用于移动终端的低复杂度快速运动估计算法

针对移动终端硬件计算能力不足的问题,提出一种高性能、低复杂度的运动估计算法。算法根据相邻块运动矢量的分布特性,判断运动趋势的可预测性,进而自动选择不同的混合搜索策略;再结合自适应的提前终止阈值,在保证搜索准确性的同时,大大减少了搜索点数。通过对各种类型的视频进行测试,结果表明,该算法对于不同运动类型、不同运动程度的视频序列都具有较强的自适应性,分别比UMHexagonS(Unsymmetrical-Cross Multi-Hexagon Search)和BBGDS算法节省55%和35.6%的运动估计时间,同时率失真性能保持不变。     

一种自相似流量模型的带宽估计新算法

针对现今网络业务流量的自相似特性,选取具备显著自相似特征的分形布朗运动流(FBM)为自相似流量模型,提出一种基于统计网络演算理论的带宽估计算法。该算法利用统计网络演算建模,根据时延与带宽的关系建立出自相似业务流量模型带宽需求的统计模型。通过仿真验证和数值分析,结果表明该算法比有效带宽算法更为优越,得到的带宽估计结果更紧,可以更好地提高带宽资源利用率。     

基于梯度投影法与随机优化算法的约束优化方法

针对带有线性等式和不等式约束的无确定函数形式的约束优化问题,提出一种利用梯度投影法与遗传算法、同时扰动随机逼近等随机算法相结合的优化方法。该方法利用遗传算法进行全局搜索,利用同时扰动随机逼近算法进行局部搜索,算法在每次进化时根据线性约束计算父个体处的梯度投影方向,以产生新个体,从而能够严格保证新个体满足全部约束条件。将上述约束优化算法应用于典型约束优化问题,其仿真结果表明了所提出算法的可行性和收敛性。     

基于多渐消因子强跟踪UKF 和约束AR模型的故障估计与预测

针对非线性系统中不可观测故障参数估计和预测问题, 提出一种基于多重渐消因子强跟踪无迹卡尔曼滤波(MSTUKF) 的状态和参数联合估计法, 通过引入多重渐消因子增强了对变化函数未知的故障参数的跟踪能力. 对于得到的故障参数估计值, 利用递推最小二乘法更新约束AR预测模型, 从而实现故障参数的在线估计与预测. 仿真结果表明, MSTUKF方法在故障参数估计精度上优于UKF 和单渐消因子强跟踪UKF, 约束AR模型的预测精度高于无约束条件下的预测精度.

     

旋转变压器信号的标定与解调

针对检波后信号存在直流偏置、幅值不等和相位偏移等问题,采用梯度估计算法,对检波后的包络信号进行离线标定;并设计了基于状态观测器的旋转变压器-数字转换(RDC)算法,对标定后的包络信号进行解调.试验结果表明,梯度估计算法收敛速度快,估计精度高.与反正切法相比,所设计的RDC算法不需通过数值差分即可获得角速度信息,干扰抑制能力强,角位置和角速度估计精度高.     

重视产品本质,垂直整合通路——Sundef山迪打造源自美国的高性价比高端隔热膜品牌

正眼下,信息的日益透明化、渠道的日渐扁平化、消费的日趋理性化都给国内窗膜市场提出了新的要求,中美合资羿阳(Unisun)科技趁机而入,带来Sundef山迪品牌,给行业、给消费者带来了源自美国的高性价比高端产品选择。新时代下的消费新需求中国的太阳膜市场拥有近20年的发展历史,期间经历了多次变革。眼下,隔热膜已成为汽车     

质优与高性价比兼具 Sundef山迪顶级汽车隔热膜引关注

金属膜作为当前市场上汽车窗膜重要组成之一,在透光、隔热等方面有着不错表现,但也存在不少先天技术无法克服之限制,比如阻隔信号等。相比之下,Sundef山迪顶级汽车隔热膜在具备高效隔热、高率散热等优点的同时,也不存在干扰任何车载系统与电子信号的问题。据羿阳（Unisun）科技营销副总经理林柏志介绍,Sundef山迪顶级汽车隔热膜作为全环保原物料的高端隔热膜产品,不含金属成分,可谓质优与高性价比兼具!     

量子膜/舒热佳打造4S合作体系

从中国汽车市场经历了一段井喷式得发展后,整车市场已经逐渐回归到理性。新车的销售利润正迈向微利润的时代,中国的整车市场面临着关键的转型时期。在这个关键时期,量子膜/舒热佳团队基于丰富的汽车后市场行业经验,提前开始了内部的转型和调整,整合并优化资源,以便更好地服务于汽车后市场、广大的4S集团/店和广大的新车车主。     

多屏服务 让iPhone共享播放

对于笔者这样的懒人来说,坐在PC前观影总是没有躺在床上看片来得舒服,特别是不少视频软件支持多屏投影后,不再需要使用投影将视频投影至天花板这样烦琐的操作。     

Robust state estimation for uncertain linear systems with deterministic input signals

In this paper, we investigate state estimations of a dynamical system in which not only process and measurement noise, but also parameter uncertainties and deterministic input signals are involved. The sensitivity penalization based robust state estimation is extended to uncertain linear systems with deterministic input signals and parametric uncertainties which may nonlinearly affect a state-space plant model. The form of the derived robust estimator is similar to that of the well-known Kalman filter with a comparable computational complexity. Under a few weak assumptions, it is proved that though the derived state estimator is biased, the bound of estimation errors is finite and the covariance matrix of estimation errors is bounded. Numerical simulations show that the obtained robust filter has relatively nice estimation performances.