基于T-S 模糊模型的采样数据网络控制系统H∞ 输出跟踪控制

研究具有采样数据的基于T-S (Takagi-Sugeno) 模糊模型网络控制系统H输出跟踪控制问题. 提出将采集器端数据采样周期、数据传输时滞和数据丢包转换为零阶保持器端数据更新周期, 在此基础上, 利用输入时滞法和PDC (Parallel distributed compensation) 技术, 建立网络环境下被控对象和参考模型合并的基于T-S 模糊模型的增广系统模型. 通过Lyapunov 方法, 并充分利用采样特性, 给出系统实现H输出跟踪的充分条件, 以及可靠模糊控制器的设计. 仿真结果表明所设计模糊控制器能够实现该类系统良好的跟踪.     

用于压缩感知的DMD控制系统设计

基于数字光处理(DLP)的数字微镜器件(DMD)灰度控制主要针对视频应用,故帧频较低,只有约60～120 Hz,而用DMD实现的伯努利矩阵作为压缩感知测量矩阵,是0-1二值矩阵,不需要灰度控制,且帧频要求通常在数千帧每秒.研制了基于Xilinx公司Virtex-5 FPGA的DMD控制系统来实现伯努利矩阵,系统由随机数发生器(RNG)、DDR2 SDRAM控制器、DMD控制器等模块组成.随机数发生器产生的随机数存储在DDR2 SDRAM中,实现与DMD的高速数据传输.经验证,该系统可实现二值高速显示,帧频可达到2 kHz.     

基于动态矩阵控制的双层结构预测控制的整体解决方案

本文给出一种双层结构预测控制的整体解决方案. 该方案分为开环预测、稳态目标计算和动态控制三个模块. 开环预测基于实测被控变量值和过去的操作变量值, 在假设未来操作变量不再变化的情况下, 估计未来的被控变量值. 稳态目标计算根据开环预测结果和外部目标等要求, 计算操作变量、被控变量的稳态目标值以及软约束的放松量. 动态控制根据开环预测结果和稳态目标输出结果, 计算未来的控制作用增量序列, 采用经典的动态矩阵控制策略. 这个整体解决方案保证了三个模块在模型、约束、目标上的一致性. 该算法是在已有文献的基础上, 将三个模块统一处理得到的. 仿真与应用例子证实了该算法的有效性.     

直线特征的交互矩阵求取

直线特征在视觉跟踪、视觉伺服中具有重要作用, 但目前的直线交互矩阵的求取受到制约, 需要已知含有直线的平面在摄像机坐标系中的方程参数. 为摆脱含有直线的平面参数的约束, 本文利用两点的极坐标推导出直线的交互矩阵, 并给出直线交互矩阵求取方法. 经分析得知, 对于与摄像机光轴接近垂直的直线, 其在成像平面上的角度变化主要受摄像机姿态变化的影响, 对摄像机的位置变化不敏感. 对于与摄像机光轴平行的直线, 其在成像平面上的角度变化受摄像机旋转以及垂直于光轴平移 的影响较大. 实验结果验证了本文方法的有效性.     

一种融合引力影响的新的矩阵分解推荐方法

矩阵分解运用于推荐系统受到越来越多的关注,改进算法也层出不穷,这些算法都面临预测精度不足,收敛速度过慢和不适用于大数据量的推荐系统等问题.针对上述问题,提出一种基于引力影响的矩阵分解推荐方法,物品影响力对推荐系统提高推荐精度具有重要的意义.基于物品流行度和物品质量的高低对用户评分的影响,通过引入物品对用户的引力,实现基于矩阵分解的引力推荐算法.实验表明:在用户没有任何历史行为的情况下也可以做出比较合理的推荐,迭代20次就能达到较好的收敛效果,且在推荐精度上有了明显的提高,并且该算法可适用于数据量大的推荐系统.     

