摘要：为了解决复杂环境中无人机分布式编队控制问题,考虑外界干扰影响和状态信息不完全反馈情况,对无人机设计分布式编队控制器。无人机利用自身位置反馈,基于二阶精确微分器设计状态观测器,得到无人机速度和干扰的估计值;结合自身估计信息和邻机位置、速度的估计,基于连续螺旋滑模控制方法设计编队控制器和姿态跟踪控制器;稳定性分析保证了无人机闭环系统稳定性。基于Matlab/Simulink数值仿真和软件在环实时仿真平台,验证了所设计控制算法的有效性,并演示了三维可视化仿真结果。

摘要：基于全相位滤波理论,设计了一种新的FIR窄通带滤波器———APNPBF.它能精确控制通带增益,且不需反复进行参数调试.使用频率采样、Chebyshev窗和全相位窄通带滤波器分别作为蛋白质编码区预测算法的核心,在ALLSEQ和HMR195 2个DNA序列集上获得的碱基层预测准确率AC表明,APNPBF效果优于现有方法.

摘要：在压缩感知理论的稀疏表示过程中,通常选择正交完备字典实现信号稀疏表示.冗余字典比完备字典表现出对信号更好的适应性,常见的冗余字典直接由两个或多个正交完备字典级联而成.为了设计对信号具有更好适应性的冗余字典,改变原有正交完备字典,通过对正交傅里叶完备字典中的原子进行扩展、延时、混叠等一系列变换,设计出一种新的非正交完备字典.在此基础上,将该完备字典与单位矩阵级联构造了新的非正交冗余字典.以一维信号作为测试信号,研究了冗余字典的性能.仿真实验结果表明提出的非正交冗余字典比正交傅里叶完备字典具有更好的稀疏性能和重构性能.

摘要：研究分布式无人机集群巡航任务中的协同路径跟踪问题与动态避障控制问题.利用transverse feedback linearization(TFL)方法对无人机的动力学模型进行变换,通过解耦控制实现对期望巡航路径的跟踪.在期望路径方向上,设计基于一致性协议的分布式无人机队列协同控制算法,并结合势场法设计协同巡航过程中对移动障碍物的规避控制策略.在队列达成一致性目标的同时,能够保障队列行进的安全性.基于Lyapunov分析方法和LaSalle不变原理证明闭环系统的稳定性,同时采用能量法证明队列中的无人机不会与动态障碍物发生碰撞.最后,基于搭建的无人机协同飞行实验平台,完成多架无人机的协同队列控制和移动障碍物规避实验,飞行实验结果验证了所设计协同控制算法与避障控制策略的有效性.

摘要：针对四旋翼无人机吊挂负载系统准确位置控制问题和吊挂负载的摆动抑制问题,提出了一种基于强化学习的在线轨迹规划方案。为补偿飞行过程中未知外界扰动的影响,本文首先将无人机的期望轨迹设计分为位置定位轨迹规划设计和抗扰动轨迹规划设计。其中,位置定位轨迹规划部分可预先设计,以引导无人机飞抵目标位置。抗扰动轨迹规划部分采用基于强化学习的在线更新策略,对外界未知扰动进行补偿,以达到抑制飞行过程中吊挂负载摆动的目的。然后,采用基于Lyapunov稳定性的分析方法,证明了闭环系统的稳定性,并证明了无人机位置跟踪误差和吊挂负载摆动运动的收敛。最后,通过飞行对比实验,验证了所提轨迹规划方法的有效性以及对外界干扰和负载质量变化的鲁棒性。

摘要：为了优化增程式电动汽车增程模式时的系统效率、降低系统排放，通过发动机以及发电机高效工作区的匹配，设计了增程器高效区内分段功率跟随控制策略。发动机的转速根据驱动需求功率的大小以及效率曲线设置特定工作点，分别在特定工作点连续调节发电机的转矩，实现了发动机转速和发电机转矩的解耦控制。为了保证控制系统的响应速度并提高控制的鲁棒性，在不同转速下对发电机转矩采用多比例谐振控制器（MFPR）以实现系统控制目标的快速无静差跟踪。采用频域响应特性详尽研究了多比例谐振控制器及各参数对系统动、静态性能与稳定性影响，提出了系统参数设计的方法。设计后控制系统相角裕度满足30°〈γ〈60°，幅值裕度满足h〉6dB，获得适合增程器发电机控制的稳定的高鲁棒性的功率跟随控制方法。最后，通过系统仿真和实验验证了所设计的功率跟随控制具有良好的动态响应与稳定性。

摘要：过程成像(PT)技术以两相/多相流为主要测量对象。ECT/CT双模融合可拓宽过程层析成像技术的测量范围,实现信息的互补与融合。设计了ECT/CT双模态传感器,提出测量数据融合方法及其成像数学模型。针对融合后数据采集量增大,影响系统响应速度的问题,基于压缩感知原理,对测量数据随机采样,并运用L1正则化算法重建图像,在不影响成像质量的前提下,进一步提高成像速度,以适应在线观测与控制多相流型的需要。

摘要：提出了一种二元互补序列偶集的构造方法,并给出了相应的理论证明.通过实例表明利用该方法不仅可由两个二元互补序列偶集构造生成新的二元互补序列偶集,并可推广到由多个二元互补序列偶集构造新的二元互补序列偶集的设计中,从而扩展了二元互补序列偶集的存在空间.

摘要：随着内容分享网络的发展,网络上的视频数据急剧增长,出现了大量的非法拷贝。为了减少版权侵犯纠纷,需要检测出网络上的非法拷贝。视频指纹是实现拷贝检测的关键技术,能够将视频感知内容表示为简短摘要。利用降噪自编码器(DAE)稳健性强的优点,通过逐层训练DAE构建独立提取各帧特征的深度网络,设计了一种基于时空神经网络的视频指纹算法。在此基础上,采用长短时记忆网络提取视频时序特征,并根据慢变特征分析理论设计了网络训练算法。实验结果表明:基于时空神经网络的视频指纹在视频拷贝检测中能够表现出较高的准确率,性能指标优于对比算法。

摘要：在开集协议下设计了一种基于角度距离损失函数和密集连接卷积神经网络的人脸识别算法,以实现深度人脸识别。所设计的网络结构使用基于角度距离的损失函数,让人脸特征的区分度更高,符合特征的理想分类标准。同时,所提出的神经网络结构采用先进的密集连接模块,在很大程度上减少了传统网络结构的参数冗余。经过大量的分析和实验,该算法在LFW数据集上的人脸识别准确率达到了99.45%,在MegaFace数据集上的人脸确认任务和人脸验证任务中的人脸识别准确率分别为72.534%和85.348%,因此所提算法在人脸识别任务中具有较高的优越性。