浅议企业职工工资收入分配存在的问题及措施

自改革开放以来,中国经济30年来的经济高速增长,中国低廉的劳动力成本起到了勿容置疑的支撑作用.但在中国经济发展到现在的水平以后,廉价的劳动力成本对中国经济起飞是否具有可持续性,面对日前席卷全球的金融危机,中国是采取低工资政策,还是逐步提高工资刺激内需,已经成为专家学者和政府开始关注的话题,也是中国经济、社会发展必须做出的抉择.本文主要就在中国工业化达到较高程度、社会供给不足已经基本消失的情况下,如何看待职工工资收入现状、如何保证职工工资收入的增加、如何看待职工收入分配不公的问题及如何采取应对措施,提出自己的看法.     

基于低秩特性的鱼眼图像畸变矫正方法

传统的鱼眼图像矫正技术在处理视角不确定以及拍摄角度和目标姿势可变时性能降低,从而限制了鱼眼图像的应用。针对低秩鱼眼图像的局部不变特征,将最近邻插值法与变换不变低秩纹理(TILT)方法结合的新方法对鱼眼图像进行矫正,既能矫正鱼眼图像又能精确地恢复低秩纹理,并通过实验对几何矫正精度进行对比。实验结果表明,最近邻插值方法结合变换不变低秩纹理方法对鱼眼图像具有较好的矫正效果,精度高,且实现简单,有良好的实用价值,矫正精度优于其他算法。     

基于神经网络的非完整移动机器人鲁棒跟踪控制

针对受非完整条件约束的移动机器人存在的高度非线性、不确定性和外部干扰,提出了一种基于神经网络的鲁棒跟踪控制策略。该控制策略能够对系统中的未知的不确定性和干扰进行补偿。基于Lyapunov方法对控制系统进行设计,保证了系统的稳定性,改善了系统的动态性能。速度跟踪误差、神经网络权值误差和边界估计误差全局有界。仿真实验表明,该控制方法具有很强的鲁棒性和自适应能力。     

基于视觉和肌电信息融合的手势识别方法

针对人机交互技术对手势识别的可识别种类和识别正确率的问题,提出一种基于视觉方向梯度直方图(HOG)特征和肌电信号(EMG)时域特征融合及支持向量机(SVM)分类器的手势识别方法.利用视觉传感器和智能臂环分别采集手势图像信息和肌电信号,预处理后提取对应的HOG特征和时域特征;采用串行融合的方式将2种特征进行特征级融合;以...     

基于可视化案例的电磁场课程教学改革与实践 ——以散度定理为例

电磁场课程是电气信息类专业本科生的一门专业基础课。该文分析了电磁场课程的教学特点,提出了基于MATLAB软件的电磁场课程可视化案例教学方法,将矢量分析与场论的重点内容经过整理,提炼成实验项目,形成可视化的图像资料,配合理论教学。实践证明,通过可视化案例教学的改革实践,不仅使学生加深了对抽象电磁场理论的理解,同时提高了学生利用MATLAB软件解决问题的实践能力。     

基于递归模糊神经网络的机器人鲁棒H_∞跟踪控制

利用递归模糊神经网络来逼近机器人系统中的非线性函数,提出了一种具有自适应能力的H∞控制策略.该控制策略能够减弱机器人系统的外扰,并把模糊神经网络的重构误差对系统的影响控制在指定的范围内.同时又能保证闭环系统的所有信号都是有界的.为了验证基于递归模糊神经网络的H∞控制策略的有效性,将其与计算力矩控制方法进行比较,仿真结果表明,在存在外扰的情况下,所提出的控制策略具有比计算力矩控制方法更好的跟踪性能.     

永磁同步电机复合编码器参考信号自适应标定方法

为实现永磁同步电机(PMSM)转子位置的准确检测,保证PMSM控制系统的可靠运行,提出一种PMSM复合编码器参考信号的自适应标定方法。在分析PMSM转子位置复合检测中绝对式、增量式两种工作模式的基础上,首先对编码器参考信号进行预标定,并对预标定结果进行误差分析。然后结合PMSM矢量控制策略下电流矢量角的特点,采用定步长和变步长相结合的方式对预标定结果进行自适应优化。仿真及实验结果表明,提出的方法可以快速、精确地完成编码器参考信号的标定,从而准确地获取转子位置信息,并且同时适用于电机空载和带载情况。     

基于DRNN网络的轮式机器人鲁棒H_∞控制

针对非完整约束的两轮移动机器人系统中存在建模误差及外扰的情形,提出了一种结合对角递归神经网络和非线性H_∞方法的控制策略.利用对角递归神经网络逼近建模不确定的非线性项,H_∞控制则用来实现期望的鲁棒跟踪性能.基于Lyapunov稳定性理论,整个系统跟踪误差闭环有界.此外,在外界干扰仅仅积分有界的情形下,系统仍能满足具体的鲁棒跟踪性能.最后,对于相同外扰及不确定性下的移动机器人,将其与控制力矩法进行对比,仿真结果表明,所提方法是有效的.     

基于改进差分进化的3-RPS机器人逆运动学参数标定

并联机器人结构较为复杂,由设计参数求解出的关节驱动不能使其达到理想位姿,然而并联机器人的位姿精度会直接影响到工作质量。为提高并联机器人逆运动学模型的精度,对所设计的3-RPS并联机器人建立逆运动学误差模型,并提出一种基于竞争的多变异策略差分进化算法对模型中的参数进行标定。在该算法中设计两个分别侧重局部开发和全局探索的种群,每个种群包含3种变异策略,并在每个种群中制定一种竞争制度用来挑选出标定过程中表现最好的策略,确保标定得到的参数最优。使用标定后的运动学参数对逆运动学模型进行修正,并通过Adams验证修正后模型的准确性。结果表明：所提算法收敛速度较差分进化算法提升了50%,且最终收敛值更小;与粒子群算法和差分进化算法相比,所提算法收敛结果不受进化过程中随机性带来的干扰;经该算法标定后,3-RPS并联机器人3个自由度精度较标定前分别提升了73.5%、88.7%、95.2%,精度得到显著提高。     

基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.