最小方差自适应的视觉导盲诱导控制方法研究

准确诱导盲人跟踪给定路径行走是穿戴式导盲系统安全导盲的重要基础和前提.为了实现盲人的安全出行,对盲人的行走动力学模型以及自适应控制算法进行了研究.针对不同使用者在实际行走过程中,心理生理的差异以及与环境的交互作用,导致自身模型参数发生了变化,要求控制器具有一定的自适应性,提出了一种基于最小方差自校正控制算法的诱导方法,首先运用增广最小二乘法对被控对象的模型参数进行估计,然后在线求解Diophantine方程得到控制器的参数,最后根据最小方差控制律求得控制器的输出.仿真结果表明最小方差自校正控制算法在参数辨识完毕后能够很好地跟踪圆轨迹,实验结果表明多名实验者的平均行走轨迹误差范围为(-0.5957m,0.4811m),验证了该方法的准确性和适应性.     

基于多尺度分段的长时间序列预测方法

针对目前长时间序列预测（long sequence time-series forecasting, LSTF）存在历史数据量大、计算复杂度高、预测精度要求高等问题,提出一种基于多尺度分段的Transformer模型．该模型基于Transformer架构进行改进和优化,使用多尺度分段将时间序列切片成多个时间段进行训练和预测,降低了长时间序列的复杂性,并实现了更高精度的预测．在电力变压器油温（electricity transformer temperature,ETT）数据集、用电负荷（electricity consumption load, ECL）数据集和天气（Weather）数据集中,分别采用传统Transfomer、Informer、门控循环单元（gated recurrent unit, GRU）、时序卷积网络（temporal convolutional network, TCN）和长短期记忆（long short-term memory, LSTM）5种基准模型与本研究提出的多尺度分段的Transformer模型,对长时间序列进行预测．结果表明,采用基于多尺度分段的Tr...