基于2级控制系统的量化状态观测器设计

研究2级控制系统中量化状态观测器的设计方法.对设计的控制系统的输入、输出信号进行量化,使得这些数据可以在网络环境中传输.研究对量化后的数据经过非完美的频道传输时造成的数据损失的处理方法.设计状态观测器,对控制系统的各个信息进行估计.设计控制器,能够根据状态观测器输出的估计值,控制2个致动器协调工作,成功地实现了2级控制.在实验平台dSPACE-DS1103上对所设计的2级控制系统进行验证,实验数据验证了本文提出的2级控制器设计方法的有效性和可行性.     

融合复小波特征和局部二值模式的纹理聚类

为了解决图像检索中聚类问题,对图像作双树旋转复小波变换,再对变换后的系数通过广义高斯模型建模后,计算Kullback-Leibler距离;对图像采用局部二值模式,计算图像之间的对数似然距离.将这2种距离采用事先计算得到的加权因子进行融合得到新的距离.在此距离的基础上构建邻接矩阵,对邻接矩阵采用谱聚类的方法进行聚类运算.实验证明,由于双树旋转复小波变换和局部二值模式之间存在互补性,在聚类过程中将2种特征距离结合起来,能够有效地提高聚类的正确性.     

DCAM平台下的分布式方面构件模型及协同框架的研究*

由于方面化中间件平台DCAM的方面内核实现机制没有提供对分布式环境下方面构件通信的支持,扩展了DCAM中方面内核的方面调用机制,提出了分布式方面构件模型以及分布式环境下方面构件的协同框架。扩展后的DCAM平台不仅保持了原平台对POJO的支持,同时通过对分布式协同框架的引入,使平台在分布式环境下具有更好的可扩展性和容错性,满足了按需计算的需求。最后通过应用实例对DCAM的分布式模型进行了可行性验证并给出了性能分析。     

双正交尺度函数的两尺度关系

构造了双正交尺度函数Lk^j（x）与Lk^j^-（x）的两尺度关系。首先给出了双正交尺度函数Lk^j（x）与Lk^j^-（x）的定义以及几个引理,通过这些得到了双正交尺度函数的两尺度关系式。     

一种双网络架构的煤矿监控系统

针对煤矿井下环境复杂和矿井检测节点、检测参数种类众多的情况,提出了一种双网络架构的煤矿监控系统。该系统根据监控对象的不同,采用不同的网络进行数据传输,视频流数据采用以太网传输,矿井环境监控数据采用CAN网传输;双网络共用同一条物理线路,具有所有监测对象整体组网、统一检测、网络利用率高等优点。     

气液两相机械搅拌釜中翼型组合桨持气特性

研究了机械搅拌釜中翼型组合桨的组合方式、桨间距、通气位置及翼型桨的排出流方向对气含率的影响。在单位体积功率消耗相同的情况下,采用以翼型k5桨为下层桨、较低的通气位置及较大的桨间距为搅拌釜的几何结构,并采用翼型桨的排出流方向向上的搅拌方式,可以提高搅拌釜的气含率。给出了气含率与单位体积功耗和表面气速的关联式。     

双路电动轮协调控制的策略设计与仿真

为了实现双路电动轮的协调控制,分析了驱动系统的运动方程,建立了电动轮的数学模型,提出了转速和、转速差并联PI的控制策略.最后,利用Matlab进行了系统仿真,仿真结果表明:在恒速控制中,能够加快电动轮转速的上升速度,减小超调量,缩短调节时间;在差速控制中,单路电动轮能够按照预定方案实现平稳的加减速.控制系统具有较强的抗干扰能力.转速和、转速差并联PI控制策略算法简单,运算量小,控制效果好,具有一定的理论和工程应用价值.     

基于双分支通道空间依赖和非对称权重共享卷积的目标检测优化结构

以往的目标检测任务中,大量研究通过空间和通道信息来构建特征优化算法。然而,如何利用通道和空间中最大和平均特征的信息分布情况进行特征提取,仍是一个挑战。针对上述挑战,构建了双分支通道空间依赖网络,用来提取空间和通道中信息依赖特征,其关键是获取最大特征和平均特征上的重要信息分布情况。为了优化网络的检测精度与计算效率,构建了非对称权重共享卷积网络,利用相同的非对称卷积核进行联合训练来实现权重共享,极大地增强了卷积核参数的鲁棒性。以YOLOv4、YOLOv5和EfficientDet为检测基线,在PASCAL VOC和MS COCO数据集上进行实验,验证了双分支通道空间依赖网络和非对称权重共享卷积网络模块的有效性。在两个数据集上精度最高分别增长了1.98%和2.6%。     

基于DT-CWT和SVM的踏面旋转不变纹理提取算法

针对列车车轮踏面旋转纹理信息无法准确、有效提取的问题,提出一种基于Radon变换和双树复小波变换（DT-CWT）的列车车轮踏面特征提取方法。首先,对车轮踏面图像进行Radon变换;然后,对变换后的图像进行DT-CWT分解,使用分解后的各层低频子带系数和高频子带系数模的均值和标准方差构造特征向量,将其作为区分列车车轮踏面是否发生损伤的依据;最后,由支持向量机（SVM）进行分类决策。使用动车所采集的图像及人为加噪声后的图像进行分类实验,结果表明,本文使用的Radon和DT-CWT算法能有效地进行旋转不变纹理的提取,SVM分类正确率可以达到95%,可为列车车轮踏面状况检测提供更为准确便捷的方法支撑。     

时空双仿射微分不变量及骨架动作识别

目的 人体骨架的动态变化对于动作识别具有重要意义。从关节轨迹的角度出发,部分对动作类别判定具有价值的关节轨迹传达了最重要的信息。在同一动作的每次尝试中,相应关节的轨迹一般具有相似的基本形状,但其具体形式会受到一定的畸变影响。基于对畸变因素的分析,将人体运动中关节轨迹的常见变换建模为时空双仿射变换。方法 首先用一个统一的表达式以内外变换的形式将时空双仿射变换进行描述。基于变换前后轨迹曲线的微分关系推导设计了双仿射微分不变量,用于描述关节轨迹的局部属性。基于微分不变量和关节坐标在数据结构上的同构特点,提出了一种通道增强方法,使用微分不变量将输入数据沿通道维度扩展后,输入神经网络进行训练与评估,用于提高神经网络的泛化能力。结果 实验在两个大型动作识别数据集NTU（Nanyang Technological University）RGB+D（NTU 60）和NTU RGB+D 120（NTU 120）上与若干最新方法及两种基线方法进行比较,在两种实验设置（跨参与者识别与跨视角识别）中均取得了明显的改进结果。相比于使用原始数据的时空图神经卷积网络（spatio-temporal graph convolutional networks,ST-GCN）,在NTU 60数据集中,跨参与者与跨视角的识别准确率分别提高了1.9%和3.0%;在NTU 120数据集中,跨参与者与跨环境的识别准确率分别提高了5.6%和4.5%。同时对比于数据增强,基于不变特征的通道增强方法在两种实验设置下都能有明显改善,更为有效地提升了网络的泛化能力。结论 本文提出的不变特征与通道增强,直观有效地综合了传统特征和深度学习的优点,有效提高了骨架动作识别的准确性,改善了神经网络的泛化能力。