基于二维混合模型的改进型重复控制器设计

针对一类线性系统,提出一种基于连续/离散二维混合模型的改进型重复控制系统设计方法.首先,通过分析重复控制系统中独立存在的控制行为和学习行为,建立了连续/离散二维混合模型,并将重复控制设计问题转化为一类连续/离散二维系统的状态反馈控制问题;然后,基于对重复控制过程的分析和二维模型,提出一种新型重复控制系统结构,并将重复控制器的设计问题转化为连续/离散二维混合系统的状态反馈设计问题;最后,应用二维Lyapunov 泛函理论和线性矩阵不等式方法,获得了重复控制器参数求解方法.

     

主动式I／O模块在高速工控场合的应用

I／O板卡是PC—BASED类型工控应用中重要的外围设备。传统的I／O板卡功能单一,其用户态下的操作受到操作系统影响而具有不确定性。另外,其编程方法中对ISR的应用有一些局限,而其中断延迟在一些超高速的工控场合仍然无法满足要求。针对传统I／O板卡的局限性,提出“主动式”I／O模块的概念,描述其系统结构,讲解提高系统实时性能的机制。     

嵌入式多串口到以太网网关的设计与实现

针对无人机数据链地面控制站监控计算机与多种部件串行通信的复杂问题,提出了以嵌入式系统来实现多串口到以太网数据转换网关的设计方案.给出了利用LPC2388并行数据口实现串口扩展的方法.详细介绍了硬件结构设计和软件设计,并且给出了数据流的分析.该方法在解决了实际的工程问题的同时也为传统串口设备通过标准TCP/IP协议接入Internet提供了一种低成本解决方案.     

内燃机车主发电机绕组直流电阻测试仪的设计

根据机车主发电机绕组测试检修的技术要求,结合单片机技术,开发出机车主发电机直流电阻测试仪。该测试仪能自动安全地完成机车主发电机绕组的检测,保证精度的前提下,缩短了检测时间,提高了生产效率,降低了劳动强度,改善了工作环境。     

基于Virtools的Pro／ENGINEER模型优化方法

一、前言 随着虚拟现实技术的迅速发展和应用,电子电工虚拟实验室、电气元件虚拟装配、虚拟电子仪器和建筑电气设备建模等虚拟环境互动的虚拟现实系统应用日益广泛.但这些都需要三维建模以及三维驱动才能实现逼真的"沉浸"效果.     

西门子现场总线在中板精整设备中的应用

本文简要介绍了基于PROFIBUS现场总线技术的重钢中板改造项目控制系统的结构、配置、功能以及系统特征等.充分体现了在冶金工业控制系统中应用PROFIBUS现场总线的优越性,使得我国的冶金工业得到了飞速发展.     

V型啁啾调频单脉冲激光测速测距方法与实现EI北大核心CSCD

为实现雷达远距离动目标实时跟踪探测,单脉冲线性调频脉冲压缩算法和V型啁啾调频脉冲压缩算法为快速获得运动目标的距离速度信息提供算法基础。结合脉冲压缩算法优势以及两种波形脉压算法的弊端,利用V型啁啾调频脉冲发射波形,提出采用三角调频滤波处理方法,以解决目标的距离、径向速度值及速度方向信息同时获取的难题,为单脉冲实现速度矢量信息的隐蔽探测提供解决方案。通过搭建脉冲激光相干测量实验平台,在接收镜头后连接17.618 km延迟光纤以延长目标往返距离,对转速从−3.67~3.67 m/s的转盘进行速度距离测量。在40 MHz调制带宽,4.096μs调制脉宽,2.5 GS/s采样率条件下成功实现单脉冲距离速度多维信息获取,并对测速准确性进行评估,距离测量精度达到0.33 m,速度测量精度为0.061 m/s。     

面向架空线路的无人机带电无损探伤系统的研究与应用

针对目前输电线路金具压接工艺、质量检测方法准确率低且特征分辨率弱,传统探伤技术受限于设备的体积、对碳纤维导线和钢芯铝绞线适用性等问题,研制一种基于无人机的架空线路 X 光带电无损探伤系统。对压接金具在服役过程中各类缺陷的形成机理进行分析,建立关键设备状态评价体系,在此基础上,提出无人机X光带电无损探伤检测模型,采用遥感图像采集技术实现探伤图像采集,对采集的架空线路线夹遥感图像进行高斯滤波降噪处理。基于边缘检测图像分割算法对降噪输出的探伤图像进行故障缺陷分区,实现缺陷精准识别、故障定位。实验结果表明,研制的无人机带电无损探伤系统损伤检测的特征分辨能力较强,同时具备主动减振、电磁防护特性,对架空线路本体及附属设备缺陷的精益化管控具有重要意义。     

基于自注意力模态融合网络的跨模态行人再识别方法研究

行人再识别是实现多目标跨摄像头跟踪的核心技术, 该技术能够广泛应用于安防、智能视频监控、刑事侦查等领域. 一般的行人再识别问题面临的挑战包括摄像机的低分辨率、行人姿态变化、光照变化、行人检测误差、遮挡等. 跨模态行人再识别相比于一般的行人再识别问题增加了相同行人不同模态的变化. 针对跨模态行人再识别中存在的模态变化问题, 本文提出了一种自注意力模态融合网络. 首先是利用CycleGAN生成跨模态图像. 在得到了跨模态图像后利用跨模态学习网络同时学习两种模态图像特征, 对于原始数据集中的图像利用SoftMax 损失进行有监督的训练, 对生成的跨模态图像利用LSR (Label smooth regularization) 损失进行有监督的训练. 之后, 使用自注意力模块将原始图像和CycleGAN生成的图像进行区分, 自动地对跨模态学习网络的特征在通道层面进行筛选. 最后利用模态融合模块将两种筛选后的特征进行融合. 通过在跨模态数据集SYSU-MM01上的实验证明了本文提出的方法和跨模态行人再识别其他方法相比有一定程度的性能提升.