一种基于Real AdaBoost算法的EOM人脸检测方法

提出一种基于Real AdaBoost算法的边缘方位匹配(EOM)人脸检测方法.该方法提取人脸图像的边缘方位特征,一定程度上克服光照等干扰因素的影响.采用Real AdaBoost算法通过多次迭代学习过程获取人脸的整体模式(全局特征点集).在每次迭代学习过程中,采用区域选择策略获取人脸的局部模式(局部特征点集).与传统的EOM方法相比,本文方法所获取的人脸模式更精确.正面人脸检测实验证实这一点.     

Z80单板机开发系统BDS

本文介绍了一个实用单板机开发系统BDS的设计思想和设计方法。该系统采用窗口技术实现了文件编辑、编译和在线调试等功能。     

非线性滤波CRLB推导及在目标跟踪中的应用

针对可叠加零均值高斯白噪声的非线性滤波,利用无迹变换,推导出理论上的误差性能下界Cramét-Rao Low Bound(CRLB).在利用光电信号对目标进行纯方位角跟踪中,提出一种次优的非线性滤波算法--距离参数化无迹卡尔曼滤波(RPUKF).仿真中将其和距离参数化扩展卡尔曼滤波(RPEKF)的性能曲线以及理论性能下界做了比较.结果表明,两种次优算法的曲线逐渐逼近理论下界,且PRUKF性能更优.     

一种基于时频特征融合和极限学习机的非侵入式负荷识别方法

以往的负荷识别方法在提高识别精度和实际落地部署方面遇到了一些挑战，如传统经典方法的识别准确度相对较低，而先进深度学习方法又因其较复杂的模型而很难部署到嵌入式设备上。为解决上述问题，本文提出一种基于高频样本数据识别方法。首先采用快速傅里叶变换(FFT)和希尔伯特变换(HT)对样本进行时域和频域特征提取。然后基于极限学习机(ELM)提出了一种多特征融合学习策略来获取特征与负荷类型之间的映射关系，设计了一种窗口调整方法，以获得最优模型和最合适的窗口长度。最后在两个高频公共数据集BLUED和PLAID上对该方法进行了实验评估。实验结果表明，所提方法具有识别性能较好、易于在嵌入式设备上落地部署的优点。     

基于贝叶斯推断和谱聚类的户变关系动态辨识

低压台区线路的日常维护以及改造升级会导致台区户变关系变动频繁。针对低压台区户变关系难以人工维护的问题,提出了一种基于贝叶斯推断和谱聚类的户变关系动态辨识方法。首先运用高斯核函数和IIR滤波器方程计算节点间电压数据相似度,然后利用贝叶斯推断构建节点间相似度时序矩阵,最后对其进行谱聚类进而实现户变关系的动态辨识。该方法能够沿时序方向根据最新时刻的电压数据进行户变关系的动态辨识,不仅能够对用户更改台区的情况做出快速响应,还能有效提高数据缺失和节点投入或退出台区情况下辨识的鲁棒性。以广东省惠州市4个台区为例进行的算例分析结果良好,验证了所提方法在工程实践中的可行性和可靠性。