具有移动汇聚节点的单跳传感器网络延迟分析

研究了具有移动汇聚节点情况下的单跳传感器网络的延迟特性.通过对单跳无线传感器网络的理论建模,分析了构成数据延迟的主要延迟类犁以及它们之间的相互关系.根据具体场景对延迟的显式表达进行了理论推导,并通过仿真结果验证了数学模型的正确性.该数学建模的方法为提升移动无线传感器网络的性能提供了理论依据.还分析了传输半径和移动速率对延迟的影响,可以看出移动策略对网络性能的影响最为明显,需要针对具体的应用来设计.     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

基于APCA的电站热力过程故障传感器自适应检测方法

为自动适应电站热力过程的连续变化,提出了基于APCA的电站热力过程传感器故障诊断方法,通过模型参数的自动更新,使模型及时反映当前的系统状态,从而连续可靠运行.对PCA重构残差进行研究,在对电站实际测量数据可靠性分析的基础上提出了参数自适应预估计方法,利用预估计值来替代故障数据,以抑制残差污染,提高重构参数的准确性.利用电厂实际测量参数进行了算例分析,表明所提算法能很快适应系统状态变化,并给出正确的检测结果,即使在系统同时存在多个传感器故障时,通过对不良数据的检验,也能够获得准确的重构数据.     

基于无模型动态矩阵的下肢假肢运动控制方法

在准确预识别平地行走,上、下楼梯三类运动模式的基础上,提出了根据各路况的运动特点制定对应假肢膝关节运动控制策略的方法.突出三类路况运动特点的同时,解决了由于建模困难无法得到膝关节运动方程的问题,另外采用无模型动态矩阵对假肢膝关节的运动轨迹追踪控制.该方法利用紧格式线性化方法简化了人体运动时髋、膝关节角度变化的复杂关系.实验结果表明运动控制策略模仿实际运动轨迹的方法是有效的,使假肢能够自然地跟随健肢的运动变化,充分利用了被控系统输入、输出数据的内部信息,且运动控制方法具有较好的跟踪效果,确保了下肢假肢运动的控制精度.     

手指运动姿态检测及假肢手指动作实时控制

设计了一种通过实时检测手指关节弯曲角度控制假肢手指动作的实验系统.系统主要由手指运动姿态实时检测、关节角度分析、控制与驱动电路、欠驱动机电假肢手4部分组成,假肢手包含拇指、食指、中指3个独立动作的手指;利用加速度传感器ADXL330实时检测手指运动姿态信息,由DSPTMS320F2812微处理器实时检测手指关节运动的瞬时角度变化并进行PWM脉冲编码,控制步进电机运动以驱动假肢手指关节转动.并分别对加速度传感器检测手指运动和假肢手指动作实时控制进行了实验测试;实验结果表明,系统采用的加速度传感器ADXL330能实时检测手指运动姿态,利用手指关节角度信息能有效驱动假肢手指屈伸,并通过三指配合完成抓握动作.     

混合动力汽车多能源动力总成的智能体控制技术

为提高混合动力汽车的智能化控制水平,进一步改善整车燃油经济性和动力性,提出一种多能源动力总成的多智能体协调控制方法.以并联式混合动力汽车为原型,建立动力总成部件子系统智能体模型,构建多智能体系统协调控制框架,根据不同工况模式对总成动力进行预分配,利用单智能体的智能行为和多智能体的协作能力解决车辆对复杂路况的自适应问题.在Cruise软件环境下对智能体控制系统和协调控制策略进行了仿真验证,结果表明,动力总成的多智能体协调控制策略正确可行,使混合动力汽车能根据不同工况自适应控制模式,进而对动力进行自适应匹配,能够改善整车燃油经济性和动力性.     

基于神经网络的加速度传感器动态模型参数辨识

提出了利用函数连接型人工神经网络(FLANN)实现加速度传感器动态模型参数辨识的方法,该方法以加速度传感器动态标定实验数据为基础,通过FLANN训练来确定加速度传感器传递函数参数,文中介绍了辨识原理以及算法,给出了利用FLANN辨识的加速度传感器动态数学模型.结果表明,这种辨识方法具有精度高、鲁棒性好等优点.     

基于PCA的火电厂湿法烟气脱硫系统的传感器故障诊断

提出一种基于主元分析(PCA)的故障诊断方法,用于解决火电厂湿法烟气脱硫系统的传感器故障诊断问题.该方法利用PCA建立故障诊断模型,通过计算平方预报误差、传感器识别指数、故障重构值,对传感器故障进行检测、识别及恢复.利用华能福州电厂湿法烟气脱硫系统的采集数据进行传感器的完全失效、偏差、漂移与精度等级下降等4种类型故障的...     

基于D-S证据理论的多传感器多特征目标识别

 传统多传感器环境下的目标识别方法主要有两种：利用多传感器获得的数据进行数据融合、利用每个传感器信号的特征向量进行特征融合。但这两种方法均存在目标识别精度不高的问题。针对这一问题,本文提出了一种基于D-S 证据理论两次组合规则的融合方法。该方法在提出多传感器目标识别系统模型的基础上,运用D-S 证据理论对单传感器的多特征信息进行数据融合;根据传感器接收信号信噪比来确定传感器可信度,将该可信度作为D-S 证据理论组合规则中的证据权值,以此来完成目标识别。本文提出的方法综合考虑了传感器的多特征信息和传感器的可信度,克服了传统的D-S 证据理论对证据冲突处理能力有限的缺陷。实验结果表明,该方法具有较高的正确性和有效性,提高了目标识别的精度。     

基于腕部IMU数据采集的人体运动模式识别

利用安卓智能可穿戴设备内置的运动传感器采集了特征频率变化较高的人体腕部加速度信息,对人体行走、跑步、站立、下楼4个运动模式进行了分析,提取了运动传感器信号均值、峰值、方差和协方差等特征值,并利用支持向量机算法对4种运动模式分类识别,准确率为88.46%.随后利用网格搜索法、遗传算法、粒子群优化算法对参数C,g进行寻优,提高准确率至90%以上.结果表明,本方法可有效识别实验者静止站立、走路、跑步、下楼4种动作,为人体运动模式识别提供参考依据,并为进一步识别运动模式提供研究基础.