Systematic robustness analysis of least squares mobile robot velocity estimation using a regular polygonal optical mouse array

This paper presents the robust velocity estimation of an omnidirectional mobile robot using a regular polygonal array of optical mice that are installed at the bottom of a mobile robot. First, the velocity kinematics from a mobile robot to an array of optical mice is derived, from which the least squares estimation of the mobile robot velocity is obtained as the simple average of the optical mouse velocity readings. Second, it is shown that a redundant number of optical mice contributes to the robustness of the least squares mobile robot velocity estimation against both measurement noises and partial malfunction of optical mice. Third, the sensitivity analysis of the least squares mobile robot velocity estimation to imprecise installation of optical mice is made, from which a practical method of optical mouse position calibration is devised. Finally, some experimental results using commercial optical mice are given to demonstrate the validity and performance of the proposed mobile robot velocity estimation. Copyright © 2011 John Wiley and Sons Asia Pte Ltd and Chinese Automatic Control Society     

SPECTRAL RADIUS,KRONECKER PRODUCTS AND STATIONARITY

Abstract. We provide a stochastic proof of the inequality ρ(A?A+B?B) ≥ρ(A?A), where ρ(M) denotes the spectral radius of any square matrix M, i.e. max{|eigenvalues| of M}, and M?N denotes the Kronecker product of any two matrices M and N. The inequality is then used to show that stationarity of the bilinear model will imply stationarity of the linear part, i.e. the linear ARMA model for r= 1 and q= 1. Furthermore, it is shown that stationarity of the subdiagonal model, i.e. the bilinear model with b_ij=0 for i< j, again implies stationarity of its linear part, provided that the stationarity condition given by Bhaskara Rao and his colleagues is met. Interestingly, the conclusion that stationarity of the subdiagonal models, implies that the linear component models cannot be extended to the general non-subdiagonal bilinear models. The last observation is demonstrated via a simple example with p=m= 1, r= 0 and q= 2.     

SVD域的图像高斯噪声强度估计

精确估计图像或视频中的噪声强度对于后续的信号处理是至关重要的先决条件。通过对含噪图像的奇异值特性的研究,提出一种精确的SVD域的图像噪声强度估计算法。该算法对噪声强度估计提出了创新的解决方法:1)利用奇异值的尾部数据进行噪声强度估计,这样达到尽可能地降低图像信息对噪声估计的干扰;2)对含噪图像加入已知强度的高斯白噪声,以计算噪声估计时需要设置的与图像内容相关的参数,因此该算法可以自适应图像的结构,能够广泛地适应各种类型的图片。实验结果表明SVD域噪声强度估计算法适用于各种图片类型,而且在极大的噪声强度范围内都能够稳定精确地估计噪声强度。     

低温裂纹张开位移预测方法的讨论

把低温影响下的COD试验数据用灰色理论中的累加方法进行累加，可以使一组没有规律的数据成为一条光滑的曲线．然后利用人工神经网络和自适应模糊推理系统两种方法进行预测，算例的结果表明用一次累加后的数列预测精度较高。     

D-2-DenseNet噪音鲁棒的城市音频分类模型

为了提高噪音环境下城市音频分类系统的鲁棒性,提出了一种双特征2阶密集卷积神经网络（D-2-DenseNet）噪音鲁棒的城市音频分类模型.首先介绍了噪音添加和噪音鲁棒处理,阐述了一种双特征互补偿的算法;然后结合2阶密集卷积神经网络与自适应机制提出了一种噪音鲁棒音频分类模型：双特征2阶密集卷积神经网络.模型采用双特征互补偿自适应算法,可在特征提取与模型训练中更有针对性地提取有效音频信息,降低噪音干扰,以提高噪音鲁棒性.最后,基于Dcase2016数据集开展噪音环境下城市音频分类测试.实验结果表明,模型分类准确率分别可达77.12%、75.52%,与基线模型相比,平均分类准确率分别提高了8.51%和10.38%,验证了模型良好的噪音鲁棒性.     

基于观测器摩擦补偿的机电系统高精度控制

针对机电作动系统在低速阶段摩擦非线性明显且同时存在其他干扰,易导致系统跟踪精度、稳定性下降这一问题,设计基于非线性观测器摩擦补偿的自适应鲁棒控制器. 针对摩擦非线性,利用LuGre摩擦模型描述系统的摩擦现象,提出非线性观测器对模型的内部摩擦状态进行观测. 针对系统摩擦系数、转动惯量及其他不确定性参数,设计参数自适应律进行估计. 利用前馈补偿的方法,对摩擦非线性和参数不确定性进行补偿,设计鲁棒项克服系统的其他扰动. 利用Lyapunov稳定性定理证明了提出的控制器在存在扰动的情况下可以实现系统的有界稳定性. 实验结果表明,提出的控制器具有较高的控制精度与较强的鲁棒性,跟踪精度较传统的PID控制器提高了一个数量级.     

不确定离散系统的鲁棒Gl2滤波器设计

对于凸多面体不确定离散系统,研究了满足误差估计系统鲁棒稳定且满足一定Gl₂性能指标的线性全阶稳定滤波器设计方法.分别给出了确定性和不确定性离散系统具有Gl₂性能的线性矩阵不等式（linear matrix inequality, LMI)充要条件和充分条件.在此基础上,通过使用滤波器参数化方法,分别推导出了以LMI描述的确定性和不确定性系统的Gl₂滤波器存在的充要条件和充分条件,进而可以使用LMI凸优化程序求解滤波器.通过对算例的计算,结果表明,在噪声信号为独立范数有界情况下,鲁棒Gl₂滤波比H_∞滤波具有更少的保守性.     

基于阈值分割的松材线虫病树计数与定位

松材病虫病是最紧迫的威胁之一,最近对中国针叶林造成了严重破坏,为了阻止松材病虫病的快速传播,必须在早期准确检测和计数受感染的树木。提出了一种基于密度图的方法,用于从高分辨率航拍图像中估计具有松材病虫病的树木数量,方法引入了阈值分割、形态处理和超像素技术,以最大限度地减少由于建筑物和岩石等相似背景物体引起的误差。实验表明,所提出的方法优于密度学习 算法,平均绝对误差、均方根误差和绝对误差方差分别从21.3、22.2和127.2减少到8.0、11.7和59.6,计数准确率从54.7%提高到81.3%。     

板料成形优化技术进展与质量工程研究

板料成形过程的优化研究对于改进模具设计、提高产品质量具有重要意义。综述了板料成形工艺优化的研究现状。考虑到在有约束的设计优化中,最优结果常位于约束边界附近,随机因素的波动易导致产品质量不稳定甚至失效,难以保持产品的可靠性和稳健性。为此,本文应用质量工程学中的6σ理念,提出了基于数值模拟的板料成形6σ稳健设计优化方法。     

Estimation in Random Coefficient Autoregressive Models

Abstract. We propose the quasi‐maximum likelihood method to estimate the parameters of an RCA(1) process, i.e. a random coefficient autoregressive time series of order 1. The strong consistency and the asymptotic normality of the estimators are derived under optimal conditions.