人体站立平衡的分类、测试方法及其在体育运动中的应用

按影响人体平衡的内在和外在因素可将人体站立平衡分成两大类.其中外在因素又可分成人体的运动状态、支撑点的数量、支撑面的运动状态、人体接触的表面硬度等四个亚类;而内在因素可分成生理因素、心理因素、技术因素等三个亚类.人体平衡能力的测试有支撑时间测试法、测力平台压力中心测试法、人体重心位置直接测量法、多指标综合测试等方法.人体平衡在竞技体育运动中会有较大的应用,同时在体育教学、全民健身、医疗康复、航空航天等领域,也将会有广阔的研究前景.     

永磁同步电机无位置传感估测的参数扰动校正

为克服宽速变负载运行工况下温度及磁饱和引起的电机参数扰动对永磁同步电机磁链观测器无位置传感器算法辨识精度的影响,实现高性能的矢量控制,首先建立磁链观测器无位置传感器算法位置角估测误差与定子电阻、电感扰动量的解析关系,然后提出一种提高位置角估测精度的d轴电流补偿策略,最后结合电流补偿策略与在线参数辨识算法对无位置传感估测位置角进行扰动校正。试验结果表明,基于本校正策略的无位置传感估测改进算法,在电机参数扰动条件下的位置辨识精度提高了60%以上,并可在宽速变负载运行工况下保持9°以内的偏差。本策略在宽速变负载运行工况下的磁链观测器无位置传感器算法中具有一定的应用价值。     

ZIP回归模型的局部影响诊断

基于EM算法和完全数据对数似然的条件期望,分别研究了ZIP回归模型在加权扰动、解释变量扰动和响应变量扰动下的局部影响诊断问题,得到了相应的诊断统计量．最后通过一个实例说明诊断统计量的有效性。     

不确定线性奇异系统的有限时间控制

针对具有时变外部扰动的不确定线性奇异系统,研究基于状态反馈的有限时间控制问题,系统的状态矩阵和输入矩阵均含有范数有界不确定项。利用Lyapunov泛函方法和线性矩阵不等式(LMI)工具,给出了不确定奇异系统经由状态反馈的有限时间有界(FTB)的充分条件。这些充分条件都可转化为线性矩阵不等式可行性问题。并通过一个数值实例说明了该方法的有效性。     

基于可靠性测度的多类支持向量机

多类分类问题是我们经常遇到的问题,常用的方法是将多类问题转化为若干个二类问题,然后利用二类支持向量机(support vector machine,SVM)进行分类,如一对余SVM,一对一SVM,决策树SVM等.在这些方法中,大都没有考虑所生成的多个分类器之间的可靠性和重要性问题.为了改进这一点,本文以一对余SVM为例,提出了两种基于可靠性测度的多类分类算法,算法的思想可用于一对一SVM,决策树SVM等其他多种分类器中.为了检验所提算法的有效性,本文进行了比较试验,实验结果表明所提算法不仅提高了分类准确度,而且具有更为广泛的推广能力.     

一种基于主题分类的文本过滤方法及其硬件实现

针对不良文本的过滤问题,提出一种基于主题分类的文本过滤方法,通过对文本信息进行向量化,引人文本特征抽取技术,筛选出针对文本内容的最优的特征项集合,利用SVM分类技术,来判断文本的态度和立场,达到内容审查过滤的目的.并利用DSP在硬件上加以实现,实验表明该方法同传统的过滤方法相比具有较高的准确率和召回率,且过滤时间大幅减少.     

任意矩阵特征值的绝对扰动上界

通过引入正规性偏离度的概念,并利用矩阵的Schur三角分解和奇异值分解,得到了任意矩阵特征值的绝对扰动上界.     

基于动柔度矩阵和支持向量机的井架损伤识别技术

动柔度矩阵是结构损伤检测的有力工具.支持向量机是在统计学习理论上发展出的一种学习机器,其针对小样本分类识别性能优越.提出了一套基于支持向量机和动柔度矩阵的损伤识别技术.对JJ160/41-K型石油井架模型进行了损伤实验研究,利用实验数据构建了分类识别支持向量机,并以数值仿真计算,验证了该技术的有效性.     

复杂网络局部特征分类

针对现有的图分类算法往往从网络全局出发、存在对大规模网络分类效果不好或计算开销过高等问题,提出了基于局部特征的复杂网络支持向量机分类(LF-SVM)算法.从网络局部拓扑结构出发,利用局部Ego-Net的特征对不同的复杂网络进行分类,使得对不同规模的网络都能较好地完成分类工作.实验结果表明:LF-SVM算法对于不同大类的网络及大类内部的不同子类网络,均能实现有效分类,分类速度明显快于现有的全局分类算法,且在部分指标上优于全局分类算法.     

单向分类方差分析模型中参数的Bayes估计及其优良性

对平衡的单向分类方差分析(ANOVA)模型导出了效应参数向量可估函数的线性Bayes无偏估计(LBUE),并在均方误差矩阵(MSEM)准则、predictive Pitman closeness(PRPC)准则和posterior Pitman closeness(PPC)准则下分别讨论了它相对于最小二乘估计(LSE)的优良性.