基于信息熵的景象匹配区选取方法

提出一种基于信息熵的景象匹配区选取方法。根据基准图的适配性要求,分别以改进的图像信息熵、Frieden灰度熵和归一化平均互信息作为特征指标,考查基准图的景象信息量、特征稳定性和区域唯一性,并以此为依据,采取分层选取策略选取基准图。仿真和实验结果表明,所选基准图具有较高的自匹配概率和较小的匹配误差,能够满足适配性要求。     

一种旋转调制惯导系统的复合旋转控制算法

首先分析了旋转平台控制误差对惯导系统(inertial navigation system, INS)调制效果的影响;然后建立了旋转平台的数学模型,结合旋转调制误差抑制效果对控制性能的要求,提出了一种自抗扰和滑模变结构相结合的复合旋转控制方法,该方法充分利用了滑模变结构控制快速减小误差的优势和自抗扰控制的精确估计能力,并设计了融合策略。仿真和实验结果表明,相比于传统PID控制方法,本文方法减小了旋转平台转速控制误差,且使反向角度超调误差和调节时间都减小了50%以上,提高了旋转调制惯导系统的性能。     

不确定挠曲变形干扰下基于多模型滤波的传递对准方法

挠曲变形是影响传递对准精度的重要因素之一,在对准过程中载体的机动会引起挠曲变形模型较大的参数误差和系统模型噪声统计特性的不确定性,现有基于单一模型的滤波方法在解决这类问题时存在局限性。针对以上问题,提出了一种基于不确定挠曲变形参数变化模型集的多模型滤波对准方案,以“速度+姿态”的匹配模式为例进行仿真分析。结果表明,所提出的对准方法同基于单一模型的对准方法相比提高了对准精度和算法的环境适应性,是解决存在不确定挠曲变形干扰下的传递对准问题的一种有效方法。     

一种改进的PSO-MBCV算法的车底阴影分割

针对当前车底阴影分割算法在复杂环境下鲁棒性较差以及最大类间方差（maximum between class variance,　MBCV）多阈值分割算法不能自动确定阈值个数的问题,提出利用峰值自适应方法自动确定MBCV多阈值分割算法中阈值个数;然后,以阈值的个数为粒子群优化算法（particle swarm optimization,　PSO）中粒子的维数,提出了一种改进的PSO MBCV算法的车底阴影分割。实验结果表明,该算法能有较低的误分类误差,能有效地分割出车底阴影。     

一种基于凸壳的智能服务机器人路径规划算法

将一种基于凸壳的路径规划算法应用于体育场智能服务机器人,首先采用基于Haar特征分类器的方法确定球的坐标,采用基于颜色模型的方法确定机器人的位置及航向,并根据机器人的自身特点,将一定范围内的多个球视为一个目标点处理;然后以目标点坐标作为算法输入,采用基于凸壳的路径规划算法得到一条较优的捡球路径.该算法可以降低机器人的捡球运动代价,有效提高机器人的捡球效率.     

前向神经网络学习速率的自适应算法

学习速率是控制神经网络学习过程的一个重要参数,影响神经网络的稳定性和快速性。提出了一种能够满足实时性要求的神经网络学习速率的自适应算法,并证明了在该学习速率下,神经网络的学习过程是Lyapunov意义稳定的。该方法通过为神经网络的输出增加一个输出修正量来补偿多个未知因素对学习误差的影响,从而构造使学习误差快速收敛到零的学习速率自适应算法。通过对神经网络在线逼近一个非线性对象的过程进行仿真,结果证明了该方法的有效性。     

基于D-S证据推理的车辆导航系统地图匹配算法

研究地图匹配算法中的匹配道路的选择问题,提出基于D-S证据推理理论的地图匹配算法.根据D-S证据推理的基本原理,结合车辆行驶情况,给出当前时刻车辆位置信息和方向信息的基本概率分布函数的设计方法.按照D-S合成公式,对位置和方向信息进行融合,并根据融合结果选择匹配道路.在设计方法中,引入位置信息和方向信息的可靠性参数.仿真结果表明,该方法是行之有效的,通过适当地调整可靠性参数的值,就能识别出车辆所在的道路.     

地图匹配的新算法

提出地图匹配的两种新算法.一种算法是不断判断相邻测量点连线与道路l是否相交,另一种算法是先求部分测量点的凸壳CH,然后判断道路l与CH是否相交或CH是否包含l.这两种算法与传统方法完全不同,是采用计算几何中的方法设计的(非数值计算),具有算法简单、不需要数据融合、极少需要行车方向等优点.     

限制搜索区域的距离最短路径规划算法

提出一种时间复杂度为O(n)的限制搜索区域距离最短路径规划算法(n为路网节点数).算法设计的基础是,经典Dijkstra算法搜索时的无方向性及实际城市道路网络特有的空间分布特性.算法实现采用邻接表数据结构和限制搜索区域的搜索机制,即利用实际城市道路网络的空间分布特性,合理限制算法的搜索区域.结合路径规划算法在实时车辆导航系统中的实际应用,给出了该算法的应用实例,实验结果表明,该算法能将路网中任意两点间的最短路径解算时间控制在3 s以内.     

基于模糊逻辑和GA的智能车辆横向控制算法仿真研究

控制器设计可看作一个结构和参数搜索与优化的过程。本文以模糊逻辑(FL)为控制策略，以T-S模糊神经网络(FNN)为控制结构，以遗传算法(GA)为参数搜索和优化工具，给出一种智能车辆横向运动控制器自动设计算法，并通过计算机仿真实现。结果表明，所设计的控制器具有较好的控制性能，能够有效地解决智能车辆横向运动中的非线性和参数时变性问题。