Real-time nonlinear MPC and MHE for a large-scale mechatronic application

Progress in optimization algorithms and in computational hardware made deployment of Nonlinear Model Predictive Control (NMPC) and Moving Horizon Estimation (MHE) possible to mechatronic applications. This paper aims to assess the computational performance of NMPC and MHE for rotational start-up of Airborne Wind Energy systems. The capabilities offered by an automatic code generation tool are experimentally verified on a real physical system, using a model comprising 27 states and 4 inputs at a sampling frequency of 25 Hz. The results show the feedback times less than 5 ms for the NMPC with more than 1500 variables.     

基于动作识别的情绪提取方法研究

基于运动数据的动作识别技术是当今计算机视觉和模式识别研究领域的热点问题,然而根据动作识别结果进行人体情绪提取的研究却较少。为此,在现有人体行为学研究的基础上,结合计算机图形学、人工智能和机器学习等技术,得出一套关于人体情绪的数据集合,包括开心、愤怒、悲伤、恐惧4种基本情绪和惊喜、厌恶2种衍生情绪。从动作的角度分析这6种情绪得到动作,即情绪关系,按照动作识别的划分基准,将Period作为情绪提取的最小单位,确定单个Period的情绪列表,再结合动作和速率的参数,提取出在执行该动作时人体的情绪。实验结果表明,该方法能够有效地从3D运动数据中提取情绪信息。     

基于Haar型LBP纹理特征的人体姿态估计

基于人体部件的树形模型表达直观且计算高效,被广泛应用在人体姿态估计中。然而模型本身在部件特征表达上的不足限制了姿态估计结果的准确度,为此,提出一种基于图结构模型和新型纹理特征的人体姿态估计算法。采用改进后的外观模型,从训练集中获得部件位置的先验知识,联系相邻部件之间的关系,并将其应用于测试图像的外观模型建模阶段。应用Haar型局部二值模式( HLBP )纹理特征,提取部件的纹理信息,对图像进行分块处理,并为每一块赋予不同的权重。实验结果表明,带权重的HLBP特征能更有效地提取部件的纹理特征,与HLBP特征、归一化HLBP特征和颜色特征相比能获得更高的准确度。     

基于高频地波雷达的无角度双站雷达目标跟踪算法

高频地波雷达对于远距离目标难以给出准确的方位角观测信息,从而严重影响超视距目标的跟踪精度。为此,提出一种基于高度参数化扩展卡尔曼滤波（HPEKF）的无角度双站雷达目标跟踪算法,仅需要2部雷达得到距离和径向速度信息。通过 HPEKF技术可以对目标进行三维定位与跟踪,忽略雷达量测的方位角信息,较好地弥补当目标距离较远时测量角度精度不够精确的问题,扩展了算法的应用环境。仿真实验结果验证了该算法的可行性和有效性。     

半监督空间化竞争聚集算法及其在图像分割中的应用

经典竞争聚集( CA)算法在聚类时对于样本中的少量已知信息没有加以利用,但这些信息往往需要应用到整个聚类过程中。此外,在相似度度量函数的选择上CA算法使用常见的欧氏距离,然而欧氏距离仅适用于团状数据,制约了算法的应用范围。针对上述问题,通过引入具备半监督学习能力的半监督项对隶属度矩阵进行增强,利用聚类中心和中心邻近的点组成空间,把样本点与该空间的距离替代欧氏距离作为新的相似度度量标准,并给出判断聚类中心能否合并的阈值参数,最终得到半监督空间化CA算法。通过在人造图像和真实图像上的分割结果表明,该算法能够更准确地获取聚类类别数以及更好的聚类效果。     

基于纹理特征与随机森林的生态声音识别

针对真实环境中普遍存在的非平稳噪声,提出一种基于纹理特征与随机森林的生态声音识别方法。该方法首先使用一种基于噪声估计的音频增强算法,即短时谱估计对输入端声音信号进行前端处理,得到增强信号功率谱;然后根据得到的增强信号功率谱图的纹理信息,采用和差统计法对其进行纹理特征提取;最后,利用基于决策树的组合分类器,即随机森林进行识别和分类。设计了两组对比实验,结果表明该方法不仅有良好的识别性能,而且具有噪声鲁棒性。     

MIMO-OFDM系统的低阶信道估计的改进

在慢衰落信道条件下,MMSE估计有较好的估计性能但复杂度较高。为了降低信道估计的运算复杂度,分析并总结了原有的MMSE信道估计算法以及其改进算法,提出一个基于MIMO-OFDM系统的OLR-MMSE信道估计算法。OLR-MMSE估计是结合了MMSE算法的低秩近似以及SVD分解,大大降低了大矩阵的阶数,有效地降低运算复杂度并可以保持良好的估计性能。通过计算机模拟仿真验证了提出的信道估计可以达到系统性能和复杂度之间较好的权衡。     

改进多种群差分进化算法的混沌系统参数估计

针对混沌系统参数估计的多峰寻优问题,提出一种改进的多种群差分进化算法。改进差分进化算法的变异操作,使其前期更适合全局性搜索,利用α核心集对当前种群进行聚类,分别对聚类后的子群选用贪婪的差分变异算子完成深度搜索,比较所选取各子群的最优值,得到全局最优值作为是否结束搜索的判断依据,并将其应用到混沌系统参数估计中。实验结果表明,该算法对于多峰值、大空间的全局性参数估计在收敛速度、精度上优于混合量子进化算法、改进粒子群优化算法以及DE/best/2算法。     

基于CAE与AdaBoost的频谱感知

针对无线信道环境中各低信噪比情况下主用户信号检测率较低的问题,提出一种基于循环自相关估计（CAE ）和AdaBoost的认知网络频谱感知算法。对信号采用循环自相关估计算法进行特征参数提取,生成训练样本和待测样本,采用AdaBoost算法分别对有无主用户情况下的信号进行分类检测。仿真结果表明,与人工神经网络和最大最小特征值算法相比较,该算法在各低信噪比情况下,具有较高的分类检测性能,有效地实现了对主用户信号的感知。