基于HEVC的帧内预测模式快速选择算法

为了节省高效视频编码（High Efficiency Video Coding,HEVC）中的帧内编码时间,提出一种帧内预测模式快速选择算法,通过判断预测编码单元的大小,分别采用像素梯度和方向强度来预测候选模式,利用像素梯度能减少选择候选模式过程的计算量,而方向强度判断能减少候选模式数量。实验结果表明,提出的算法与测试平台HM13.0的快速算法相比,帧内预测时间平均减少了27.15%。达到了降低计算复杂度的目的,有效节省了编码时间。     

随机时延下多输入多输出多智能体系统事件触发双向编队

针对动力学模型未知的多输入多输出非线性离散时间多智能体系统的随机时延问题,提出一种输入增益补偿策略,并针对其通讯受限问题,提出一种带有死区操作器的事件触发控制机制.首先,采用伪偏导技术沿时间轴方向,在智能体的每个工作点上建立一种紧格式动态线性化数据模型,并给出该数据模型的参数估计算法.在此数据模型的基础上结合符号图论,研究智能体之间的合作与竞争关系,设计一种事件触发的数据驱动双向编队控制算法.最后,通过李雅普诺夫稳定性理论、矩阵理论以及压缩映射原理论证所提出算法的收敛性,并通过仿真实验和实物实验进一步验证该算法的正确性与有效性.     

输出信号量化的双率采样系统参数辨识方法

针对双率采样和信号量化(signal quantization)[BFQB]的控制系统,采用随机重复性试验测量信息,提出基于辅助模型的双率采样量化控制系统辨识方法.分析了在随机重复试验和放松估计误差方差条件下,双率采样量化系统的模型特征并给出了分两步辨识的策略,推导了进行参数辨识所满足的持续激励条件,并给出了基于辅助模型的双率采样量化控制系统量化辨识递推算法;接着分析了所给出量化辨识递推算法的收敛性,得到了双率采样量化系统参数估计误差上界的计算式,最后数字仿真验证了该算法及结论的有效性.     

基于弱特征增强的轻量化小目标检测方法

针对复杂背景下小目标特征经多次卷积被背景噪声淹没导致的检测精度低的问题,提出一种增强弱特征表达的一阶段轻量级小目标检测算法SA-YOLO.首先,用改进的ShuffleNetv2网络构建骨干网络,通过嵌入SE注意力模块和Inception结构,提升网络在复杂背景下的特征提取能力,有效地抑制背景噪声,充分提取弱特征;其次,在颈部网络,采用新的特征融合模块,以含有弱特征较多的低层级特征块的空间位置信息对高层级特征进行权重调整,提高不同层级的特征融合利用率,减少小目标的特征损失;最后,在头部网络,用解耦的检测头替换原YOLO耦合的检测头,解耦分类任务和回归任务,提高弱特征的解码能力,增强小目标检测的性能.在公开数据集COCO2017上进行实验,结果表明,SA-YOLO参数量仅有1.14M,小目标平均检测召回率$\rm AR_S$达到31.6%.同时,将所提出算法与近几年主流算法进行对比,结果表明,所提出算法在小目标检测方面具有较强的竞争力.     

工厂供电课程多元化教学设计与实践

分析了工厂供电课程的特点和存在的问题,针对自动化专业提出了"模块化"和"多元化"相结合的新型教学方法,将课程内容整合为基本概念、基本理论、一次系统、二次系统、新技术理论等五大模块,每一模块突出体现传统理论和新技术的有机结合;采取动静交融的多媒体课件、现场实践、科学研究、课程设计等相结合的多元化教学方法.近几年的实践证明,这种教学设计优势明显,达到了预期的教学效果.     

基于无记忆降阶观测器的网络化控制系统故障检测方法

网络化控制系统(Networked Control System,简称NCS)研究的是如何通过网络实现闭 环控制,是涉及控制科学和计算机网络等多个学科知识的跨学科研究领域.本文将网络化控制系 统视为带有时延的采样控制系统,构造了一个无记忆的降阶状态观测器,通过比较观测器输出和 系统实际输出来产生残差,从而对网络化系统的控制故障进行了检测.仿真结果表明此方法是可 行的.     

基于深度运动图和密集轨迹的行为识别算法

为了融合深度图中不易受光照等环境因素影响的深度信息和RGB视频序列中丰富的纹理信息,提出一种基于深度运动图（Depth Motion Maps,DMMs）和密集轨迹的人体行为识别算法。利用卷积神经网络训练DMMs数据并提取高层特征作为行为视频的静态特征表示,使用密集轨迹来描述RGB视频序列的动态运动信息,将行为视频的静态特征和动态特征串联,作为整个视频的行为特征表示并输入到线性支持向量机（Support Vector Machine,SVM）进行识别。实验结果表明,在公开的动作识别库UTD-MHAD和MSR Daily Activity 3D上,该算法能够有效提取深度信息和纹理信息,并取得了较好的识别效果。     

时序行为提名的上下文信息融合方法

在针对视频的人体活动定位和识别领域中,现有的时序行为提名方法无法很好地解决行为特征长期依赖性而导致提名召回率较低。针对此问题,提出了一种上下文信息融合的时序行为提名方法。该方法首先采用三维卷积网络提取视频单元的时空特征,然后采用双向门控循环网络构建上下文关系预测出时序行为区间。针对门控循环单元(GRU)存在参数较多和梯度消失的问题,通过输入特征控制门结构增强并行计算能力,通过引入加权平均增强历史和当前时刻信息融合能力,提出了一个简化的门控循环单元(S-GRU)。最后在数据集Thumos14上进行实验验证和比较,结果表明基于双向S-GRU循环网络的时序行为提名方法提高了提名召回率。     

网络化控制系统的故障诊断与容错控制

介绍了网络化控制系统几类故障诊断与容错控制方法的基本思想。故障诊断与容错控制对于控制工程实践特别是对安全性有严格要求的控制系统是十分重要的。网络化控制系统通过共享网络资源实现控制而带来了各种优越性的同时,也给传统的控制理论带来了新的挑战。因此需要发展适用于此类异步的、基于信包的控制系统的控制理论与技术。网络化控制系统基于数学模型的故障诊断问题,在建立恰当的网络化系统模型后,可转化一类特定的时延系统故障诊断问题。