基于卷积神经网络的手势识别研究

传统的手势识别系统由特征提取和分类器组成,需要人工设计特征,但很难达到足够满意的效果且耗费大量的时间。将卷积神经网络应用于手势识别,能直接把图像数据输入网络,且不用进行复杂的前期预处理。卷积神经网络拥有很强的鲁棒性和较低的复杂性,通过大量的仿真实验,证明了该识别方法具有很好的识别效果,相比现有方法有较大的优势。     

用于可控电力驱动装置的自适应控制器的设计

针对电力驱动装置的速度和电流设计了双自适应环控制器,使可控电力驱动装置在机械或电力特性发生大范围和不可测变化时均能维持系统性能稳定,增强了系统的鲁棒性。     

ANN层状介质结构识别方法 的鲁棒性研究1)

通过对理论信号和实测信号的分析，研究了人工神经网络对层状介质结构识别的鲁棒性， 分析了层状介质物理参数的变化对神经网络识别效果的影响. 实验结果表明， 各介质参数在一定范围内变化时，所得神经网络具有较强的鲁棒性. 该研究结果反映出利用神经网络进行层状介质结构识别具有较强的实用价值.     

一种简易的无模型控制算法--改进的同时扰动随机逼近控制

同时扰动随机逼近控制算法是一种特别适合于应用在工况变化大、非线性强的工业过程的无模型控制算法。但该算法采用了神经网络作为函数逼近器，使得在工程上的实现过于复杂，文章对此作出改进，使其大大简化，更适合于在工程上应用。     

基于Backstepping方法的干扰量对Lü混沌系统的影响

选用高斯噪声作为干扰源,研究将随机噪声加入到积分环节前后被控L煦缦低呈艿降挠跋以此验证控制器的鲁棒性,并设计了实验来验证论文中采用的加入非线性阻尼降低干扰量的方法,将混沌系统稳定到预期的轨迹,仿真结果证明了该方法的有效性.     

基于最优解耦的鲁棒故障检测方法研究

系统地研究了线性系统在模型参数变动和存在外部扰动下的控制系统故障的鲁棒故障检测方法。分析了在与干扰信号不能完全解耦的情况下,如何设计残差信号使其对模型参数变化及噪声不敏感,而对故障敏感,由此得出了对未知输入具有鲁棒性的条件方程式,并基于最优解耦理论,通过矩阵的奇异值分解实现了最优解耦。在给出的仿真实例中,验证了该文提出方法的有效性。     

基于图像置乱的数字水印算法

本文提出了一种基于图像置乱的数字水印算法,该算法首先对图像进行三级小波分解,然后选取低频子带嵌入置乱后的秘密图像,再进行小波重构得到嵌有水印的图像。对嵌有水印的图像进行相应的逆变换,通过改变调制因子的值,从而可使提取出的秘密图像可见。实验结果表明,该算法对于JPEG压缩、中值滤波、加噪、旋转等具有较好的鲁棒性。     

基于卷积神经网络的多模型交通场景识别研究

利用人工智能中的视觉分析技术,实现对高分辨率交通视频中出现的各个目标类别进行实时目标检测、语义分割和目标追踪。数据集结合BDD100K和Mapillary Vistas。训练中不仅对模型中的参数进行调整,还对多个模型进行改进与创新。目标检测模型使用EfficientNet-B1作为主干网络,使用ASPP与改进后的FPN作为脖颈网络,通过引入多种模型训练技巧,对模型进行优化,最终结果减少约2.3倍的参数量,在不同数据集上的准确率都有所提升。目标追踪使用DeepSort追踪算法对多个目标类别进行追踪计数。语义分割使用Encoder-Decoder结构,使用EfficientNet-B4作为主干网络,参照U-Net++网络使用卷积层作为特征提取模块,反卷积层作为上采样模块,通过联结不同大小的特征图,得到最终输出结果。将改进语义分割模型与MobileNetV2和DeeplabV3网络结合的模型进行对比,减少约1.35倍的参数量。实验证明,通过深度学习算法提取鲁棒性特征能够为自动驾驶和辅助驾驶场景中的检测识别提供便利。     

电力系统稳定器研究综述

随着电网规模的不断扩大,电力系统低频振荡问题目益突出。电力系统稳定器(PSS)是抑制振荡,增强电力系统稳定性的重要措施。它通过把相关信号传递到电压调节器来抑制机组之间的低频振荡。PSS的设计方法、参数调整的优劣直接影响到其功能有效性。分别从研究和工程的角度进行了介绍,研究角度从参数选择、选址问题和鲁棒性方面介绍了PSS的基本问题,而后交代了工程中参数整定的基本方法。最后对PSS的未来发展进行了展望,认为系统运行工况、多频段PSS设计和广域测量方法等方面还需更进一步研究。