基于有效参数初始值估计的改进AAM拟合算法

为了高效地解决图像特征点配准特别是人脸特征点配准问题.基于活动表观模型(AAM)的拟合算法得到了广泛研究和应用.然而,当参数初始状态和真实情况相差较大时,AAM拟合算法经常无法得到满意的结果.针对AAM拟合算法对参数初值敏感的问题,在AAM反向组合算法基础上,提出了一种简单有效地进行参数初始值估计的方法,通过提取相关区域的矩特征和线性映射计算出比较精确的参数初始值.实验证明方法通过可靠的初始参数值减少了迭代次数,并提高了拟合准确度.     

自适应Kalman滤波器在水下被动目标跟踪中的应用

在水下被动目标跟踪系统中，直角坐标系下的扩展卡尔曼滤波器容易发散而导致滤波精度很差，提出了一种修正极坐标系下的自适应卡尔曼滤波算法，对虚拟噪声进行估计，动态补偿模型线性化误差，消减系统的观测误差．对其滤波理论及算法进行了研究和仿真。仿真结果表明，该算法提高了滤波的稳定性、快速性和精确性，优于一般的扩展卡尔曼滤波算法。     

基于空间分解的三角网格模型求交方法

三角网格模型间的求交问题是计算机辅助设计与制造领域的关键问题之一.分析了已有空间分解技术和包围盒方法等的优缺点,并在此基础上提出了改进的空间分解求交方法. 该算法能够精确定位三角形所占的空间网格,一定程度上减少了需要求交的三角形的数量.实验的结果表明,改进的算法提高了采用空间分解进行三角网格求交的计算效率.     

基于云-神经网络的多属性模糊规则分类

针对模糊规则分类中数据边界硬性划分的局限性问题,建立了云-神经网络模型,并提出了基于云-神经网络的模糊规则分类算法.在不影响数据模糊性和随机性的基础上,将数据转化为规则,并利用神经网络的学习能力,进行多属性模糊规则分类,与传统方法相比,该方法在保证数据模糊性和随机性的基础上,提高了模型精度和分类准确率,应用实例表明了该方法的有效性和可行性.     

斯坦福大学公开课：机器学习课程——Open Stanford Course Engineering Everywhere-MachineLearning

随着"智能制造"概念的普及,人工智能技术的研究与应用变的越来越被人们关注。人工智能在制造中的运用已经成为实现制造的知识化、自动化、柔性化以实现对市场的快速响应的关键。机器学习无疑是最有希望实现这个"智能"的研究方向之一。斯坦福大学的"Stanford Engineering Everywhere"免费提供学校里最受欢迎的工科课程给全世界的学生和教育工作者。得益于这个项目,我们有机会和全世界站在同一个数量级的知识起跑线上。     

基于内部结构MPOMDP模型的策略梯度学习算法

为了提高MPOMDP模型的知识表示能力和推理效率,提出一种基于Agent内部结构的MPOMDP模型。该模型能表示Agent的内部结构及其时间演化,并通过将系统联合概率分布表示成每个Agent内部变量集的局部因式形式,以提高模型的推理效率。将GPI-POMDP算法扩展到基于内部结构的MPOMDP模型中,给出基于内部状态的多Agent策略梯度算法（MIS-GPOMDP）,来求解基于内部结构的MPOMDP。实验结果表明MIS-GPOMDP算法具有较高的推理效率,且算法是收敛的。     

模糊模型在机车车轮故障诊断中的应用

提出了一种改进的能面向高阶T-S模糊推理模型.并将改进型IRBFN的神经模糊模型学习算法应用于车轮的故障诊断当中,提出了一套新的简单、高效的车轮故障诊断方法.仿真结果表明,该方法是有效的.     

反例引导的模型检验工具的设计

针对模型组合中常见的"状态空间爆炸"问题,分析了抽象和组合两种方法各自的优缺点,采用"反例引导的抽象精化"框架和模型检验思想,将抽象和组合结合起来,为模型组合的检验提出了一种新的方法.设计了模型的抽象、组合、检验和精化算法,开发了一款基于反例引导的、图形化的模型检验工具,使用Kripke结构建立模型,用LTL描述性质,从而表明了反例引导的模型检验方法的过程.     

基于T-S模型的网络控制系统故障诊断

针对一类参数不确定并具有时延和丢包情况的非线性网络控制系统,为达到快速准确的进行故障诊断的目的,提出了一种基于T-S模糊模型的故障诊断方法.通过建立此系统的T-S模糊模型,利用平行分布补偿时延的思想设计了满足系统稳定性条件的状态反馈控制器,以及通过引入随机切换系统表示数据有无丢失情况下的基于模糊观测器的鲁棒故障诊断方法,然后基于 Lyapunov函数和线性矩阵不等式方法给出了该闭环网络控制系统渐近稳定的充分条件,最后通过仿真例子验证了该方法能够使闭环控制系统渐进稳定以及能够准确的进行故障诊断,验证了所设计方法的有效性.