多特征联合时空正则化相关滤波目标跟踪鲁棒算法

针对相关滤波跟踪框架中快速运动带来的边界效应和遮挡情况下模型错误学习的问题,提出多特征联合时空正则化的相关滤波目标跟踪算法。算法在第一帧提取目标区域的快速方向梯度直方图特征、颜色空间特征和深度卷积特征,并使用主成分分析法降低特征的维度;然后在相关滤波跟踪框架中加入空域和时域正则化项,来缓解跟踪过程中边界效应和模型退化等问题;最后结合尺度池方法,对跟踪目标进行自适应的尺度估计。实验结果表明,该算法在目标发生尺度变化、遮挡、快速运动等情况下,仍具有较好的跟踪有效性。     

基于残差连接的高帧率Siamese目标跟踪算法

为提高Siamese跟踪算法在快速运动和相似物体等复杂情况下的跟踪性能和跟踪速度,提出一种融合残差连接与深度可分离卷积的Siamese目标跟踪算法。将原特征提取网络中的5×5卷积替换为普通3×3卷积,在减少网络计算量的同时提高其对特征的学习能力。用计算量更小的深度可分离卷积替代原网络中所有的普通3×3卷积,不仅加快了网络推理速度,还加深了特征提取网络的深度,从而获得对目标更具表征能力的深层语义信息。在深度可分离卷积模块中加入残差连接,组成残差块,用以融合网络提取的不同层特征,提高特征信息的利用率。结果表明：所提算法在跟踪精度和成功率上均有所提高,并且在实时性和可靠性上优于其他算法。     

基于图像技术与粒子滤波融合新算法的机器人多目标跟踪

机器人的目标跟踪技术是机器人定位导航技术中的重要一环。为了能够精确的跟踪机器人的位置和速度信息,文章提出了一种多方法融合的粒子滤波算法。该算法是采用图像颜色直方图结合高斯核函数挖掘特征数据,融合粒子滤波改进算法自动追踪机器人目标。此外,为了解决粒子滤波中样本贫化,即在粒子滤波计算中很大一部分粒子重叠到一个单独的点上的情况,需要重采样计算解决此问题,但在重采样过程中容易造成一些粒子丢失各向异性导致跟踪精度降低,甚至跟踪目标失败,结合标准粒子滤波提出了一种新型重采样约束方法。实验结果表明,基于颜色分布改善后的粒子滤波算法能有效的减少样本分化问题,并且可以高精度的识别出移动、急转和相遇的机器人目标。     

加筋板智能导波损伤识别与评估

建立了基于卷积神经网络算法的智能导波损伤检测方法,可实现加筋板中脱黏损伤的高效识别和精准定位.在数值模拟和试验研究T型筋加筋板中导波传播特性的基础上,通过单点激发多点接收的方法获取不同损伤样本的兰姆波响应,经预处理之后组成融合数据库.利用卷积神经网络(CNN)深度学习检测算法,抓取和学习融合数据库中与损伤相关的特征,并...     

基于曲率尺度空间的激光拼焊焊缝边界点识别方法

针对激光拼焊焊缝结构光光纹图像畸变小、特征点不明显且易受噪声干扰的特点,提出了一种基于改进的曲率尺度空间的特征点识别方法.该方法首先采用较高尺度的高斯卷积模板,对光纹曲线进行卷积滤波并使用自适应K-余弦法计算轮廓上每一点的曲率并选取特征点;然后在小尺度高斯模板下跟踪定位大尺度模板下获得的特征点候选点,以获得小尺度模板下光纹曲线特征点的准确位置.在光纹曲线的离散曲率计算过程中,考虑了支持区域对曲率计算的影响,提出了一种自适应K-余弦法,与传统的离散曲率计算公式相比,自适应K-余弦法具有更好的抗干扰能力.     

面向回转机组电机小样本复合故障的多源异构自适应迁移学习

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明：单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间缩短近2/3。     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。     

四旋翼飞行器全局鲁棒轨迹跟踪控制算法研究

针对四旋翼飞行器轨迹跟踪控制性能易受模型参数不确定性和未知外部干扰影响的问题,提出一种基于自适应反步法的全局鲁棒控制策略。该方法利用单一虚拟变量表达的线性化参数模型描述系统内部不确定性和外部干扰组成的集总干扰,并通过反步法设计的自适应算法在线估计虚拟变量,从而降低计算量,提高控制器的实时性。基于Lyapunov理论证明了该方法对集总干扰的鲁棒性及系统全部变量的全局一致最终有界性。最后,通过仿真算例验证了该控制策略的有效性和可行性,结果表明：该控制策略能有效克服集总干扰影响,实现四旋翼飞行器的精确轨迹跟踪。     

基于高斯过程的倾转旋翼机器人模型辨识

针对一种新型倾转旋翼水空跨域机器人,采用一种非参数系统辨识算法,目的是在数据量较少情况下,实现对跨域机器人的动力学建模。该算法基于多输出高斯过程,在无需机器人动力学模型的先验知识情况下,可通过采集试验数据,获得机器人的模型。为降低高斯过程回归的计算复杂性,采用局部高斯过程回归,对机器人的动力学模型进行辨识。为验证该辨识方法的有效性,在空气中以倾转四旋翼模型为试验平台,利用遥控获取的机器人数据进行验证。在机器人相同控制输入量下,对比模型预测值和实际测量值,证明该机器人动力学辨识方法的有效性和局部高斯过程回归的快速性。     

