Automatic localization of craniofacial landmarks for assisted cephalometry

In this paper we propose a system for localization of cephalometric landmarks. The process of localization is carried out in two steps: deriving a smaller expectation window for each landmark using a trained neuro-fuzzy system (NFS) then applying a template-matching algorithm to pin point the exact location of the landmark. Four points are located on each image using edge detection. The four points are used to extract more features such as distances, shifts and rotation angles of the skull. Limited numbers of representative groups that will be used for training are selected based on k-means clustering. The most effective features are selected based on a Fisher discriminant for each feature set. Using fuzzy linguistics if-then rules, membership degree is assigned to each of the selected features and fed to the FNS. The FNS is trained, utilizing gradient descent, to learn the relation between the sizes, rotations and translations of landmarks and their locations. The data for training is obtained manually from one image from each cluster. Images whose features are located closer to the center of their cluster are used for extracting data for the training set. The expected locations on target images can then be predicted using the trained FNS. For each landmark a parametric template space is constructed from a set of templates extracted from several images based on the clarity of the landmark in that image. The template is matched to the search windows to find the exact location of the landmark. Decomposition of landmark shapes is used to desensitize the algorithm to size differences. The system is trained to locate 20 landmarks on a database of 565 images. Preliminary results show a recognition rate of more than 90%.     

神经网络自适应控制的研究进展及展望

关于人工神经网络与自适应结合的研究，近年来已成为智能控制学科的热点之一。自适应具有强鲁棒性，神经网络则具有自学习功能和良好的容错能力，神经网络自适应控制由于较好地结合了二者的优点而具有强大的优势。本文系统地综述了神经网络自适应控制的进展，讨论了神经网络自适应的主要模型和算法，并就其存在的一些问题、应用与发展趋势进行了探讨。     

Simple characterisation of a deformable mirror inside a high numerical aperture microscope using phase diversity

We present a simple and versatile scheme for characterising amplitude and phase modulation by an active element, such as a deformable mirror, in the pupil plane of a high NA microscope. By placing a mirror in the vicinity of the focal plane of the objective and recording images of the reflected focal spot on a camera, we show that reliable measurements of the influence function of the mirror actuators in the pupil plane of the objective can be obtained using an iterative electric field retrieval algorithm. Compared to direct wavefront sensors, the proposed method allows characterisation for a variety of objectives with different NA and pupil sizes without modification of the setup, requires minimal space inside the microscope, and can be used with pulsed sources such as used for multiphoton microscopy. In order to validate our method, we compare our data to the results obtained with a Shack-Hartmann wavefront sensor, and show that comparable precision is achieved.     

基于模型不确定补偿的轮式移动机器人反演复合控制

针对轮式移动机器人存在模型不确定性、非线性以及未建模的动态特性等因素,严重影响系统轨迹跟踪的稳定性和精确性,提出一种基于系统模型不确定性补偿的反演复合控制策略。基于非完整轮式移动机器人的运动学模型,采用反演控制思想以及李雅普诺夫稳定性判据设计轨迹跟踪的虚拟速度控制量,作为系统的持续激励输入。考虑轮式移动机器人具有模型不确定性和外部有界力矩干扰,根据轮式移动机器人的动力学模型推导得到系统不确定项,并采用具有高度非线性拟合特性的神经网络对其估计,得到模型的力矩控制量,且由李雅普诺夫稳定性分析得到不确定项的自适应律,实现自调整和实时轨迹跟踪。对比仿真表明,该复合控制策略能自适应的跟踪期望轨迹,与单一的反演控制、模型不确定性补偿控制策略、传统PID控制相比,均具有更好的鲁棒性和高的跟踪精度。     

