排序方式: 共有34条查询结果,搜索用时 31 毫秒
1.
针对通信拓扑至少含有一个沿迭代轴的联合生成树且同时沿有限时间轴和无限迭代轴切换的情况,文本研究了存在测量受限的连续线性多智能体系统输出一致性迭代学习控制问题.首先,文章采用迭代学习控制方法设计了一种基于跟随者局部信息的分布式输出一致性协议.然后,给出了系统可解输出一致性问题的两个充分性条件,其中之一可使跟随者实时获取迭代学习增益,避免了全局信息对学习增益设计的影响,且保证了算法的分布式实现.接着,利用λ范数理论和圆盘定理严格证明了所设计算法的收敛性.最后,通过实例仿真验证了所得结论的有效性. 相似文献
2.
针对箱体类金属工件铆接质量难以检测、检测效率及精度低的问题,通过分析半空心铆钉铆接特点,基于机器视觉技术,提出了一种特征融合与机器学习结合的铆接质量检测方法。首先,为了克服铆钉反光及背景噪声和纹理的影响,提出改进的Retinex图像增强算法和多阈值目标分割算法,得到铆钉及镦头等感兴趣区域;其次,为了准确描述缺陷特征,提取目标区域的几何形状及Zernike矩等12维特征向量;最后,设计了基于ELM分类算法实现缺陷的分类。实验结果表明,该方法能够准确检测出铆接质量缺陷,“合格-缺陷”二分类和缺陷多分类检测正确率分别为95.2%和92%,且满足实时在线检测需求。 相似文献
3.
基于二阶一致性算法的多仿生机器鱼分布式编队控制 总被引:1,自引:0,他引:1
针对动态领航者按照自身动力学模型运动, 多个跟随者机器鱼以其为编队参考点, 根据编队要求形成队形并整体跟随领航者运动的问题, 提出一种多仿生机器鱼分布式编队控制方案. 首先, 基于二阶一致性算法给出各跟随者机器鱼估计领航者位姿信息的分布式算法;其次,给出以领航者为参考点的多仿生机器鱼编队描述方法,进而各机器鱼根据编队要求以所估得的参考点信息实时确定其在编队中的期望位姿; 再次, 各跟随者机器鱼以期望速度和角速度以及所估得的领航者位姿信息为输入, 利用模糊控制器确定其速度档位和方向档位, 实现编队的形成与保持. 仿真和实验结果均表明, 所提分布式编队控制方法是有效的, 仿生机器鱼群体能够较快形成期望队形并跟随领航者游动. 相似文献
4.
在多机器人巡逻任务中,由于通信距离的限制,单个机器人很难获得全局信息。然而,现有的大多数多机器人分布式巡逻算法都要求每个机器人获得其巡逻区域的全局信息进行决策。因此,考虑到通信半径约束和局部信息约束,为了通过相邻机器人之间的交互完成巡逻任务,基于离散时间一致性理论提出了两种巡逻算法。算法1使用全局信息进行决策,算法2基于离散时间一致性理论实现局部信息对全局信息的预测进行决策。通过模拟器Stage对所提算法与对比算法在不同机器人数量、通信半径、地图环境下进行了对比。实验验证了所提出的基于局部信息的分布式多机器人巡逻算法具有与原算法类似的特性和性能,能够使机器人在没有全局信息的情况下判断全局状态,并基于邻居之间的协商完成巡逻任务。 相似文献
5.
6.
仿生机器鱼胸/尾鳍协同推进闭环深度控制 总被引:1,自引:0,他引:1
为改善机器鱼定深控制过程中的动态性能与稳态性能,根据深度误差的大小将定深控制过程分解为趋近阶段与巡游阶段,给出了一种基于中枢模式发生器(central pattern generator,CPG)与模糊控制相结合的闭环运动控制方法.为此,首先建立了以压力传感器信号为反馈输入,通过模糊控制器调节控制参数的CPG运动控制模型.在此基础上,针对误差较大的趋近阶段,采用胸/尾鳍协同方式,通过趋近模糊控制器改变摇翼关节的偏置量与幅值来使机器鱼快速到达期望深度;针对误差较小的巡游阶段,采用改变攻角方式,通过巡游模糊控制器改变胸鳍攻角来使机器鱼保持在期望深度.两阶段之间通过胸鳍CPG的启停实现切换.模糊控制器设计时利用了基于最小二乘法对实验数据拟合而得出的俯仰角变化率与控制参数的近似关系,提高了机器鱼趋向期望深度的速度并减小了在期望深度巡游时的稳态误差.仿真与实验结果验证了所提控制方法的有效性. 相似文献
7.
8.
针对多机器人巡逻问题,提出基于全局平均最大空闲时间的分布式巡逻算法,确保每个巡逻顶点在一定时间内被机器人访问.在算法执行过程中,每个机器人利用共享信息估算全局平均最大空闲时间.机器人在当前顶点收集的信息用于决策、选择下一个被机器人访问的顶点.再根据全局平均最大空闲时间的大小估算在巡逻任务过程中多机器人团队的表现,确定完成此巡逻任务所需的最优机器人数量.仿真实验表明文中算法的收敛速度较快,全局平均最大空闲时间值较小,多机器人巡逻任务完成效果较佳. 相似文献
9.
10.
无确定度逆向云模型新算法 总被引:2,自引:0,他引:2
针对现有结果未揭示决定云模型雾化特性的本质因素以及无确定度逆向云模型算法误差较大这两个问题进行研究。通过对正向云模型的数学分析, 指出云滴定量数据的标准差决定云模型雾化特性, 提出用熵和超熵的比值度量云滴离散程度, 称为雾化因子。分析和实验表明, 云分布对应雾化因子取值在3~18之间, 当其大于18时, 云分布退化为正态分布, 无确定度逆向云模型算法不再适用。在此基础上, 利用云分布四阶原点矩来估计云模型的数字特征, 提出一种新的无确定度逆向云模型算法, 不同雾化因子和云滴数量的对比实验结果表明, 所提算法在对云模型数字特征估计的准确性与稳定性方面优于现有算法。 相似文献