基于YOLO-GR算法的轻量化钢材表面缺陷检测

针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足，提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型：YOLO-GR模型。首先，通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度以优化特征提取网络；然后，在检测头部分加入RepLK大卷积核提升网络感受野，以优化大尺度方差的检测效果；最后，引入W-IoU(Wise-IoU Loss)解决了带钢缺陷数据集难易样本不平衡问题，提高模型的泛化性能。实验结果表明，改进后的模型在平均检测精度上比原YOLOv5s模型提升了3.8%,在参数量和计算量比原模型下降了16.6%,模型大小仅仅12 M,为检测模型在移动端上的部署提供了可能。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

基于压缩传感和自适应Lp范数的ECT图像重建算法研究

针对传统电容层析成像存在流型辨识方法识别率较低和需要大量数据的问题,提出一种基于压缩感知理论的流型识别方法。首先利用离散余弦DCT基对原始图像灰度信号进行稀疏化处理,再利用随机高斯矩阵进行观测。可以利用少量数据精确重构出原始信号,减少了采样时间;同时在成像算法中为避免L1范数正则化需要大量数据和L0范数优化的NP问题,引入自适应Lp（0相似文献   

动态场景下移动机器人视觉SLAM

为实现动态场景下移动机器人自主定位和建图,解决传统视觉里程计方法跟踪效果差及累积误差问题,提升闭环检测的准确性和鲁棒性,提出融合深度学习的同时定位与地图构建方法。采用四叉树算法均匀化特征分布,解决动态场景特征聚集问题;通过优化的目标检测网络识别场景动态语义信息,剔除动态物体对位姿估计的干扰;充分提取场景空间结构信息,结合点特征和线特征实现位姿跟踪及回环检测,构建全局一致的环境地图。TUM数据集和真实场景实验结果表明：改进方法提升了移动机器人定位和建图的准确性和鲁棒性。     

一种改进的支持向量回归三轴管道漏磁缺陷量化方法

为了提高管道漏磁内检测缺陷量化技术的精度,基于三轴漏磁内检测器采集到的缺陷漏磁数据,设计了一系列针对管道轴向、径向以及周向的特征提取方法,为后续进行缺陷的高精度量化提供了数据基础.针对缺陷不同尺寸量化任务下特征冗余的问题,基于近邻成分分析提出一种特征选择方法,该方法能够有效地剔除原始特征集中的无关特征.在基于支持向量回...     

永磁环形力矩电机期望补偿自适应鲁棒控制

针对复合A/C轴直接驱动永磁环形力矩电机伺服系统易受外部扰动、参数不确定性以及齿槽转矩的影响,为实现高性能控制和准确参数估计,设计了根据期望轨迹构造自适应律的期望补偿自适应鲁棒位置控制器。该期望补偿自适应律只需根据期望轨迹,采用不连续参数投影算法对系统不确定性进行离线估计。与常规自适应鲁棒控制器相比,该控制器降低了测量噪声对系统的影响,实现参数估计过程更快且参数估计值更加精确。仿真结果表明该方法不仅使伺服系统具有较好的暂态性能,而且提高了系统的最终跟踪精度。     

基于点线特征的快速视觉惯性SLAM算法

为了提高基于点特征的SLAM算法的定位精度和鲁棒性,提出一种点线特征融合的快速单目视觉惯性SLAM算法。使用ELSED算法快速提取高质量的线特征,在非关键帧追踪时,基于连续帧之间微小运动的假设,实现连续图片间的快速线段匹配,且无需线段描述子。在插入新关键帧时,提取线段描述子来完成关键帧之间的线特征匹配,创造新的地图线。最后在公开数据集上进行实验,结果表明：ELSED算法在提取高质量线段的同时,耗时仅为LSD算法的13%;与传统利用线段描述子的匹配算法相比,此算法的时间效率提升了83%,并减少线段误匹配,提高系统定位精度,系统的平均跟踪帧率为33帧/s,保证了系统的实时性。     

电液位置伺服系统的自适应抗饱和控制

针对电液位置伺服系统的不确定性与输入饱和问题,提出自适应抗饱和控制策略。建立阀控缸系统的数学模型;在基于反步法的设计框架下,将输入饱和导致的跟踪误差加入到李亚普诺夫函数当中,并根据该李亚普诺夫函数设计控制器。通过使李亚普诺夫函数渐近稳定,使得系统跟踪误差收敛于零。针对系统模型中的不确定参数,通过自适应算法对其进行迭代更新,以保证控制器的有效性。以跟踪误差最小为目标函数,采用粒子群搜索算法优化控制器的4个参数。结果表明：加入抗饱和时的控制信号比未考虑输入饱和时的控制信号的幅值明显减小,消除了输入饱和现象;在参数不确定和输入饱和情况下液压缸活塞的最大跟踪误差仅为5.8×10-6mm,相对无抗饱和算法时的跟踪误差有了大幅减小。     

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示：所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。