摘要：针对多自由度机械臂在实现轨迹跟踪控制时过于依赖机械臂的精确数学模型和跟踪精度低等问题,提出了一种将自适应神经网络、极局部模型与积分型终端滑模相结合的控制方法。该方法使用一种基于时延估计的极局部模型来近似机械臂的动力学模型,利用自适应神经网络的非线性逼近性能,补偿时延估计产生的误差;对极局部模型设计积分型滑模控制器提高系统的收敛速度和控制精度,实现不依靠动力学模型的机械臂高精度轨迹跟踪。通过李雅普诺夫理论证明系统的稳定性和有限时间收敛性。最后通过实验,验证了该控制方法可以在完全不依赖模型信息的前提下实现机械臂的高速度和高精度跟踪控制。

摘要：在自动驾驶这类多传感器融合任务中,每个子任务的不确定度对数据融合的策略和结果都有着至关重要的影响,为使整体系统能够在多工况下稳定运行,必须要求计算模型以较低的不确定度运行。现有方法仅能在神经网络预测过程中求得不确定度,很少有方法能够通过自学习的方式降低模型的不确定度。为解决上述问题,提出了不确定度学习层和不确定度损失项等概念,设计了一种能够通过自学习的方式降低不确定度的神经网络架构(ULNN),从而增强神经网络模型预测的稳健性。在CIFAR-10和CIFAR-100数据集上的实验表明,ULNN能够有效地降低模型不确定度,在两个数据集上分别降低了26倍和12倍的不确定度。进一步在CamVid数据集上的语义分割实验中证明了ULNN的通用性。

摘要：永磁球形电机轨迹跟踪控制方法常常利用高增益的控制输出来保证系统的鲁棒性及跟踪控制的快速性.但这种保守控制会带来较大的控制作用,甚至导致执行器饱和.为了减少控制的保守性,本文设计了一种带有非线性干扰观测器的模糊滑模控制器来解决球形电机的轨迹跟踪问题.利用干扰观测器对不确定性、摩擦、外界干扰、负载扰动等进行估计,并在控制输入端进行补偿实现对干扰的抑制.并利用滑模控制器抵消干扰观测器的干扰观测误差及不可观测部分的干扰,为了减少滑模的抖振,本文利用模糊逻辑对该部分进行逼近,并利用模糊的输出增益代替滑模的切换增益.此外通过Lyapunov方程证明了本文控制器的稳定性.仿真结果表明在存在模型不确定性及各种干扰的情况下,本文的轨迹跟踪控制具有良好的动静态性能和少保守性.

摘要：由于静电传感器阵列(ESA)安装位置及电极数目受到工作环境限制,导致航空发动机故障预测与健康管理(PHM)系统的线性独立测量信息数较少。针对此问题,提出了一种基于静电互相关(CC)灵敏度加权的气路碎片监测方法,在同一电极数目的条件下利用互相关聚焦原理有效增加了能够表征不同敏感区域的测量信息。在此基础上设计了8电极ESA,建立了不同电极对的互相关灵敏度分布,并以获取的16个相关速度值对其进行加权计算,计算结果反映了带电碎片的速度和位置信息。带式静电实验装置和颗粒落体实验装置的实验结果验证了所提方法的有效性,对单颗粒与多颗粒的监测结果和实际分布的平均相关系数分别达到了0.668与0.652,提高了PHM系统的监测信息量和稳定性。

摘要：针对阴天或夜晚等弱光条件下拍摄的图像具有亮度低、对比度低和细节模糊等问题,提出了一种基于色调映射和暗通道融合的弱光图像增强方法.首先,根据弱光及其反转图像的特点,提出面向弱光图像的透射率估计方法,进而获得场景深度信息,并将其融入色调映射函数设计;同时利用暗通道图像区分光源区域,以修正色调映射函数参数,使其能够根据场景深度自适应调整图像亮度;另一方面,增强后的暗通道图可有效突出图像的细节信息,将经过色调映射后的V通道图像和暗通道图进行加权融合,得到最后的增强结果.实验结果表明,本文方法不仅显著改善图像亮度、增强对比度、恢复出更多的图像细节,还能有效去除块效应和晕轮伪影,视觉效果理想.