受限模糊网络可信近邻查询

针对不确定网络环境下的近邻查询问题,给出一种新的解决方法.将不确定网络建模为模糊图,定义模糊图中两点间的可信最短路径距离和可信最短路径期望距离,在可信距离基础上,提出模糊图可信近邻查询概念,并给出网络距离受限条件下的模糊图可信近邻查询算法和即时可信近邻查询算法.算法采用模糊模拟方法降低问题难度,使用网络距离约束缩小搜索空间,运用优先队列快速得到满足精度ε要求的可信近邻查询结果.算法的时间复杂度分别为O((2r +Ar)(e+nlgn)+hlgh+ lgn)和O(e+ (n+1)lgn).理论分析与实验结果表明,可信近邻查询算法能够从模糊角度解决不确定网络环境下的近邻查询问题.     

实矩阵两类广义逆的迭代算法

将计算实矩阵的Moore-Penrose逆和Drazin逆转化为线性矩阵方程组的求解问题,然后采用修正共轭梯度法求线性矩阵方程组的一般解,并通过简单的矩阵乘法运算或者直接得到实矩阵的Moore-Penrose逆和Drazin逆.修正共轭梯度法不同于通常的共轭梯度法,它不要求涉及的线性代数方程组的系数矩阵正定、可逆或者列满秩,因此总是可行的.数值算例表明,这种算法是有效的.     

基于增强学习与QoE需求函数的自适应无线网络择取优化机制

为了使网络择取机制能在未知的网络信息条件下仍可适应复杂多变的网络;并可迎合客户动态变化的QoE需求,且能对其进行优化,提出了增强学习与QoE需求函数相融合的自适应网络择取优化机制。从各类用户出发,划分不同性质的业务,并引入随机离散原则,建立QoE需求函数;根据QoE反馈信号,兼顾切换决策的主观与客观性,嵌入最小二乘法,构建网络切换决策优化模型,获得决策最优值;计算切换开销与客户需求的概率中间值,并定义了最优网络切换规则,耦合增强学习对网络进行择取/切换;设计增强学习参数更新法,完成会话业务发送。在MATLAB仿真平台上对该机制以及其他几种无线网络择取方法进行了测试,实验结果显示:随着网络切换开销权重的不断增大以及转移概率矩阵的实时变化,所提出的机制的性能最好,而且最稳定。     

半监督空间化竞争聚集算法及其在图像分割中的应用

经典竞争聚集( CA)算法在聚类时对于样本中的少量已知信息没有加以利用,但这些信息往往需要应用到整个聚类过程中。此外,在相似度度量函数的选择上CA算法使用常见的欧氏距离,然而欧氏距离仅适用于团状数据,制约了算法的应用范围。针对上述问题,通过引入具备半监督学习能力的半监督项对隶属度矩阵进行增强,利用聚类中心和中心邻近的点组成空间,把样本点与该空间的距离替代欧氏距离作为新的相似度度量标准,并给出判断聚类中心能否合并的阈值参数,最终得到半监督空间化CA算法。通过在人造图像和真实图像上的分割结果表明,该算法能够更准确地获取聚类类别数以及更好的聚类效果。     

基于乘客多运动行为的公交客流计数判定方法

针对基于单目视觉的公交乘客人数统计判定方法不稳定、计数结果不准确的现状,结合公交车门附近乘客运动行为的复杂性和多样性,以及乘客运动行为对计数判定方法的干扰,给出一种基于乘客多运动行为分析的计数判定方法。采用轨迹聚类的方式对乘客运动行为进行分析,结合轨迹的空间特征和方向特征计算轨迹距离,并使用层次聚类方法进行聚类。分析聚类结果中每一类别所对应乘客类的运动行为,讨论各乘客类的运动行为对常用计数判定准则的影响,由此提出一种改进的公交车客流计数判定方法。利用采集的乘客上下公交车视频图像进行实验,结果表明,该方法能获得较高的统计精度和较好的稳定性。