一种新型机器人三维力柔性触觉传感器的设计

基于柔性力敏导电橡胶材料,设计了一种能测量三维力的新型机器人柔性触觉传感器。研究了力敏导电橡胶材料的压阻效应,阐述了触觉传感器的设计思想,分别进行了触觉传感器单元设计和阵列结构设计和研究。获得了计算三维力的数学模型,并通过实验进行了三维力的验证。结果表明,设计的机器人三维力柔性触觉传感器具有设计简单,造价低廉,柔顺性好等优点,而且布置成阵列结构可用于医疗、体育、机器人等领域中检测三维力信息。     

改进的遗传算法在数字滤波器优化应用研究

研究数字滤波器自动生成优化问题.针对传统的数字滤波器在优化设计时,容易往往出现难以调整波形系数,与硬件接口程序复杂,开发周期长等问题缺陷,为了解决上述问题,提出了一种采用改进的遗传算法应用于FPGA数字滤波器的优化设计中,利用了遗传算法全局优化概率检索的优点,求解复杂系统优化问题.把求解滤波器参数的问题数学化为性能指标优化模型,采用改进的遗传算法求得特性符合要求的滤波器参数值,仿真结果表明,设计系统软件界面可以根据用户设定的滤波参数,自动设计出符合要求的数字滤波器RTL.系统性能高效,能够大大提高滤波器的设计效率.数值仿真表明了算法的有效性.     

基于代价敏感深度决策树的公交车环境人脸检测

针对公交车环境下的人脸检测具有光照变化、模糊、遮挡、低分辨率和姿势变化等问题,提出了基于代价敏感深度决策树的人脸检测算法。首先,基于归一化的像素差异（NPD）特征构建单个深度二次树（DQT）;接着,根据当前决策树的分类结果,利用代价敏感Gentle Adaboost方法对样本权重进行更新,依次训练出多棵深度决策树;最后,将所有决策树通过Soft-Cascade级联得到最终的检测算法。在人脸检测数据集（FDDB）和公交车视频上的实验结果表明,所提算法与现有的深度决策树算法相比,在检测率和检测速度上均有提升。     

新型高能量密度化合物NAPTDO性能的理论研究

新设计一种高能量密度化合物3-硝基氧化偶氮基-4-硝氨基吡嗪并-4’,6’-二氧化-1’,2’,3’,4’-四嗪（简称NAPTDO）。采用B3LYP法,在6-31G**基组水平上对其结构进行了优化,计算了其性能,得其稳定的几何构型;在振动分析的基础上求得体系的振动频率、IR谱,采用Monte-Carlo法计算了密度,利用Polizer等推导的固相生成焓预估公式估算了生成焓,使用Kamlet-Jacobs公式和VLW方程预估了爆轰性能。结果表明:NAPTDO由四嗪环并吡嗪环构成,2个环几乎在同一个平面内,形成离域大π键,硝基氧化偶氮基与吡嗪环呈一定夹角,且硝基不稳定,易脱落;NAPTDO预估性能与HMX和CL-20相比较,其密度(2.002g·cm^-3)、爆速(9569 m·s^-1)和爆压（50.18 GPa）均高于HMX,略高（或基本相当）于CL-20。     

BP神经网络的设计

对ＢＰ神经网络设计中的隐层节点数，初始权值，学习率等参数的选择进行研究，分别给出若干经验公式。     

一遍完成的平衡布点外存模型简化算法

现存的自适应采样的外存模型简化算法均需要多次读取原模型，算法效率较低。该文给出一种仅仅需要读取原模型一遍的自适应顶点聚类算法－平衡布点算法（Balanced Tilling,BT），用于外存模型简化。其关键思想在于通过表面编码记录模型表面，通过对原模型的二次量化（quadric quantization）得到原模型上的细节分布。该算法可以定位出所有类型的细节区域，而其它一些算法只能定位细节边。细节区域将被进一步细化，而平滑区域将被进一步简化。该算法大大减少了输入输出时间，尤其适合处理超大规模模型。内存需求很小，只与输出模型规模有关。     

Multitask bilateral learning for real‐time image enhancement

Nowadays, deep neural networks (DNNs) for image processing are becoming more complex; thus, reducing computational cost is increasingly important. This study highlights the construction of a DNN for real‐time image processing, training various image processing operators efficiently through multitask learning. For real‐time image processing, the proposed algorithm takes a joint upsampling approach through bilateral guided upsampling. For multitask learning, the overall network is based on an encoder‐decoder architecture, which consists of encoding, processing, and decoding components, in which the encoding and decoding components are shared by all the image processing operators. In the processing component, a semantic guidance map, which contains processing information for each image processing operator, is estimated using simple linear shifts of the shared deep features. Through these components, the proposed algorithm requires an increase of only 5% in the number of parameters to add another image processing operator and achieves faster and higher performance than that of deep‐learning‐based joint upsampling methods in local image processing as well as global image processing.     

Controllability and local accessibility - a normal form approach

Given a system with an uncontrollable linearization at the origin, we study the controllability of the system at equilibria around the origin. If the uncontrollable mode is nonzero, we prove that the system always has other equilibria around the origin. We also prove that these equilibria are linearly controllable provided a coefficient in the normal form is nonzero. Thus, the system is qualitatively changed from being linearly uncontrollable to linearly controllable when the equilibrium point is moved from the origin to a different one. This is called a bifurcation of controllability. As an application of the bifurcation, systems with a positive uncontrollable mode can be stabilized at a nearby equilibrium point. In the last part of this paper, simple sufficient conditions are proved for local accessibility of systems with an uncontrollable mode. Necessary conditions of controllability and local accessibility are also proved for systems with a convergent normal form.     

基于神经网络的柴油发动机故障预测研究

为了保证设备安全可靠地运行,需要对设备进行故障预测,及时消除故障;探讨了故障预测技术的应用及神经网络预测原理和建模的方法,给出了神经网络模型在预测过程中的学习算法和改进的神经网络的训练算法,并用于柴油发动机运行中的故障预测,经过多种柴油机的试验证明试验结果满意,对故障的实时检测有重要意义,具有良好的应用前景.     

一种基于Markov链模型的动态聚类方法

对单变量时间序列的聚类，是一类有着广泛应用背景的特殊的聚类问题。由于该问题的特殊性，现有的聚类方法无法直接使用，故提出了一种新的基于Markov链模型的动态聚类方法。该方法首先对每一个时间序列建立一个描述其动态特征的Markov链模型，从而把对时间序列的聚类问题转化为对Markov链模型的聚类问题。然后通过定义各个Markov链之间的“距离”，采用动态聚类算法完成对这些Markov链模型的聚类，使用该方法，分别对一经真实数据和仿真数据进行了聚类试验，都获得了比较好的聚类结果。