单相电路电流分解与功率定义新方法

对于任意周期性电压与电流信号的单相电路，提出一种新的电流分解方法。利用欧氏空间普通基与正交基之间的坐标变换，将电流分解为两两正交的一个广义基波电流和一系列广义谐波电流，在此基础上提出了一种新的功率定义方法，使传统单相电路的功率理论成为本方法的一种特例。最后给出电流分解算例及相关波形图，对所提出的方法进行了验证。该方法应用范围广泛、物理意义明确、计算简单明了，对非正弦电路电流、功率分析及谐波检测具有重要的理论指导意义。     

基于ANFIS的吸收式制冷系统发生器液位控制

针对吸收式制冷系统中发生器液位系统的强非线性、大滞后问题,提出了一种基于自组织神经网络模糊控制的液位控制方法。根据特征面积法,得到了发生器液位与溶液循环泵频率的数学模型,通过梯度下降和最小二乘混合算法处理实验数据,得到了隶属函数的参数及相应的模糊规则。最后通过Simulink平台完成了系统仿真搭建,并对仿真结果进行分析。仿真结果表明,所设计控制器的稳定性高、适应能力强。     

基于关节点特征的跌倒检测算法

针对跌倒检测算法中存在网络计算量大和类跌倒行为难以区分的问题,提出一种基于关节点特征的跌倒检测算法。首先,在目前先进的CenterNet算法基础上提出了深度可分离卷积CenterNet （DSC-CenterNet）关节点检测算法,从而在减少骨干网络计算量的同时准确检测人体关节点并获取关节点坐标;然后,基于关节点位置和人体先验知识来提取可充分表达跌倒行为的空间特征和时间特征作为关节点特征;最后,把关节点特征向量输入全连接层,并经Sigmoid分类器输出跌倒或非跌倒两种类别,从而实现人体目标的跌倒检测。实验结果表明,所提算法在UR Fall Detection数据集上对不同状态变化下跌倒检测的平均准确率达到98.00%,区分类跌倒行为的准确率达到98.22%,跌倒检测速度为18.6 frame/s。与原CenterNet结合关节点特征跌倒检测的算法相比,DSC-CenterNet结合关节点特征算法的跌倒检测速度提升了22.37%,提高后的速度可有效满足视频监控下人体跌倒检测任务的实时性。该算法能有效提高跌倒检测速度并对人体跌倒状态进行准确检测,且进一步验证了基于关节点特征的跌倒检测算法在视频跌倒行为分析中的可行性与高效性。