一种基于Boosting目标识别方法

Boosting算法是近年来在学习领域出现的用于提高算法精度的方法.由于它的算法简单实用,执行效率高,现已广泛应用于目标识别中.与其他算法不同的是：它不是直接构建一个高精度的算法,而是通过多次学习将弱分类器组成一个强分类器.针对传统识别方法检测率低的特点,提出一种基于集成学习的方法：利用图像目标的片段作为特征,用Boosting方法训练的分类器对目标进行分类.实验结果表明算法具有鲁棒性,对复杂场景中的目标具有较高的识别精度.     

机载光电跟踪系统的模糊自整定PID控制

为了提高机载光电跟踪伺服控制系统的控制性能,提出了一种模糊自整定PID控制算法.该算法将模糊控制和经典PID控制相结合,在保持原有系统精度的前提下,使机载光电跟踪伺服控制系统的动态性能得到了改善.仿真结果表明,该控制算法较之经典PID控制算法具有响应快、超调量小、抗干扰能力强等优点,对机载光电跟踪伺服控制系统具有较好的控制能力.     

基于ICO-FU模型的网络控制系统性能补偿

在网络控制系统中由于存在着延迟和抖动,使得系统非周期的运行,导致系统性能下降甚至不稳定.针对该问题,本文提出了ICO-FU模型,它可以通过计算线性控制系统的性能代价函数来分析网络控制系统的性能,同时可以补偿抖动对于控制系统性能的影响.     

基于超表面的宽带超低剖面折叠透射阵

该文提出了基于超表面的宽带超低剖面折叠透射阵天线设计方法。该天线由两种超表面阵列和一个作为馈源的开口波导构成。其中,下层超表面能够将馈源发射的线极化入射波转换为交叉极化反射波,上层超表面能够实现特定线极化波的全反射和另一种线极化波的全透射。通过合理设计,该天线能够将辐射电磁波来回反射3次并在较宽频带内实现增益提升,同时其剖面高度能够降至传统透射阵的1/4。天线实测和仿真结果吻合良好,表明3 dB增益带宽达到19.6%(9.2～11.2 GHz),且9.6 GHz处峰值增益达21 dBi,峰值口径效率为30%。该文设计方法为实现宽带低剖面阵列天线设计提供了新思路。     

模糊控制的改善方法

经典的在线模糊算法实际就是一个查表输出的过程，经典模糊控制器的性能远不如普通的PID或PI控制器，为了克服经典模糊控制系统稳态性能差的缺点，本文提出一种模糊模型的在线插值算法，较理想地改善了模糊控制系统。     

融合深度图和三维模型的人体运动捕获

对于当前热点的运动捕获方法存在的一些缺点,提出了一种融合深度图和三维模型的人体运动捕获方法。利用Ki‐nect采集深度图像,经过对深度图去除背景,提取轮廓信息,建立轮廓数据库。从深度图中提取三维人体骨架,建立骨架三维模型数据库。输入1组深度图动作序列,经过去背景、提取轮廓特征后与轮廓数据库中的轮廓进行匹配,计算出最小距离所在的匹配序列,输出相应的骨架作为动作捕获的结果。实验证明了这种方法的有效性和可行性,该方法能较精确的得到运动捕获数据。     

小数据集情况下基于变权重融合的BN参数学习算法

针对小数据集情况下贝叶斯网络（BN）参数学习结果精度较低的问题,分析了小数据集情况下BN参数变权重设计的必要性,提出一种基于变权重融合的BN参数学习算法VWPL。首先根据专家经验确定不等式约束条件,计算参数学习最小样本数据集阈值,设计了随样本量变化的变权重因子函数;然后根据样本计算出初始参数集,通过Bootstrap方法进行参数扩展得到满足约束条件的候选参数集,将其代入BN变权重参数计算模型即可获取最终的BN参数。实验结果表明,当学习数据量较小时,VWPL算法的学习精度高于MLE算法和QMAP算法的,也优于定权重学习算法的。另外,将VWPL算法成功应用到了轴承故障诊断实验中,为在小数据集上进行BN参数估计提供了一种方法。     

基于贝叶斯网络的海上目标识别

贝叶斯分类器是使错误分类概率最小的最优方法,但必须具备先验知识,计算量也很大,从而增加了实时应用的复杂性。提出基于贝叶斯网络海上目标识别,结合贝叶斯网络对不确定事件强的推理作用,以及贝叶斯理论的数学基础,应用图形模式,使得计算量大大简化,降低了实用的复杂性。     

多传感器自适应滤波融合算法

该文提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,用于解决复杂背景下机动目标跟踪问题。首先自适应寻找各个传感器所对应的最优加权因子,确定融合后某一时刻目标最优观测值;其次,以输入信号作为相关自适应滤波器的观测信号,通过新息相关自适应滤波算法根据状态方程及观测方程中误差的变化,实时动态地调整增益矩阵,同时依据自适应滤波状态偏差输出信号及当前观测数据,应用模糊推理在线调整各传感器权值,最终系统输出即为测量轨迹在两级自适应调整融合下最优轨迹。仿真结果证明了算法有效性。