摘要：针对存在建模误差和外部干扰等大量不确定信息的机械臂轨迹追踪控制问题,提出带有自适应模糊系统的终端滑模控制方法.该方法采用非奇异快速终端滑模面,使状态变量在滑动阶段具有全局快速收敛性;选取带有变系数的改进型双幂次趋近律,提高状态变量在趋近运动阶段的收敛速度,削弱控制器输出抖振;利用自适应多输入多输出(MIMO)模糊系统对系统模型以及外部干扰进行逼近,摆脱对具体模型信息的依赖,提高轨迹追踪精度和抗干扰能力.通过构建Lyapunov函数证明系统的闭环稳定性和有限时间收敛性.以Denso VP6242G串联机械臂为被控对象进行对比仿真和实验,结果表明所设计的控制器能有效提高轨迹追踪精度和抗扰动能力,并缓解控制器输出中的抖振现象.

摘要：为了实现环境友好的通信,提高信道空间复用率进而提高网络吞吐量,提出了一种采用指向性换能器的水声传感器网络功率控制算法.设计支持指向性的邻节点发现过程,使节点获取信道信息,以归一化系统容量最大化及对邻近节点的干扰最小化为目标建立效用函数.以海洋生物发声影响阈值为限定条件,通过求解最大化效用函数的最优解对节点进行功率控制.该算法既能缓解隐藏终端和暴露终端问题,又能避免干扰海洋生物.仿真结果表明:相比于全向通信,对于不同的换能器波束宽度,本算法可使网络的能耗降低,吞吐量提高2~3倍,端到端延时降低20%~30%.

摘要：第一导联心电图心拍的分类具有重要的医学价值,可以用来判断心脏的健康状况.采用深度卷积神经网络的方法,设计了针对单导联心电图这种特殊一维信号的卷积神经网络.该卷积神经网络具有层数多、卷积核尺度多样、参数量小等特点,能有效对第一导联心电图心拍进行分类.首先将心电数据进行预处理输入网络,经过一系列卷积、池化操作,最终输出分类结果.将该网络应用于INCART数据库,对超过17×104条第一导联心电图数据进行分类实验,取得了98%,的准确率、90%,的敏感度和86%,的阳性预测值的分类性能.实验结果表明,所采用的方法可以对第一导联心电图心拍进行很好的分类,并可应用于可穿戴设备和远程监护领域.

摘要：基于深度学习的去模糊方法已经取得了较大进展,但是随着网络层数加深,去模糊网络需要更多的计算资源和内存消耗,难以用于实际场景。针对目前的去模糊网络参数量大、运算时间长等问题,该文设计了一种轻量快速的渐进式残差去模糊网络。该网络使用浅层残差网络作为基准模型,可充分利用图像的局部特征信息,加强反向传播时的信息流通。同时,通过多阶段递归调用残差网络并进行参数共享,可大大简化网络模型,减少网络参数。为了进一步提高去模糊网络的特征重建能力,该文引入特征重标定模块进行特征融合,对输入图像与各个残差网络的输出特征图进行通道加权,并对特征图的空间信息进行自适应选择,实现更好的特征重建。实验结果表明,所提算法网络模型参数量小、运行速度快,大幅度领先于现有算法,且对各种空域可变模糊去除均可实现理想复原效果。

摘要：基于相邻和非相邻特征(NNNF)行人检测算法,提出了一种方法来解决行人特征对尺度变化敏感的问题以及窗口误检的问题.首先,在NNNF基础上,设计了一种尺度不变的特征.由韦伯定理启发,该特征表示为两个相邻或非相邻区域的差分值与这两个区域特征和的比值.这种新的特征具有很强的尺度不变性.此外,还提出了基于行人位置先验的上下文信息,作为一种简单有效的后处理方法.在行人场景中,行人的高度与位置存在一定的映射关系.利用SVM(support vector machine)训练了行人高度关于行人位置的回归模型.该模型能有效地滤除那些行人高度与位置信息不符合回归模型的检测窗口.实验表明,相比于NNNF-L2和NNNF-L4,本文提出的方法在Caltech数据库的检测性能分别提高了2.90%,和2.28%,.同时,本文提出的方法也在所有基于非深度网络的行人检测方法中具有最好的检测性能,平均漏检率为14.56%,.