焊缝的主动红外线成像检测技术

提出了一种以红外光源照射焊缝，CCD摄取图像，通过计算机对图像进行分析处理，提取焊缝的长度、宽度和偏心距的方法。该方法检测精度高，算法速度快，可以实时运用于对手工电弧焊进行漏焊检测。     

焊接机器人的类型与应用(二)

在本章节中,重点阐述了“关节型“工业机器人的六个动作自由度的含义,以及由“关节型“工业机器人引伸组成的电阻点焊和弧焊机器人的类型;点焊机器人中重点介绍了一体式焊钳和伺服式焊钳的类型与应用特点,特别强调了“换钳技术“在汽车车身焊装线上的应用;弧焊机器人则一般性地介绍了CO_2弧焊机器人。     

液压流体脉动主动控制研究现状与展望

液压流体脉动对液压系统的性能与可靠性影响很大。为了减小甚至消除液压流体脉动,各国学者在这方面做了大量工作,提出了各种主动及被动消振策略,取得了很好的消振效果。本文介绍液压流体脉动产生机理及危害、主动消振策略、目前的研究现状以及主要控制算法,提出了可能的研究方向,并对应用前景进行展望。     

基于滤波后处理的主动学习高光谱遥感图像分类

有限的样本数据和高维的特征向量使得高光谱图像分类面临巨大挑战.提出一种结合主动学习和滤波器的高光谱遥感图像分类方法.该方法首先选取部分训练样本得到分类模型,然后采用主动学习通过迭代从非训练样本中选择信息量大的样本不断扩大有效样本数,减少了初始训练样本数降低"维数灾难"出现的可能,同时提高了分类器的泛化性能及准确率.通过主动学习和多项逻辑回归分类器对高光谱遥感图像进行初始分类,然后运用滤波器对初始分类结果保边去噪.实验结果表明,本文方法的分类精度高,分类稳定性好.     

一种自适应的主动移频孤岛检测方法

针对正反馈主动移频法存在检测速度不够快,对输出电流质量影响较大的问题,提出了一种自适应的正反馈主动移频检测方法。该方法采用新的初始截断系数,根据公共点的频率化率实时地调整正反馈系数,缩短了检测时间,减小了检测盲区。同时考虑了电网的波动,避免引入的频率差对输出电流质量的影响。通过相位理论分析和MATLAB/Simulink仿真,验证了该方法的有效性及优越性。     

风能转换系统执行器故障主动容错控制

提出了一种新颖的风能转换系统滑模主动容错控制策略.针对风能转换系统执行器故障,运用预测控制思想和迭代算法,设计了一种故障观测器.在设定的优化时域长度内,利用实际系统与故障观测器的输出差值,通过反复迭代运算,不断地对虚拟故障信号进行调整,使其能有效地拟合实际系统执行器故障,并根据故障观测值实时调整滑模容错控制器结构.未发生故障时,故障观测值为零,系统在滑模控制器控制下稳定运行;执行器发生故障时,运用故障观测值实时调整滑模容错控制项,并用双曲正切函数代替符号函数,消除抖动.仿真实验结果表明,滑模容错控制器下的系统具有良好的容错能力,提高了风能转换系统最大风能捕获效率.     

基于预测滤波器的数字降噪耳机研究

通常数字降噪耳机采用的自适应滤波器,一般基于LMS、NLMS等算法,但是由于A/D转换存在一定的延迟,导致实际降噪效果降低,故降噪耳机上的主动降噪系统需要对噪声进行预测.通过线性预测算法和改进滤波器,对已经采样的噪声信号进行算法分析,预测下一时刻的噪声信号,在Matlab中实现对飞机引擎噪声进行预测,并将降噪效果与LMS自适应滤波器的降噪效果进行比较.仿真结果表明,在处理低频噪声时,预测滤波器效果要优于LMS自适应滤波器.     

基于PCA与主动学习AdaBoost的频谱感知算法

针对认知网络中各低信噪比环境下主用户信号检测率偏低的问题,提出一种基于主成分分析和主动学习AdaBoost的主用户信号频谱感知算法.该算法首先采用主成分分析算法对信号特征参数进行提取,获得信号的主成分,之后利用主动学习算法通过多次迭代抽样,获取有利于提高分类性能的样本,并对AdaBoost分类器进行训练,最后利用训练完成的AdaBoost分类器对待测信号进行分类检测.仿真实验表明,在各低信噪比情况下与ANN和MME算法相比较,所提算法具有较高的分类感知性能,有效地实现了对主用户信号的频谱感知.     

主动叶尖间隙模型预测控制系统设计与仿真

为将发动机全工况内叶尖间隙控制在最佳状态,首先,提出实现间隙主动控制的双闭环控制系统结构;其次,设计一种由多个电子机械式作动装置成的可变结构的机匣结构,并建立了其数学模型;然后,应用基于串级模型预测控制的主动间隙控制策略,完成了控制器的设计;最后,以某发动机叶尖间隙变化为被控对象,仿真验证了所设计系统.结果表明:所设计系统控制偏差≤0.01 mm,对对称性间隙变化和非对称性间隙变化的控制效果均较好,可为主动叶尖间隙控制的实现提供参考.     

基于分层选择策略的主动学习分词方法

为了克服训练样本不足、获取大量标注样本费时费力的问题,在基于不确定选择策略的基础上,提出了一种新的基于分层选择策略的主动学习方法。使用新提出的选择策略从大量无标注的样本中选择最有价值的样例,进行标注后加入到训练集中来训练分词器。最后在 PKU、MSR 和山西大学数据集上进行测试,并与不确定选择策略进行比较。结果表明提出的分层选择策略在相同大小的训练语料下可以获得更高的分词准确率,同时还降低了人工标注的代价。