kinect深度数据随机跳变误差分析及修正算法研究

采用微软空间扫描设备kinect的测距数据会产生随机跳变误差现象。通过分析误差原因及实验验证了跳变误差随距离增加曲线上升的特点。为修正该误差设计了一个基于像素滤波技术的误差修正算法。在kinect有效距离内连续观测三个待测物的空间深度数据和滤波数据。经实验验证在使用10帧深度数据可以将跳变误差在1.5m以内的跳变误差控制在5mm以内;1.5~3m以内的随机跳变误差控制大部分在10mm以内;超过3m的随机误差均匀分布在25mm以内。     

随机激励的非线性Markov跳变系统的稳态响应

大量实际工程问题需要用同时包含连续和离散变量的Markov跳变系统来描述.本文介绍了一类随机激励的单自由度(强)非线性Markov跳变系统的稳态响应的研究方法.首先,基于随机平均法导出具有Markov跳变参数的平均It随机微分方程,原系统方程的维数得到降低.接着,根据跳变过程原理,建立Fokker-Planck-Kolmogorov(FPK)方程组,方程组中的方程与系统的结构状态一一对应且互相耦合.求解该FPK方程组,得到Markov跳变系统的稳态随机响应及其统计量.最后,以一个高斯白噪声激励的Markov跳变Duffing振子为例,计算得到不同跳变规律下系统的稳态响应.研究结果表明,Markov跳变系统的稳态响应可以看作是各结构状态子系统稳态响应的加权和,加权值由跳变规律决定.     

Markovian跳变不确定分布参数系统随机稳定性分析

研究了一类具有Markovian跳变的不确定分布参数系统的随机稳定性问题。基于线性矩阵不等式方法,通过构造适当的随机Lyapunov泛函,计算弱无穷小算子,利用Green公式及Schur补引理,系统随机稳定的充分条件以一组线性矩阵不等式给出。线性矩阵不等式很容易通过MATLAB中的LMI工具箱进行求解。该充分条件便于工程实际应用。最后,构建仿真模型验证了该方法的有效性。     

随机马尔可夫跳变系统的变结构控制设计

采用滑动扇区方法,研究了不确定随机马尔可夫跳变系统的变结构控制设计问题。首先给出随机马尔可夫跳变系统滑动扇区的定义,然后基于线性矩阵不等式技术,提出一种滑动扇区及变结构控制律设计方法。经过理论证明该控制律能够确保随机马尔可夫跳变不确定系统二次稳定,并有效地抑制抖振。最后数值仿真算例验证了控制方案的有效性。     

跳变双线性随机系统饱和执行器的镇定

对于一类具有Markov跳变参数的双线性离散随机系统,研究其饱和执行器问题.分别采用一般二次型Lyapunov函数、饱和关联Lyapunov函数进行系统随机稳定性分析,以椭圆不变集构造随机稳定域,提出两种依赖于模态跳变率的饱和状态控制器设计方法,两种方法均以线性矩阵不等式的形式给出.     

一类线性离散时间结构随机跳变系统的逼近滤波算法

提出了具有条件马尔可夫跳变结构的离散时间随机系统的条件滤波方法, 应用随机变结构系统的性质对滤波算法进行简化处理, 并将后验概率密度函数用条件高斯函数来逼近, 得到具有条件马尔可夫结构离散随机系统的逼近最优滤波算法, 最后给出滤波算法的计算步骤并仿真验证了算法的正确性.     

奇异线性随机跳变系统有界误差估计器设计

从随机稳定的基本定义开始,对奇异线性随机跳变系统的随机稳定问题进行分析,推导出满足鲁棒∞性能的随机稳定条件,并在此基础上进行推广.首先针对估计误差满足鲁棒∞性能约束的条件,给出带Kalman滤波器形式的滤波器设计方法;然后重点研究了系统中各模态参数矩阵带有不确定性的情况;最后给出相应的数值算例并计算滤波器系数,验证了该方法的有效性和正确性.     

一类模糊双线性跳变系统的随机镇定问题

研究了一类模糊双线性跳变系统的随机镇定问题. 采用T-S模糊建模技术来构建模糊双线性跳变模型, 然后通过并行分布补偿 (Parallel distributed compensation, PDC) 方法和选择合适的模糊隶属度函数, 将整个非线性控制器表示为一组局部线性控制器的模糊综合. 此外, 还推导出了保证闭环模糊双线性跳变系统随机稳定的充分条件, 并且这些条件最终可归结为一组线性矩阵不等式 (Linear matrix inequalities, LMIs)的可行性问题. 最后, 连续搅拌反应釜(Continuous stirred tank reactor, CSTR)系统的数值示例表明该设计方法的合理性和有效性.     

基于数据滤波的随机梯度辨识方法

针对有色噪声干扰下的随机系统,利用数据滤波技术,对输入输出数据进行滤波,将具有滑动平均噪声的原始系统转换为白噪声干扰下的系统,提出有限脉冲响应滑动平均系统的滤波增广随机梯度算法,并对该算法进行收敛性分析.此外,为了提高参数估计的精度和加快算法的收敛速度,使用多新息辨识理论提出滤波多新息增广随机梯度算法,并分析其收敛性.与增广随机梯度算法相比,所提出的滤波增广随机梯度算法和滤波多新息增广随机梯度算法可以得到更高精度的参数估计.最后,通过仿真实例表明了所提出算法的有效性.     

