将Robocode机器人编程应用于Java教学的实践研究

该文结合实际教学中的体会,提出将Robocode机器人游戏编程融入到Java教学活动中以便提高该课程的实际教学质量及学生的实践能力.     

基于模型预测控制的移动机器人轨迹跟踪

通过分析与建立全向移动机器人运动学与动力学模型,研究了移动机器人轨迹跟踪问题。在误差模型的线性化描述的基础上使用模型预测控制方法,在满足控制约束的条件下,将样周期内最小化目标函数的优化问题转换为二次规划问题的求解,有效减低了计算量。结果表明该方法对移动机器人的轨迹跟踪控制是有效可行的。     

非最小相位逐维定位多模型自适应解耦控制器

针对多变量系统中多个参数同时跳变导致模型数目巨大,计算时间长等问题,提出了采用逐维定位技术的多模型自适应解耦控制器.该方法将多维空间的并行寻优问题转化为多个一维空间的串行寻优问题,可大大减少系统模型集的数量.针对非最小相位系统,将系统的耦合作用视为可测干扰,采用前馈方法予以消除.最后给出全局收敛性分析.仿真结果表明当采用相同数目的模型时,其控制效果明显优于常规多模型控制器.

     

非最小相位逐维定位多模型自适应解耦控制器

针对多变量系统中多个参数同时跳变导致模型数目巨大、计算时闻长等问题.提出了采用逐维定位技术的多模型自适应解耦控制器.该方法将多维空间的并行寻优问题转化为多个一维空间的串行寻优问题,可大大减少系统模型集的数量.针对非最小相位系统,将系统的耦合作用视为可测干扰,采用前馈方法予以消除.最后给出全局收敛性分析.仿真结果表明当采用相同数目的模型时,其控制效果明显优于常规多模型控制器.     

基于声信号特征声谱图的变压器状态监测与故障诊断

为实现基于声信号的变压器状态监测与故障诊断,提出了一种基于改进的瀑布声谱图-卷积神经网络的变压器声信号识别模型。首先采用基于小波变换和独立分量分析的联合去噪方法对声信号进行去噪处理;其次使用主成分分析改进瀑布声谱图,对声信号进行特征提取;然后设计适用于变压器特征声谱图识别的卷积神经网络结构,优化各层网络参数,实现对变压器声信号的特征识别;最后采集三种运行状态下的变压器声信号进行试验分析,变压器声信号识别模型对正常、过负荷以及局部放电故障三种运行状态的声信号均能达到95%以上的识别成功率。结果表明：提出的改进的瀑布声谱图-卷积神经网络模型能够对变压器声信号实现较好的识别效果,可用于变压器的状态监测和故障诊断。     

基于人脸云数据数字标牌投放效果的研究

目的利用移动终端的传感设备,将广告投放对象精准化。方法采用基于肤色修正的Haar特征人脸检测算法、粒子滤波和Mean-Shift相结合的人脸追踪算法以及Gabor特征性别判别和年龄估计算法,设计基于云计算的硬件架构,展望匿名视频,分析系统发展趋势。结果在云端实现了对广告关注人数、关注时间及关注者年龄、性别的实时统计分析并出具了相关报告。结论对在不同时刻、不同地点投放广告从而获取最大效益的实验提供了有力的数据支撑。     

具有降阶模型的多模型鲁棒自适应控制

传统鲁棒自适应控制由于考虑了实际系统存在的不确定性,在一定程度上扩大了常规自适应控制的应用范围,但是传统鲁棒自适应控制大多只是从系统全局稳定性的角度出发来设计控制器而忽略系统动态和稳态性能,导致其无法在工况多变的实际被控系统中取得令人满意的效果。针对传统鲁棒自适应控制的不足,本文对由ARMA模型描述并包含未建模动态的系统设计了多模型鲁棒自适应控制器。首先采用正则化技术将系统未建模动态转化为系统有界扰动,并在系统降阶模型的基础上根据系统工况的变化设计了多个固定控制器和2个鲁棒自适应控制器,并根据性能指标函数选择最佳控制器作为当前系统控制器以提高系统性能。仿真实验说明当系统存在未建模动态以及系统工况发生变化时,本文设计的控制器能获得较好的控制效果。     

随机系统的多模型直接自适应解耦控制器

针对多变量离散时间随机系统, 提出了一种采用广义最小方差性能指标的多模型直接自适应解耦控制器. 该多模型控制器由多个固定控制器和两个自适应控制器构成. 固定控制器用以覆盖系统参数的可能变化范围, 自适应控制器用以保证系统的稳定性和提高暂态性能. 该多模型控制器利用矩阵的伪交换性和拟Diophantine方程性质, 基于广义最小方差性能指标, 将随机系统辨识算法和最优控制器设计相结合, 直接辨识出控制器的参数, 通过广义最小方差性能指标中加权多项式的选取,不但实现了多变量系统的动态解耦控制, 而且消除了稳态误差、配置了闭环极点. 文末给出了全局收敛性分析. 仿真结果表明该方法明显优于常规自适应控制器.     

基于极速神经网络的协作过滤方法研究

协作过滤是一种有效的个性化推荐技术,针对该技术随着用户和资源的增多,数据的高维稀疏特性严重导致推荐质量的下降和计算速度减慢的问题,研究并实现了一种基于极速神经网络的协作过滤方法。采用主成分分析解决数据高维稀疏性问题,采用极速神经网络技术解决计算速度慢的问题。实验结果表明,该方法具有良好的泛化性能和学习速度,能很好的满足个性化资源推荐的需求。     

基于自适应模糊聚类多模型过程监控及应用

对乙烯裂解炉建立实时监控模型具有重要的现实意义,而传统的多元统计过程监控方法都是假设过程处于单一工况下,而随着过程参数(进料负荷、产品组分等)的改变,工况也随之改变,传统方法便不再适用.本文针对工业过程中的多工况问题,提出了一种基于自适应模糊聚类的多模型过程监控方法,该方法可以减少监控方法对过程知识的依赖性,并且能够适应实际工业过程的非高斯性和非线性特征.首先对影响工况的过程变量利用自适应模糊聚类进行工况划分,然后对每种工况的建模数据分别利用最大方差展开(MVU)提取低维信息,再用支持向量数据描述(SVDD)建立多模型过程监控模型,最后再利用相应的统计指标进行过程监控.将上述方法应用在乙烯裂解炉上,并与基于高斯混合模型的多PCA方法(GMM-MPCA)进行了比较.仿真实验中,监控对裂解炉运行影响最大的33个变量,根据聚类有效性指标,将数据划分为5类时可以得到最佳的聚类效果.通过实验,将33维建模数据降到20维时误报率最小.仿真结果表明该方法在对非线性和非高斯性过程的监控上,能达到很好的效果,误报率和检测率均优于GMM-MPCA方法.