方法。通过对三维海量数据点进行二维空间Delaunay三角化并映射到三维空间,得到三维人脸模型。基于鼻子区域的凹凸特性,确定鼻子大致区域。对区域内空洞进行填补,并采用形态滤波方法对鼻子边缘进行光滑以得到准确的鼻子特征与特征点。通过对不同三维人脸数据的鼻子特征点检测与定位,表明了所提方法的有效性和可靠性。

摘要：针对市场上现有的TPMS主控制器下载器的不足,设计了一拖多的TPMS主控制器下载器。该下载器可以同时给一个或多个TPMS主控制器下载程序;可以选择离线或在线下载,可以通过自身或者PC显示下载状态。实验证明:该下载器下载程序的错误率为0%,读出程序的成功率为100%,下载时间减少为3~4 s,比市场上现有的下载器提高了大约3倍时间。该下载器可以提高TPMS主控制器下载程序的效率,满足了市场发展的需求,节省了企业的人力、物力,降低了企业的生产成本。

摘要：针对传统PID控制算法对四旋翼飞行器的姿态角进行控制时,其控制参数很难随着环境的变化进行自整定,进而影响四旋翼飞行器的稳定性的问题,提出了一种改进的PID控制算法;该算法通过改进单神经元中的K值公式提高了Kp、Ki、Kd的学习速率,从而提高了系统的响应速度;通过增加超调惩罚措施,通过适当的放大或缩小超调,可以使系统超调达到最小;通过与增量型PID、标准二次型单神经元PID算法进行比较,并且进行仿真实验;结果表明:所提方法具有参数自整定能力强且快速响应、鲁棒性强及稳定性好。