跟踪窗口尺度自动更新的Mean—Shift跟踪算法

Mean—Shift算法作为一种高效的模式匹配算法,已经广泛地应用在实时性要求较高的目标跟踪系统中,但标准的Mean—shift跟踪算法缺乏窗口尺度自动更新机制无法满足图像中运动目标尺寸变化的需要。在分析图像的轮廓检测的基础上提出了一种窗口自动更新方法,实验证明本算法能够有效地跟踪尺寸变化的目标并且提高了跟踪精度,增强了跟踪稳定性。     

无线传感器网络中基于信息收益的多目标跟踪

目标跟踪是无线传感器网络应用的一个很重要的研究领域,节点有限的通信能力、处理能力、存储能力限制了传统跟踪算法的使用.为了提高网络的信息感知能力和降低能量消耗,提出基于信息收益的加权质心多目标跟踪算法,算法通过信息收益函数选取并唤醒节点对目标感知,通过传感器属性信息解模糊,并利用加权质心算法实现了多目标跟踪.仿真结果表明,与Bayes滤波协同多目标跟踪算法相比,算法虽精度略低,但时间复杂度低、失跟率低、实时性高,总体性能优于前者.     

钢铁企业全厂仪表维修设施设计初探

以我国某大型钢铁企业全厂仪表维修设施的设计方案为例,简要说明了仪修设施的设计原则、全厂仪表维修的一般解决方案,较详细地介绍了仪修设施专业划分、实验室及维修车间的设置和主要设备构成,为该类项目的设计和工程建设提供一定参考。     

基于手势识别的机器人人机交互技术研究

研究了基于视觉的动态手势识别技术,采用基于肤色的高斯模型与改进的光流场跟踪算法结合的方 法,实现了复杂背景下实时的手势跟踪,具有快速和准确的特点,且具有较好的鲁棒性．对于动态手势识别器,采 用了隐马尔可夫模型（HMM）作为训练识别算法．考虑到动态手势特征本身的一些特点,对HMM 参数优化算法重 估式加以修正,调整了算法比例因子,从而推导了最佳状态链的确定算法、HMM 参数优化算法．最后将研究开发 的动态手势识别算法成功地应用到了基于网络的远程机器人控制系统中．     

基于双层预测机制的传感器网络目标跟踪算法

针对层次型传感器网络的目标跟踪问题,提出了一种基于双层预测机制的目标跟踪算法,由传感器节点执行Bayes估计算法进行目标位置的预测与更新(微观预测);由簇头进行基于曲线运动方程的目标位置预测(宏观预测),并用预测结果对传感器节点所得到的目标位置进行更新,提高了目标位置计算精度.仿真结果表明,算法具有较好的跟踪精度和能量效率.     

时变不确定非线性系统自适应滑模跟踪控制

针对一般的具有时变且界未知的非线性不确定性的单输入多输出非线性系统,提出一种自适应滑模跟踪控制器的框架.在该框架内,系统的时变且界未知的非线性不确定性可以通过函数逼近技术(FAT)表示成为一组正交基函数序列的组合,并通过滑模控制技术和直接Lyapunov方法获得基函数系数的更新律以及对不确定性逼近误差的在线自适应补偿,从而得到自适应的滑模控制律.所提出的基于函数逼近技术的自适应滑模跟踪控制策略在直流电机跟踪控制系统实验装置上进行了实际控制实验,并进行了性能的对比与分析.     

人工智能实验教学探讨

本文一方面简单介绍人工智能的基本理论及知识体系结构,另一方面则结合笔者的理论实践与实验教学经验,总结出目前在整个教学过程所存在的一些问题,目的在于不断总结经验,力争能更好地完成人工智能的整个教学工作,从而提高人才培养的质量,同时也可以为其他高校提供参考。     

话题发现与追踪技术研究

话题发现与追踪以新闻流为处理对象,采用基于事件的信息组织方式进行研究,一直是自然语言处理领域里的热点。该研究借鉴大量相关研究尤其是信息检索中的经典模型和方法,取得了很大成功。首先介绍了话题发现与追踪的主要研究内容、评价方法以及发展历史;然后对其多个研究内容提出一个统一研究框架,并对该框架中的关键技术进行了详细分析;最后指出该领域中的关键问题及难点,并对未来研究做出展望。     

坦克设计新发展

本文提出“针对式坦克发展战略”主要内容,它要求“突破性新概念高新技术”,获得“减法设计方法”,因而形成“坦克发展新道路”.运用“系统总体取胜”的系统工程理论,处理好坦克全系统“综合”、全系统与分系统“配置”、分系统与分系统“匹配”、全系统与人及作战环境“适应”四大关系,以“相互同水平组合”替代“单项高水平爬坡”.通过“从系统总体着眼、由边际零部件突破”的途径,善于从各个部分或部件之间的结合部加以突破,实现坦克设计新发展.     

Finite-time optimal tracking control for a class of nonlinear systems with prescribed performance

In this paper, a finite-time optimal tracking control scheme based on integral reinforcement learning is developed for partially unknown nonlinear systems. In order to realize the prescribed performance, the original system is transformed into an equivalent unconstrained system so as to a composite system is constructed. Subsequently, a modified nonlinear quadratic performance function containing the auxiliary tracking error is designed. Furthermore, the technique of experience replay is used to update the critic neural network, which eliminates the persistent of excitation condition in traditional optimal methods. By combining the prescribed performance control with the finite-time optimization control technique, the tracking error is driven to a desired performance in finite time. Consequently, it has been shown that all signals in the partially unknown nonlinear system are semiglobally practical finite-time stable by stability analysis. Finally, the provided comparative simulation results verify the effectiveness of the developed control scheme.