基于FPGA实现DSP与RapidIO网络互联

本文首先简单的介绍了总线的发展,从而引出一种新型的串行点对点交换结构RapidIO.DSP在高性能处理系统中的重要性毋庸置疑,但是目前的很多DSP并没有RapidlO接口.本文提出了利用FPGA,将DSP的总线桥接到一个RapidIO IP上,从而实现了DSP与RapidIO网络的互联.     

手功能康复机器人的鲁棒控制研究

以手功能康复机器人为研究对象,对被控对象建立数学模型,推导鲁棒控制器,基于simMechanics建立仿真模型,实现手功能康复机器人的鲁棒控制系统。考虑到手功能康复机器人是帮助偏瘫患者进行康复训练并最大限度地诱发患肢的主动作用,控制器中加入偏瘫患者的主动作用函数。控制系统在MATLAB／Simulink的环境下仿真,结果表明所设计的鲁棒控制器能适应不同程度的偏瘫患者,具有较佳的动态特性和很强的鲁棒性能。     

基于预处理的Ballon模型及在眼疲劳检测中的应用

获取眼睛轮廓和眼球轮廓对进一步研究人眼疲劳状态具有重要意义.提出基于预处理的Ballon模型对含有双眼的局部人脸图片进行人眼和眼球检测的方法.用微分算法抽取边缘、标识出物体、使用几何特性识别人艰区域,自动获取主动轮廓所需要的眼睛初始轮廓;使用提出的基于预处理的Ballon模型收敛人眼;结合数学形态等方法收敛到眼球.实验结果表明,该方法具有效果好、鲁棒性好、受光线影响弱等优点.     

一种基于模糊密度动态调节的融合目标识别方法

针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.     

电子学档在计算机基础课程教学中的应用

对大学计算机基础课程教学活动中引入电子学档来辅助教学,从而构建一种基于电子学档的信息化教学活动进行了探讨。并以《网页设计基础》课程的教学活动为案例,分析了在计算机基础课程教学中引入电子学档的可行性、必要性。最后,使用平均数差异显著性T检验来测量两组学生的学习情况,对使用电子学档提高学生的学习效率进行了量化评价。     

可重构板级支持包的设计与实现

针对传统板级支持包(BSP)的弊端,设计了一种模块化、层次化的可重构BSP,提高了BSP的开发效率,降低了开发难度,最后以课题实例加以说明和验证.     

双马尔可夫决策过程联合模型

人类在处理问题中往往分为两个层次,首先在整体上把握问题,即提出大体方案,然后再具体实施.也就是说人类就是具有多分辨率智能系统的极好例子,他能够在多个层次上从底向上泛化(即看问题角度粒度变"粗",它类似于抽象),并且又能从顶向下进行实例化(即看问题角度变"细",它类似于具体化).由此构造了由在双层(理想空间即泛化和实际空间即实例化)上各自运行的马尔可夫决策过程组成的半马尔可夫决策过程,称之为双马尔可夫决策过程联合模型.然后讨论该联合模型的最优策略算法,最后给出一个实例说明双马尔可夫决策联合模型能够经济地节约"思想",是运算有效性和可行性的一个很好的折中.     

基于变步长量化的安全图像隐写

图像隐写通过将信息隐藏在载体图像中进行秘密传送,实现隐蔽通信.提出了VSQS图像隐写算法,利用密钥控制生成高斯序列并取整,用于对经伪随机排列后的图像像素进行变步长量化,根据量化像素与秘密信息之间的关系来修改像素,实现信息的嵌入.同时给出了该算法的一种扩展(称为TLQS隐写).实验结果表明,VSQS和TLQS图像隐写可提供较大的隐藏容量,并能抵抗几种常见的隐写分析方法.     

基于群智能的集中供暖系统水力管网控制策略优化

针对集中供暖系统管网水力失衡、流量供需失衡问题提出一种基于群智能的新型分布式优化算法.首先以系统输配送能耗最小为优化目标,将其分解为管网调节阀开度优化和换热站并联水泵运行优化两个子问题求解;其次建立调节阀模型和管网水力模型,在此基础上进行调节阀开度的优化,从而计算出系统最小供回水压差;然后基于改进的交替方向乘子法完成并联水泵的优化运行;最后以集中供暖系统实例验证算法性能.实验结果表明:相比传统集中式求解算法,该算法不受水利管网规模限制,利于实现工程中即插即用;相比其他分布式算法,该算法不仅求解速度快,而且可以得到较优的管网运行策略,节能效果较为显著.     

MAML2: meta reinforcement learning via meta-learning for task categories

Meta-learning has been widely applied to solving few-shot reinforcement learning problems, where we hope to obtain an agent that can learn quickly in a new task. However, these algorithms often ignore some isolated tasks in pursuit of the average performance, which may result in negative adaptation in these isolated tasks, and they usually need sufficient learning in a stationary task distribution. In this paper, our algorithm presents a hierarchical framework of double meta-learning, and the whole framework includes classification, meta-learning, and re-adaptation. Firstly, in the classification process, we classify tasks into several task subsets, considered as some categories of tasks, by learned parameters of each task, which can separate out some isolated tasks thereafter. Secondly, in the meta-learning process, we learn category parameters in all subsets via meta-learning. Simultaneously, based on the gradient of each category parameter in each subset, we use meta-learning again to learn a new meta-parameter related to the whole task set, which can be used as an initial parameter for the new task. Finally, in the re-adaption process, we adapt the parameter of the new task with two steps, by the meta-parameter and the appropriate category parameter successively. Experimentally, we demonstrate our algorithm prevents the agent from negative adaptation without losing the average performance for the whole task set. Additionally, our algorithm presents a more rapid adaptation process within re-adaptation. Moreover, we show the good performance of our algorithm with fewer samples as the agent is exposed to an online meta-learning setting.