SGCMGs驱动的挠性航天器有限时间自适应鲁棒控制

针对挠性航天器系统中同时存在单框架控制力矩陀螺群(Single gimbaled control moment gyroscopes, SGCMGs) 摩擦非线性、电磁干扰力矩、惯量摄动以及外部干扰等问题, 提出了一种有限时间自适应鲁棒控制(Finite-time adaptive robust control, FTARC) 方法. 针对系统中存在未知参数的情况, 分别设计自适应更新律, 使得控制器的设计不依赖参数信息, 同时减小外部干扰对系统的不利影响. 应用Lyapunov稳定性理论证明了闭环系统姿态角误差和姿态角速度误差可在有限时间内收敛到原点附近的邻域内. 仿真结果表明, 所提控制律可实现挠性航天器姿态快速机动, 并获得甚高指向精度.     

基于动态特性描述的变量加权型分散式故障检测方法

现代工业生产过程往往具有复杂的动态特性: 不同测量变量间会存在不同的时序相关性, 且变量间的相互影响会反映在不同的采样时刻上. 现有的动态过程监测模型往往不能充分挖掘变量间的动态特性, 其故障检测效果也有待进一步提高. 在此背景下, 本文提出一种基于动态特性描述的变量加权型分散式故障检测方法. 利用最大相关最小冗余(Minimal redundancy maximal relevance, mRMR) 算法更准确地描述动态过程变量间的相关性关系, 并利用该相关性的值对原始增广矩阵进行加权处理, 且不同延迟变量对当前测量值的影响大小就通过权值来体现, 因此能更加全面地刻画该测量值的动态特性. 最后建立一种融合mRMR算法, 贝叶斯推理以及动态主成分分析(Dynamic principal componemt amalysis, DPCA)模型的新的分布式建模策略, 提高了模型的容错能力和泛化能力, 取得了更好的故障检测结果.     

融合显著性与运动信息的相关滤波跟踪算法

主流的目标跟踪算法以矩形模板的形式建立被跟踪物体的视觉表征, 无法有效区分目标与背景像素, 在背景复杂、目标非刚体形变、复杂运动等挑战性因素影响下容易出现模型偏移的问题, 导致跟踪失败. 与此同时, 像素级的显著性信息与运动先验信息作为人类视觉系统有效区分目标与背景、识别运动物体的重要信号, 并没有在主流目标跟踪算法中得到有效的集成利用. 针对上述问题, 提出目标的像素级概率性表征模型, 并且建立与之对应的像素级目标概率推断方法, 能够有效利用像素级的显著性与运动观测信息, 实现与主流的相关滤波跟踪算法的融合; 提出基于显著性的观测模型, 通过背景先验与提出的背景距离模型, 能够在背景复杂的情况下得到高辨识度的像素级图像观测; 利用目标与相机运动的连续性来计算目标和背景的运动模式, 并以此为基础建立基于运动估计的图像观测模型. 实验结果表明, 提出的目标表征模型与融合方法能够有效集成上述像素级图像观测信息, 提出的跟踪方法总体跟踪精度优于多种当下最先进的跟踪器, 对跟踪场景中的背景复杂、目标形变、平面内旋转等挑战性因素具有更好的鲁棒性.     

考虑链路重传的工业无线网络确定性调度算法

作为工业网络的关键技术, 确定性调度通过合理安排网络传输资源, 满足工业数据在规定时间内到达目标设备的实时性要求. 工业网络往往部署在环境恶劣、电磁情况复杂的工业现场, 与有线网络相比, 工业无线网络还面临着严重的丢包问题. 考虑到重传是克服链路丢包的简便高效方法, 本文提出了支持持续重传和区间重传两种策略的确定性调度算法. 基于链路时槽松弛度和动态优先级, 调度算法在每个时槽按照调度规则为重传链路配置通信资源, 缓解丢包对数据传输的影响, 并围绕对应重传策略进行相应的时槽、频点优化分配, 保障数据端到端按时到达. 仿真结果表明, 所提调度算法在满足传输确定性的前提下, 有效提升了数据传输的可靠性.     

基于目标导向行为和空间拓扑记忆的视觉导航方法

针对在具有动态因素且视觉丰富环境中的导航问题,受路标机制空间记忆方式启发,提出一种可同步学习目标导向行为和记忆空间结构的视觉导航方法.首先,为直接从原始输入中学习控制策略,以深度强化学习为基本导航框架,同时添加碰撞预测作为模型辅助任务;然后,在智能体学习导航过程中,利用时间相关性网络祛除冗余观测及寻找导航节点,实现通过情景记忆递增描述环境结构;最后,将空间拓扑地图作为路径规划模块集成到模型中,并结合动作网络用于获取更加通用的导航方法.实验在3D仿真环境DMlab中进行,实验结果表明,本文方法可从视觉输入中学习目标导向行为,在所有测试环境中均展现出更高效的学习方法和导航策略,同时减少构建地图所需数据量;而在包含动态堵塞的环境中,该模型可使用拓扑地图动态规划路径,从而引导绕路行为完成导航任务,展现出良好的环境适应性.     

结合模糊控制的时序数据预测循环神经网络

时序数据处理任务中,循环神经网络模型以及相关衍生模型有较好的性能,如长短期记忆模型(LSTM),门限循环单元(GRU)等.模型的记忆层能够保存每个时间步的信息,但是无法高效处理某些领域的时序数据中的非等时间间隔和不规律的数据波动,如金融数据.本文提出了一种基于模糊控制的新型门限循环单元(GRU-Fuzzy)来解决这些问题.本文在GRU的基础上对记忆层增加了一个子空间分解,由模糊控制模块和一个启发式的失效函数组成,根据数据波动和时间间隔决定记忆层保留的信息量,从而提升模型性能.实验表明,相比于其他的循环神经网络模型,在标普500和上证50中选出股票的股价预测任务中,本文提出的模型有较好的表现.     

基于上下文感知与自适应响应融合的相关滤波跟踪算法

针对当前相关滤波跟踪算法在抗背景干扰、响应融合方式以及模型更新策略上的不足,提出一种基于上下文感知与自适应响应融合的相关滤波跟踪算法.通过引入上下文感知技术,提高算法在背景杂波及遮挡等跟踪场景下的鲁棒性;通过研究HOG特征和颜色直方图特征二者响应图和响应值的特点,提出一种自适应响应融合方法,提升融合响应图的可靠性;在模型更新方面,采用了高置信度模型更新策略来减轻传统模型更新策略中模型污染及跟踪漂移的问题.实验结果表明,本文算法在OTB50数据集上达到了74.7%的跟踪精度,跟踪成功率为54.8%,均优于对比的主流相关滤波跟踪算法,并且在背景杂波、光照变化、遮挡、运动模糊等复杂跟踪场景中具有较好的跟踪精度与鲁棒性.     

顾问观点

信息化是社会发展的必然趋势,其特点是以信息科技为基础的各种信息系统服务于社会发展,不断提高民生质量。现代信息系统发展的核心特征是网络系统模式,社会运行存在的基本形式是时间和空间,现代社会和人类个体在时间空间交融的活动尺度和范围都在不断扩充,通常用移动表达,因此,     

矿用柴油机车中新型无源液位传感器设计

针对目前矿用柴油机车液位传感器无法动态调整水箱剩余水位的报警高度、可靠性较差等问题,提出一种新型无源液位传感器的设计方案。该液位传感器采用干簧管和电阻阵列等无源器件,实现了对水箱水位高度的连续监测,并可设置报警深度,可靠性和耐高温性能较好。