一种适用于局部特征的混合视觉伺服方法

提出一种基于图像矩的混合视觉伺服方法,有效解决了因匹配的局部特征改变而引起的雅可比矩阵结构改变及奇异等难点．该方法首先估计得到单应性矩阵,然后通过反向映射计算未匹配点的像素坐标,采用图像矩和单应性矩阵分解得到的姿态分别控制平动和转动自由度,采用特征的雅可比矩阵不存在奇异情况．从理论上证明了所采用控制策略的稳定性和对摄像机标定误差的鲁棒性,仿真实验结果表明该方法适用于局部特征．     

基于非对称Lanczos 算法的线性分数阶系统模型降阶方法

采用非对称Lanczos 算法研究线性分数阶系统的模型降阶问题, 提出一种保持系统传递函数一定数量的分数阶矩的模型降阶方法. 根据Caputo 导数的运算法则给出线性分数阶系统的分数阶矩的计算方法; 利用非对称Lanczos 算法构造对应的非对称三对角矩阵; 根据非对称三对角矩阵的性质证明降阶系统与原系统具有相同的一定数量的分数阶矩; 给出降阶系统与原系统传递函数的误差估计, 为合理选择降阶系统的阶次提供理论依据. 数值实例的计算结果验证了所提出方法的有效性.

     

非线性系统RBF神经网络多步预测控制

针对较强非线性的控制问题, 提出一种以RBF 神经网络为模型的多步预测控制方法. 构建多步预测模型, 并给出预测误差关于控制序列的雅可比矩阵的计算方法. 利用Levenberg-Marquardt(L-M) 算法设计滚动优化策略, 过误差修正参考输入的方法实现了反馈校正, 证明了控制系统的稳定性. 仿真结果表明所提出的控制方法效果较好.

     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．

     

一种可最优化计算特征规模的互信息特征提取

利用矩阵特征向量分解,提出一种可最优化计算特征规模的互信息特征提取方法．首先,论述了高斯分布假设下的该互信息判据的类可分特性,并证明了现有典型算法都是本算法的特例;然后,在给出该互信息判据严格的数学意义基础上,提出了基于矩阵特征向量分解计算最优化特征规模算法;最后,通过实际数据验证了该方法的有效性

     

一种特征加权犉犆犕算法的图像重建技术研究

针对传统ＦＣＭ（Ｆｕｚｚｙ犆 ｍｅａｎｓ）算法中初始聚类中心选取的随机性以及对初始值敏感的问题,提出一种基于进化策略的色彩空间加权的ＦＣＭ 聚类算法．通过在ＲＧＢ（ＲｅｄＧｒｅｅｎＢｌｕｅ）色彩空间矢量中设置加权矩阵来补偿各色彩的非均匀性,并采用一种类内最小距离最大的统计聚类算法来初始化聚类中心．实验结果表明,该算法能有效减少颜色量化后的均方差值,保持重建图像的整体层次和局部特征细节,对研究图像处理技术有较强的实际意义．

     

多项式非线性系统局部镇定控制

针对多项式非线性系统,提出一种用于验证二次型候选Lyapunov函数的数值计算方法.在该方法中,多项式系数被分解成带自由变量的系数矩阵,将正定性验证问题转化为矩阵不等式问题求解.对于局部稳定性分析,采用多个Lyapunov函数来趋近吸引域.每个Lyapunov 函数均在各指定方向上进行最大半径优化.在稳定性分析基础上,提出保收敛率的局部镇定控制器设计方法以扩大吸引域.

     

基于局部特征与全局特征的显著性目标检测

在采用图像谱残差分析方法获取全局特征显著性图像的基础上, 利用小波变换在时域和频域具有的局部特征信息表征能力, 通过对图像包含的不同特征信息进行小波变换, 去除各个特征图中的冗余信息, 得到图像局部特征显著部分, 对两种分析方法下获得的显著图进行融合分析, 获得最终的图像显著部分, 并利用视觉转移机制在原图中勾画出显著性目标. 实验结果分析表明, 改进后的方法提高了图像显著目标检测的准确率.

     

基于光束平差法的双目视觉里程计研究

机器人自定位是实现机器人自动导航及其他智能行为的前提, 一种基于光束平差法的移动机器人双目视觉里程计可以有效地实现机器人自定位. 为此, 首先采用点模式匹配方法建立相邻图像之间的特征匹配关系, 根据立体视觉算法得到匹配点对的三维对应关系; 然后, 计算摄像机的相对运动参数, 并采用光束平差分段优化算法对其进行优化. 所提出的双目视觉里程计能够避免车轮半径变化、空转、打滑等对里程计测量精度的影响, 相对定位精度较高.

     

电液位置伺服系统的多滑模神经网络控制

针对电液位置伺服系统存在的强非线性,控制增益未知和非匹配不确定性,通过引入神经网络和带饱和层的多滑模面,提出了一种多滑模神经网络控制方法.该方法运用神经网络的万能逼近特性和滑模控制优良的抗干扰特点,采用构造性方法设计控制器.运用光滑投影算法和积分李雅普诺夫技术,避免了参数漂移和控制器奇异问题.理论证明了系统跟踪误差收敛于任意设定的滑模面饱和层内.仿真实验表明了理论结果的有效性.

