基于水下传感器网络的目标跟踪技术研究现状与展望

水下目标跟踪在海洋资源的开发利用以及国家安全的防御等方面都具有广泛的应用价值和重要的战略意义. 基于水下传感器网络(Underwater sensor networks, USNs)的目标跟踪技术凭借其覆盖范围广、观测时间长和实时融合等优势已经成为一个新的研究热点. 本文针对基于USNs的目标跟踪关键技术的基本思想、研究进展、应用及局限性进行了综述, 主要从以下几个角度对其展开论述: USNs的建设现状、系统组成及其分类、目标跟踪系统模型、单目标跟踪技术、多目标跟踪技术以及能效优化措施. 最后, 本文不仅指出了基于USNs的目标跟踪研究目前存在的主要挑战, 并对该领域的未来发展方向进行了展望.     

神经网络控制的交流位置伺服系统

本文以交流位置伺服系统为控制对象,针对该系统的复杂性、非线性和不确定性,讨论了神经网络在位置控制中的应用。实验结果表明,在神经网络控制下,该系统具有很高的静态精度和良好的动态跟踪性能。     

一类离散BAM神经网络的全局渐近稳定性分析--LMI方法

提出一种新的神经网络模型--标准神经网络模型(SNNM),并给出基于线性矩阵不等式(LMI)的SNNM平衡点的全局渐近稳定性定理.通过状态的线性变换,将推广的离散BAM神经网络转化为SNNM,利用SNNM的稳定性结论,判定该离散BAM的全局渐近稳定性.该方法扩展了以前的稳定性结果,保守性低,容易验证,同时也适用于其它类型的递归神经网络的稳定性分析.     

时滞标准神经网络模型及其应用

提出一种新的神经网络模型---时滞标准神经网络模型(DSNNM),它由线性动力学系统和有界静态时滞非线性算子连接而成.利用不同的Lyapunov泛函和S方法推导出DSNNM全局渐近稳定性和全局指数稳定性的充分条件,这些条件可表示为线性不等式(LMI)形式.大多数时滞(或非时滞)动态神经网络(DANN)稳定性分析或神经网络控制系统都可以转化为DSNNM,以便用统一的方法进行稳定性分析或镇定控制.从DSNNM应用于时滞联想记忆(BAM)神经网络的稳定性分析以及PH中和过程神经控制器的综合实例,可以看出,得到的稳定性判据扩展并改进了以往文献中的稳定性定理,而且可将稳定性分析推广到非线性控制系统的综合.     

递归多层感知器的稳定性分析——LMI方法

递归多层感知器(RMLP)在工程上应用比较多,但对其稳定性的研究还比较少.本文提出一种新的神经网络模型———标准神经网络模型(SNNM),通过状态空间扩展法,将RMLP转化为SNNM,而SNNM的稳定性分析可转化为一组线性矩阵不等式(LMI)的求解,利用Matlab/LMIToolbox求解LMI,从而判定RMLP的Lyapunov稳定性,并考虑非零阈值对稳定性的影响.该方法也适用于其他类型的递归神经网络(RNN)的稳定性分析.     

低压真空烧结炉的微机控制和管理系统

介绍了一个低压真空结炉的两级计算机系统，上位机采用Ｗｉｎｄｏｗｓ环境下面向对象的可视化编程工具设计人机界面，实时数据库和生产报表；下位机是以高性能微控制器８０Ｃ１９８为核心的单片机系统，运用改进的模糊控制算法实现炉温控制。实际运行表明：该系统结构简单，能很地地满足生产工艺的要求，可靠性好。     

基于Petri网结构分析的监控器综合

在基于Petri网建模的离散事件系统中, 提出利用局部关联信息进行约束转换, 并实现Petri网结构监控器综合的方法. 对以Parikh矢量约束形式给出的控制规范, 不可控不可观变迁会导致约束成为非法约束, 分析了不可控变迁的前向关联结构和不可观变迁的后向关联结构, 利用局部关联变迁实现对不可控和不可观变迁的间接控制, 从而将非法矢量约束转换为合法约束, 并保证初始控制规范的实现. 与基于矩阵的监控器综合方法相比, 本文的方法只需利用局部信息, 最后通过实例对该方法进行了说明.     

基于粗糙集的进化计算在位置伺服系统中的应用

1　引言在高速、精密的位置伺服控制系统中 ,位置环采用传统的 P控制很难满足系统控制品质的要求 .本文采用反馈 -前馈控制算法 ,反馈控制器 ( FBC)为比例环节 ,前馈控制器( FFC)为对象的逆模型 ,利用基于粗糙集的进化计算 ( EC) [1 ]自适应地调整前馈控制器的参数 ,以补偿系统参数的变化 ,达到最佳控制效果 .图 1所示的控制系统是控制某一机械装置 (机器人等 )的运动 ,实现对目标设定值迅速、准确地跟踪 [2 ] .图中前馈控制器的输出为uff =W1 Vcsgn{ω}+W2 αpθr+W3αpθr,　 W=[W1 ,W2 ,W3] ,( 1 )式中 Vc为 E…     

基于预测探测理论的位置伺服系统设计

结合预测控制的思想，提出了一种位置控制器的设计方法，实验结果表明，该控制器作用于位置伺服系统时，在跟踪性能和控制的鲁棒性方面均能取得令人满意的效果。     

基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.