基于AIUKF的WSN节点定位算法

针对无线传感器网络节点定位精度不足的问题,在无迹卡尔曼滤波( UKF)的基础上,结合迭代约束条件和自适应因子,提出了一种自适应迭代无迹卡尔曼滤波( AIUKF)算法。根据基于测距的节点定位模型,采用RSSI进行测距,以极大似然估计法进行节点初步定位,利用AIUKF算法对节点进行精确定位,并且直接以RSSI作为系统的观测量。仿真结果表明,本文提出的基于AIUKF的定位算法相比EKF和UKF算法具有更高的定位精度。     

基于级联型具有旋转激励的平移振荡器系统的滑模控制

针对欠驱动具有旋转激励的平移振荡器(TORA)系统的控制问题,本文首次提出一种全局滑模控制方法,使闭环系统在整个控制过程对外界干扰均具有鲁棒性.相比已有控制方法,本文所提方法结构简单,便于实现;而且放宽了对外界干扰的假设条件,可实现闭环系统的全局滑模控制.具体而言,本文首先将系统模型变换为由两个子系统组成的级联形式;随后,针对内环子系统设计了一种虚拟控制输入,在此基础上构造了一种新颖的滑模面并设计了相应的滑模控制器;最后,通过严格的数学分析证明了闭环系统的稳定性及系统状态的渐近收敛性,利用数值仿真测试检验了本文所提方法的控制性能.通过与已有方法进行仿真对比可知,本文方法在镇定控制与鲁棒性方面均表现出良好的控制性能.     

欠驱动RTAC系统的自适应耦合控制器设计

针对欠驱动(Rotational/translational actuator, RTAC)系统, 设计了一种基于能量分析的自适应控制器. 相比其他控制方法, 该控制策略可根据系统响应情况对平移振荡器质量等系统参数进行在线估计. 具体而言, 首先分析了RTAC系统的总能量; 随后, 在此基础上构造了一个新颖的Lyapunov函数, 从而得到了一种自适应耦合控制器, 采用投影算子作为更新律以确保估计参数在预设的界内并保证系统的收敛性; 最后, 采用Lyapunov方法及LaSalle不变性原理证明了闭环系统的稳定性. 通过数值仿真验证了所提控制器的有效性, 结果表明所提自适应控制器具有良好的控制性能.     

视频中多特征融合人体姿态跟踪

目的 目前已有的人体姿态跟踪算法的跟踪精度仍有待提高,特别是对灵活运动的手臂部位的跟踪。为提高人体姿态的跟踪精度,本文首次提出一种将视觉时空信息与深度学习网络相结合的人体姿态跟踪方法。方法 在人体姿态跟踪过程中,利用视频时间信息计算出人体目标区域的运动信息,使用运动信息对人体部位姿态模型在帧间传递;考虑到基于图像空间特征的方法对形态较为固定的人体部位如躯干和头部能够较好地检测,而对手臂的检测效果较差,构造并训练一种轻量级的深度学习网络,用于生成人体手臂部位的附加候选样本;利用深度学习网络生成手臂特征一致性概率图,与视频空间信息结合计算得到最优部位姿态,并将各部位重组为完整人体姿态跟踪结果。结果 使用两个具有挑战性的人体姿态跟踪数据集VideoPose2.0和YouTubePose对本文算法进行验证,得到的手臂关节点平均跟踪精度分别为81.4%和84.5%,与现有方法相比有明显提高;此外,通过在VideoPose2.0数据集上的实验,验证了本文提出的对下臂附加采样的算法和手臂特征一致性计算的算法能够有效提高人体姿态关节点的跟踪精度。结论 提出的结合时空信息与深度学习网络的人体姿态跟踪方法能够有效提高人体姿态跟踪的精度,特别是对灵活运动的人体姿态下臂关节点的跟踪精度有显著提高。     