     

基于并行二进制免疫量子粒子群优化的特征选择方法

为提高文本挖掘算法的运行速度,降低占用的内存空间,提出一种基于并行二进制免疫量子粒子群优化的特征选择方法．该方法采用二进制免疫量子粒子群优化搜索特征子集,利用并行算法来提高时间效率,从而较快地获得较具代表性的特征子集．实验结果表明该算法是有效的．

     

基于EMD和灰关联技术的航迹关联方法

针对分布式多传感器融合多目标跟踪系统,提出一种基于经验模态分解(EMD)和灰关联技术的航迹关联方法.首先采用EMD 方法将各传感器的航迹信息分解为多个固有模态函数(IMF)之和;然后以各IMF 构成矩阵,对其进行奇异值分解;再以奇异值作为各航迹的特征向量,计算特征向量间的灰关联度;最后通过各关联度的融合,得到航迹正确关联的结果.典型情况下的仿真结果表明,与加权法相比,该方法能有效地用于航迹关联.

     

基于马尔可夫模型和特征融合的图像隐写分析

提出一种针对ＪＰＥＧ 图像隐写的通用隐写分析方法．根据量化后分块ＤＣＴ 系数绝对值构造水平、垂直和ｚｉｇｚａｇ方向的差分数组,利用三向差分数组马尔可夫模型挖掘量化后分块ＤＣＴ 块内邻近系数相关性,提取转移概率矩阵的特征．对三向特征加权融合后进行隐写分析,以提高分类性能．对安全性较高的ＪＰＥＧ 隐写ＯｕｔＧｕｅｓｓ和Ｆ５,在不同嵌入率下进行隐写分析．实验结果显示,引入特征融合后隐写分析的检出率明显提高．

     

基于跳转模型的路网交通流预测

针对城市道路交通流复杂的非线性特征,采用基于跳转的ＡＲＩＭＡ 模型研究交通流的变化规律,以获得城市道路短期交通流的精确预测．引入路口转弯比例矩阵来描述路网的交通流状态．考虑在路网畅通和路网拥堵情况下路口转弯比例矩阵的不同特征,对两种情况分别进行研究．结合路段交通流预测模型,对路网交通流进行预测．仿真算例表明,所提出的预测模型能较好地用于路网交通流预测．

     

基于特征空间变换的纠错输出编码

针对基于纠错输出编码多类分类中如何保证基分类器差异性的问题, 提出一种基于特征空间变换的编码方法. 该方法引入特征空间, 将编码矩阵扩展成三维矩阵; 然后基于二类划分, 利用特征变换得到不同的特征子空间, 从而训练得到差异性大的基分类器. 基于公共数据集的实验结果表明: 该方法能够比原始的编码矩阵获得更优的分类性能, 同时增加了基分类器的差异性; 该方法适用于任何编码矩阵, 为大数据的分类提供了新的思路.

     

离散线性周期系统的模型匹配

考虑离散线性周期系统的模型匹配问题, 提出一种基于参数化极点配置的模型匹配方法. 该方法从时域的角度出发, 采用周期状态反馈, 使得闭环系统充分接近目标系统. 由于所采用的参数化极点配置算法提供了充分的自由度, 所提出的方法能够实现零误差匹配. 数值算例验证了所提出算法的有效性.

     

具有脉冲效应的切换随机系统的几乎必然稳定性

针对一类在切换时刻具有脉冲行为的Markov切换非线性随机系统,首先,应用切换Lyapunov函数方法研究系统的稳定性,给出系统几乎必然稳定的充分条件,该条件不依赖于系统的矩稳定性;然后,进一步对线性系统的稳定化问题进行分析与设计,对随机子系统的控制结构同时出现在方程的位移部分与扩散部分,给出相应的状态反馈增益矩阵的求解方法;最后,数值算例说明了所设计方法的有效性.

     

分块多特征目标描述子的移动机器人目标跟踪

为解决机器人目标跟踪过程中的遮挡和外观改变等问题, 提出一种分块多特征描述子的方法. 该方法将候选样本分块, 提取图像片的深度、颜色、纹理特征来表示目标构造检测器. 结合目标与机器人的运动构造运动卡尔曼滤波器(MEKF) 作为跟踪器. 跟踪过程中根据目标深度信息调整其尺寸, 结合深度特征及图像片外观相似度进行检测并处理遮挡. 实验结果表明, 该算法对目标的尺度变化、光照改变和遮挡现象具有较强的鲁棒性.

     

一类非线性时滞广义系统的状态反馈控制

利用线性矩阵不等式（ＬＭＩ）,讨论了一类非线性时滞广义系统的状态反馈控制问题．通过对非线性映射Ｆｒｅｃｈｅｔ导数的逆矩阵的估计,给出了系统渐近稳定的充分条件．这一条件与时滞相关,可归结为一个线性矩阵不等式的可解性．在ＬＭＩ有解的条件下,可得到系统状态反馈控制器的参数表示．数值实例表明该方法是有效的．

     

一种动态分级的混合粒子群优化算法

针对粒子群算法早熟收敛和搜索精度不高的问题,提出一种动态分级的混合粒子群优化算法．该算法采取３种级别的并行粒子群算法,分别用于全局搜索和局部搜索及二者的结合,并根据搜索阶段动态调整各种级别中并行变量的数目．在全局搜索中,将混沌机制引入算法中以增强算法的全局搜索能力;在局部搜索中,采用单纯形法对适应度最优解进行局部寻优．仿真实验表明,该算法比其他优化算法具有更好的性能．