基于低通滤波器的机械手滑模控制

机械手是典型的多输入多输出非线性系统,具有时变、强耦合、非线性、快速高精度跟踪等特点.滑模控制是机械手控制的一种重要方法,但基于一般滑模控制方法设计的控制器,其输出存在高频抖动,给被控对象带来不利影响.采用滑模结合低通滤波器的控制策略,定义滑模面,利用趋近律方法设计滑模控制律,基于李亚普诺夫(Lyapunov)函数证明系统的渐近稳定性.以双关节刚性机械手为例,MATLAB仿真结果表明,该控制策略能减小抖动、实现高精度跟踪.     

带通信号采样理论中的若干问题研究

带通信号采样定理在实际应用中还存在若干问题需要明晰,如不混叠采样频率的范围和最优采样频率选择问题、对边缘频率分量非零的带通信号的采样适应性问题、对正弦类信号采样的适应性问题等。针对这些问题,该文从理论上进行了详细的分析和讨论。分析表明,带通信号的采样频率存在一个优化的选择范围,且对于某一确定的带通信号,存在一个最优的采样频率,该范围和最优采样频率均由信号的最高和最低频率成分以及信号带宽所确定;当带通信号的边缘频率分量非零时,采用两倍的信号带宽对其进行采样时将发生频谱混叠,且若在边缘频率处存在冲激函数,采样之后的信号将无法重建原信号。     

基于多重分形关联和深度CNN的常规雷达目标分类方法

针对传统分类方法中飞机雷达回波信号识别分类精度低、人工定义特征稳定性差的问题，提出基于多重分形关联特征和深度卷积神经网络(convolutional neural network,简称CNN)的雷达目标分类方法.首先，对输入训练数据进行多重分形关联分析，将多重分形关联谱的投影图作为输入特征图；然后，利用深度卷积神经网络对特征进行训练，得到训练模型；最后，使用训练后的模型对目标进行分类.实验结果表明：相对于其他3种方法，该文方法有更强的飞机分类性能.     

基于PP-YOLO深度学习模型的赣南脐橙目标检测方法

果实检测在研究脐橙采摘机械化发展中有着重要作用，然而不良天气条件将对目标果实的检测和识别产生不利影响。针对雾天和雨天情形下脐橙果实图像模糊、噪声复杂，检测速度较慢和准确率较低的问题，通过采用单阶段目标检测网络PP-YOLO来研究不良天气条件下赣南脐橙果实的识别。通过主干网络ResNet提取特征并结合FPN（特征金字塔网络）进行特征融合实现多尺度检测，且基本实现端到端检测。实验结果表明，所提出的PP-YOLO检测模型可实现雾天和雨天情况下赣南脐橙检测任务，mAP分别为89.06%和91.01%，识别效率分别可达到75.30 fps和75.44 fps，可以尝试在脐橙采摘机器人的研制中加以应用。