基于输出反馈的欠驱动TORA系统的有界输入控制

针对欠驱动TORA(Translational oscillations with a rotational actuator)系统,设计了一种具有执行器饱和约束的输出反馈等[7]特别地,由Rand学者提出的TORA系统,最初控制器.与其他现有方法相比,本文方法不仅考虑了执行器饱和约束和作为双自旋航天器的简化模型用于研究自振现象.后来由于速度信号不可测情形,而且考虑了旋转小球可能存在的循环行为.具体而TORA系统具有强耦合、高度非线性、欠驱动等特性,而被言,首先根据TORA系统模型分析了TORA系统的控制目标;随后,作为一种非线性基准系统主要用于非线性控制器设计、验证构造了一种新颖的能量函数,在此基础上设计了一种考虑执行器饱和约非线性控制算法的控制性能或教学研究.目前国内外已有多束的输出反馈控制器,并通过严格的数学分析证明了闭环系统关于平衡点的稳定性;最后,借助数值仿真测试检验了所提控制器的控制性能,并所高校和研究机构针对TORA系统的控制问题展开研究.对与已有方法进行了对比.仿真测试结果表明本文所提方法具有更好的控法制性能.     

欠驱动基准系统的约束控制

针对一种欠驱动基准系统,具有旋转激励的平移振荡器(translation oscillators with rotating actuator,TORA)系统,本文首次提出了一种具有约束的控制方法.该方法不仅可以保证闭环系统的稳定性,而且能够保证旋转小球在预设的范围内转动.相比已有控制方法,本文所提方法可以预设小球的转动范围以避免不理想的"循环"行为.具体而言,首先对系统的总机械能进行了详细分析;随后在其总机械能的基础上通过能量整形构造出一个新颖的能量函数;最后基于所构造的能量函数提出了一种具有约束的控制器,采用Lyapunov方法及La Salle不变性原理证明了相应闭环系统的稳定性.通过与已有方法进行仿真对比可知,本文方法在镇定控制与约束控制方面均表现出良好的控制性能.     

增强耦合的TORA系统镇定控制方法设计

针对欠驱动TORA系统,设计一种镇定控制器和增强型耦合控制器。根据TORA系统的动力学模型,分析旋转小球与平移振荡器之间的耦合关系和系统的无源特性。构造一个新型的Lyapunov函数,并得到一种耦合镇定控制器。采用Lyapunov方法和LaSalle不变性原理证明了闭环系统的稳定性。最后,通过改进所设计的控制器得到一种增强型耦合控制器。仿真结果验证了所提出控制器的有效性和优越性。     

关键语义区域链提取的视频人体行为识别

目的 视频中的人体行为识别技术对智能安防、人机协作和助老助残等领域的智能化起着积极的促进作用,具有广泛的应用前景。但是,现有的识别方法在人体行为时空特征的有效利用方面仍存在问题,识别准确率仍有待提高。为此,本文提出一种在空间域使用深度学习网络提取人体行为关键语义信息并在时间域串联分析从而准确识别视频中人体行为的方法。方法 根据视频图像内容,剔除人体行为重复及冗余信息,提取最能表达人体行为变化的关键帧。设计并构造深度学习网络,对图像语义信息进行分析,提取表达重要语义信息的图像关键语义区域,有效描述人体行为的空间信息。使用孪生神经网络计算视频帧间关键语义区域的相关性,将语义信息相似的区域串联为关键语义区域链,将关键语义区域链的深度学习特征计算并融合为表达视频中人体行为的特征,训练分类器实现人体行为识别。结果 使用具有挑战性的人体行为识别数据集UCF （University of Central Florida）50对本文方法进行验证,得到的人体行为识别准确率为94.3%,与现有方法相比有显著提高。有效性验证实验表明,本文提出的视频中关键语义区域计算和帧间关键语义区域相关性计算方法能够有效提高人体行为识别的准确率。结论 实验结果表明,本文提出的人体行为识别方法能够有效利用视频中人体行为的时空信息,显著提高人体行为识别准确率。