自适应Radau伪谱法自由漂浮空间机器人轨迹规划

为解决Gauss伪谱法(GPM)计算速度和求解精度之间的矛盾,在多段Radau伪谱法的基础上,提出了求解自由漂浮空间机器人(FFSM)最优路径规划问题的hp自适应Radau伪谱法(hp-RPM).与传统的Gauss伪谱法不同,该方法并不是单纯通过增加节点数量来提高精度,而是在每次迭代的过程中对整个路径分段个数和各个路径子区间的宽度进行合理的分配,并能配置每个子区间内节点的数量.通过增加分段个数可以减小子区间内所需节点个数,以此降低多项式阶数、提高计算速度.基于上述理论,首先建立了多臂FFSM系统动力学模型,并给出了运动过程中系统模型更新方法;然后将连续最优轨迹规划问题离散化,完成了hp自适应Radau伪谱法的设计;最后利用hp-RPM解决两连杆FFSM系统轨迹规划问题并进行了仿真实验.结果表明:在初始条件相同的情况下,两种方法得到的位置、速度规划曲线相似,但hp-RPM在各个节点处的误差明显低于GPM计算误差;在精度要求较高,初始节点较多的情况下,hp-RPM可以在保证精度的同时有效的提高计算速度.     

数控车床故障传播机理分析

为探讨数控车床故障传播机理,即识别系统关键节点与关键故障传播路径,基于数控车床故障数据,应用有向图理论、集成决策实验室分析(DEMATEL)和解释结构模型(ISM)方法构建数控车床分层故障传播有向图模型;基于故障传播概率、边介数两指标定义故障传播强度表征故障传播行为;提出结合系统分层故障传播有向图模型和故障传播强度的数控车床故障传播机理分析方法.分析结果表明:系统分层故障传播有向图模型实现了系统层级分解,简化了故障传播分析过程,为关键路径识别奠定了基础;将故障传播强度作为关键路径识别的依据,避免了传统分析方法基于单一指标描述数控车床故障传播行为而产生的偏差,实现了准确定位故障源,准确识别系统关键路径.所提方法有助于系统故障诊断与维护.     

事件驱动的卫星编队姿态分布式协同控制

星间信息交互是卫星编队姿态协同控制的基础.为降低姿态协同控制对星间交互的信息量,满足资源和通信带宽受限等约束,在卫星编队Euler-Lagrange姿态动力学模型的框架内,提出了一种基于事件驱动的相对姿态分布式自适应控制算法.通过设计含有星间状态偏差、关联矩阵等的事件驱动函数,当该函数值满足条件时触发事件、更新数据,在非触发时间内利用触发时刻的信息设计控制算法,从而将卫星编队姿态一致性协同控制转化为事件驱动控制问题,有效降低了控制输入更新频次及星间信息交互量.基于Lyapunov理论证明了在事件驱动自适应控制器作用下,领航者—跟随者卫星编队系统是全局渐近稳定的.并证明了事件触发时间序列不会产生Zeno现象,即事件触发间隔时间存在下界.进行数值仿真验证事件驱动自适应控制算法的有效性,并将其与传统自适应控制算法相比较,仿真结果表明,所设计的控制算法在保证闭环系统控制性能的前提下,显著降低了控制输入更新频次和星间交互信息量,满足星上能量和星间通信能力等约束.     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

基于LMS算法消除瞬变压力检测系统中的噪声

瞬变压力检测系统有较宽的通频带,使得先验知识未知的噪声容易混入系统,所以消除噪声对于准确及时地检测工程设备中的压力突变极为重要.介绍了LMS算法和自适应消除噪声的原理,基于LMS算法设计出了用于瞬变压力检测系统噪声的自适应滤波器.仿真结果表明,所设计的方法可以在缺少噪声先验知识的情况下有效地消除噪声干扰.     

模拟退火优化FCM聚类高光谱图像压缩研究

基于矢量量化的高光谱图像有损压缩算法可以获得较高的压缩比,但是其时间复杂度高,失真较大. 为此,提出了模拟退火优化模糊C均值聚类(FCM)的高光谱图像有损压缩算法. 先对高光谱图像进行自适应波段合并算法降维,利用肘部现象确定量化级数,结合模拟退火的全局寻优能力和模糊聚类的快速收敛能力,找到最优解后恢复维度,最后去模糊优化编码方案. 通过这种方法,在提高高光谱图像压缩运算效率和减小解压后失真方面都有了较大的优化,是基于矢量量化的高光谱图像压缩的可行方法.