面向深度神经网络训练的数据差分隐私保护随机梯度下降算法

针对传统深度神经网络所采用的随机梯度下降算法忽略了对数据集隐私性保护的缺点,提出一种基于数据差分隐私保护的随机梯度下降算法。引入范数剪切与附加高斯噪声操作,对传统梯度更新策略进行改进。为衡量每次迭代过程中对数据隐私性的破坏,提出隐私损失累积函数在迭代过程中对数据隐私性的侵犯程度进行度量。MNIST手写数字识别和CIFAR-10图像分类实验表明,该算法在保护数据集隐私性的同时,对手写数字以及图像分类的识别准确率分别超过了90%和70%,且相较于传统的随机梯度下降算法,其准确率提升了5%以上。该算法在实际工程中能够有效兼顾数据隐私性保护与神经网络辨识准确度。     

具有随机协议网络化系统的H∞滤波

本文研究了一类具有随机介质访问协议网络化系统的H∞滤波问题.将传感器和滤波器的通信过程描述为一个马尔可夫链,进而将滤波误差系统建模成一个马尔可夫跳变系统.然后,运用李雅普诺夫方法和线性矩阵不等式技术,给出了滤波误差系统随机稳定且具有给定H∞性能的一个充分条件,并基于该条件给出了H∞滤波器的设计方法.最后的数值算例验证了本文方法的有效性.     

随机时变时滞马尔可夫跳变系统的镇定研究

研究了一类转移概率部分未知的随机时变时滞马尔可夫跳变系统的鲁棒H∞控制问题.首先,构建Lyapunov-Krasovkii方法,设计无记忆的状态反馈控制器,保证闭环系统的随机稳定性.其次,将过程转化为求解一组线性矩阵不等式(linear matrix inequalities,LMIs)的约束优化问题,通过求解线性矩阵不等式的方式,获得了充分条件.最后,数值仿真验证结论的有效性.     

基于随机子空间的集成深度信念网络算法

燃煤电站的NO_x排放是造成大气污染的主因之一,准确测定SCR入口处的NO_x浓度对控制NO_x排放具有重要意义。针对燃煤过程中的高维参数变量,提出基于随机子空间的集成深度信念网络预测算法。利用偏最小二乘法对现场数据进行特征提取并计算方差解释度;根据方差解释度进行随机子空间划分,建立输入样本在不同方向上的投影子空间,在各个子空间训练相同结构的基学习器;最后,通过BP神经网络进行集成。以660 MW超超临界直流燃煤锅炉为研究对象,进行仿真实验,结果与常用NO_x排放预测模型进行对比,表明所提预测模型有良好的提升效果。     

基于随机森林深度特征选择的人体姿态估计

针对以随机森林为分类器的人体姿态估计系统内存占用过大的问题,提出一种优化的随机森林模型,该模型在进行Bootstrap抽样前,引入Poisson过程并将其与深度信息相融合组建一个滤过网对原始训练数据集进行过滤,将一部分对后续分类起到非积极作用的特征样本点滤除,使训练数据集得到优化重构,进而较好地弥补随机森林在抽样过程中重复抽样以及重抽样样本代表性不强的缺点。实验结果表明了该优化模型的有效性,大大降低了系统的时间、空间复杂度,使得系统的适用性更强。     

基于随机Hough变换的深度图像分割

提出了基于随机Hough变换的深度图像分割算法,该算法采用随机Hough变换在深度图像中寻找平面,具有对噪声不敏感的优点．通过对一常用深度图像数据库(ABW图像库)的分割实验,并将实验结果同4种经典的深度图像分割算法在同一数据库中的分割结果作了比较分析,表明该算法对噪声不敏感,分割性能优于4种经典算法。     

计及随机传感器时滞的不确定半Markov跳变系统鲁棒滑模控制

在实际系统中,系统参数与结构随机变化、未知外界干扰、传感器时滞等现象时有发生并严重影响了系统的稳定运行.为了解决这一问题,本文提出计及随机传感器时滞的一类不确定半Markov跳变系统鲁棒滑模控制方法,其中系统的传感器时滞通过使用Bernoulli随机分布进行描述.考虑系统状态信息不可测量条件下,文章设计模态依赖Luenberger观测器去估计半Markov跳变系统的运行状态.然后,本文构造一个积分滑模面并借助随机Lyapunov理论,提出两种半Markov跳变系统的随机稳定性分析方法.进而,文章提出基于观测器的滑模控制方法使得系统状态能够在有限时间内到达滑模面上以及滑模动态在H_∞性能指标γ下是随机稳定的.最后,通过一种基于他励直流电动机模型的数值仿真例子验证所设计的滑模控制方法的有效性与正确性.     

基于深度学习算法的无线传感器异常数据检测

提出了基于深度学习的异常数据检测的方法,精准检测到无线传感器异常数据并直观展现检测结果。基于无线传感器网络模型分簇原理,通过异常数据驱动的簇内数据融合机制,去除无线传感器网络中的无效数据,获取无线传感器网络有效数据融合结果。构建了具有4层隐含层的深度卷积神经网络,将预处理后的无线传感器网络数据作为模型输入,通过隐含层完成数据特征提取和映射后,由输出层输出异常数据检测结果。实验证明：该方法可有效融合不同类型数据,且网络节点平均能耗较低;包含4层隐含层的深度卷积神经网络平均分类精度高达98.44%,1000次迭代后隐含层的训练损失均趋于0,可实现无线传感器异常数据实时、直观、准确检测。