摘要：针对现有位姿估计算法在工业零件散乱堆叠场景下精度差、效率低的问题,提出了一种采用轮廓特征匹配的三维目标位姿估计方法。利用场景点云数据生成场景深度图像,采用Sobel滤波器提取图像边缘并得到场景点云轮廓;提出基于主方向一致性的轮廓点云聚类方法,对不同边缘的轮廓点云聚类并提取直线轮廓特征,建立用于进行轮廓特征匹配的统一特征描述子;通过哈希表存储的方式建立模型特征描述表,降低特征匹配时间,并通过霍夫投票得到多个候选位姿;使用位姿聚类的方式对候选位姿进行评价和筛选从而得到最终的位姿结果。采用工业目标识别数据集ITODD和自采数据进行目标6D位姿估计实验,实验结果表明提出的位姿估计方法相比于原始点对特征匹配算法识别速度更快,准确率更高,算法单个场景平均识别速度3.78 s,平均识别准确率76%。

摘要：微型燃气轮机发电是生物质气化等工艺产生的中低热值燃气的重要利用途径。基于热值为7.5MJ/m^3(标准状态)的生物质气和E100型天然气微型燃气轮机设计了一种"单旋流多孔燃料喷射"中低热值低排放燃烧室,并进行了燃烧室部件试验。低压部件试验表明所设计的燃烧室点火顺利、在设计出口温度下燃烧效率高于98.5%、氮氧化物排放小于20 mg/m^3。实验结果表明所设计的燃烧室可以实现中低热值燃料的高效稳定低排放燃烧,证明了燃烧室的可靠性,可以进行下一步的整机试验研究。

摘要：针对传统相似性方法忽略设备故障模式、退化速度以及监测数据长度间差异性的问题,提出多故障模式下多尺度相似性集成(MFM-MSEN)方法,以提高寿命预测精度并表征预测不确定性.通过训练故障分类模型,设计时序加权预测策略,识别设备故障模式,实现训练与测试设备间的分类匹配并降低匹配复杂度.在此基础上提出多尺度集成策略,可克服单尺度方法的数据利用率限制,并增强预测泛化性能,在多个尺度上匹配健康指标间的相似性,进一步采用核密度估计集成多尺度预测结果,以高精度拟合剩余寿命概率分布.实验结果证明,MFM-MSEN方法具有应对设备退化差异的优越性.

摘要：针对桥式起重机在外部扰动和不确定系统参数影响下的防摇控制问题,提出基于干扰观测器的终端滑模控制方法。该方法在保留外部干扰项的前提下建立起重机动力学模型,然后设计干扰观测器估计系统所受的干扰,并基于估计值设计自适应滑模控制器,主动补偿外部干扰对系统的影响,实现小车精准定位的同时有效抑制负载摆动。仿真结果表明,该方法具有良好的控制性能,使系统在外部干扰下具备鲁棒性。

摘要：针对高背景噪声下滚动轴承全生命周期(轻度退化、中度退化、重度退化)故障诊断需求,提出GA-OIHF(Genetic Algorithm-Output Input Hidden Feedback)Elman神经网络模型,实现退化故障的精准诊断.利用集合经验模态分解对振动信号进行有效降噪与故障特征提取.设计OIHF Elman神经网络,并在Elman神经网络结构的基础上,同时增加输出层对隐含层与输入层的反馈,进一步提高其对滚动轴承全生命周期数据的处理能力.然后,通过结合遗传算法构建一种新的GA-OIHF Elman神经网络模型,该模型综合了遗传算法的全局寻优与OIHF Elman神经网络的局部寻优能力,从而实现对滚动轴承全生命周期的精确故障诊断.实验结果表明,所提出的GA-OIHF Elman方法不仅对于滚动轴承全生命周期故障具有准确的诊断效果,而且保证了诊断模型对于不同故障(不同故障部件与不同故障时期)的诊断稳定性.

摘要：人脸识别技术由于其成本低、用户友好、效率高等特点被广泛应用,同时也出现了针对人脸识别的身份伪造攻击,主要包括照片人脸攻击、视频人脸攻击、三维人脸模型攻击等方式,对于这些攻击方式的防范方法都是围绕着基于人脸的活体检测这个中点进行展开.本文着重研究的活体检测方法为眨眼检测与背景分析算法,通过区域增长算法进行人眼定位、形态学操作进行人眼张合判断、感知Hash算法进行背景差异对比,构造出一个复合的活体检测系统.基于复合的眨眼检测与背景分析算法,本文设计了一个包含眨眼检测模块与背景分析模块的活体检测系统,使用OpenCV2.4.9与vs2012的MFC架构实现了一个可以抵御照片攻击与视频攻击的活体检测系统,并对系统进行实验与评估,在与其它同类型的系统进行比较的结果来看,本文实现的系统性能表现优异.

摘要：面对大数据时代带来的变革与挑战,供应商情报系统研究与开发的目的在于有效利用大数据技术对开放数据进行收集、分析与处理,为评估与管理供应商提供决策依据。从供应商的情报管理的实际需求出发,采用文本分析、知识图谱和图数据库等新技术,设计了一个基于大数据技术的供应商情报管理系统。该系统能实现定制化全网开放数据的采集整合、分析挖掘和综合利用,并实现供应商运营状态的预测与评价,有效地提高了企业在供应商的遴选与管理方面的决策能力。

摘要：针对大规模人脸识别问题,基于残差学习的超深卷积神经网络模型能取得比其他方法更高的识别精度,然而模型中存在的海量浮点参数需要占用大量的计算和存储资源,无法满足资源受限的场合需求.针对这一问题,本文设计了一种基于网络参数量化的超深残差网络模型.具体在Face-Res Net模型的基础上,增加了批归一化层和dropout层,加深了网络层次,对网络模型参数进行了二值量化,在模型识别精度损失极小的情况下,大幅压缩了模型大小并提升了计算效率.通过理论分析与实验验证了本文设计方法的有效性.