基于无源辨识器的随机非线性系统自适应跟踪模块化设计

运用基于估计的模块化设计思想,研究了受方差不确定Wiener噪声干扰的参数严格反馈非线性系统对已知信号的自适应跟踪问题.构造控制Lyapunov函数,设计了具有鲁棒稳定特性的输入状态稳定控制器,确保系统满足控制器-辨识器分离.对不确定方差采用自适应方式处理.根据无源性理论,设计无源辨识器模块,给出了参数自适应律,确保系统误差的有界性,使跟踪误差在概率意义下收敛.     

基于多分辨率分级分块处理的边缘检测方法

为了有效提取运动目标的特征,在目标检测的基础上,要对其进行边缘检测.由于传统逐点扫描方法运算量大,提出一种基于多分辨率分级分块思想的边缘检测算法.该方法先把图像分为多个子块后根据其四个顶点判断该子块是否包含目标,再对目标子块进行扫描确定目标的边缘.实验结果表明,此方法准确地确定目标的边缘,同时检测速度比传统逐点扫描法有一定程度的提高.     

连续时间系统的目标轨迹预见跟踪控制

针对连续系统的有限时间目标轨迹预见跟踪控制问题,给出了基于轨迹协调误差和切换规则的预见跟踪控制方法.该方法首先将轨迹协调误差和位置跟踪误差连同状态变量的微分组成新的系统状态变量,把跟踪问题转化为调节问题,设计了基于协调误差的带有目标值预见的跟踪控制系统.然后针对复杂目标轨迹跨过不同坐标轴的情况,采用切换系统方法,实现了目标轨迹的全程预见跟踪控制.本文同时是子系统为时变系统的切换系统的典型范例.数值仿真说明了该方法的有效性.     

基于改进的引导图像滤波和深度去噪自编码器的微弱目标跟踪算法

微弱目标易被周围环境中强烈的噪声干扰,为解决现有目标跟踪算法由于低信噪比导致跟踪准确度低的问题,提出一种将引导图像滤波器和深度去噪自编码器集成到粒子滤波器框架中的跟踪算法。通过引导图像滤波(guided image filter, GIF)算法对目标图像进行滤波处理,保留有价值的模板信息并使不准确的背景模板模糊,有效增强目标图像;通过改进的深度学习算法对深度去噪自编码器训练和微调,更好地适应目标外观变化;构造粒子分类器框架根据粒子重要性权重定位目标。实验结果表明,该算法在微弱目标跟踪准确度和抗干扰能力上优于多种现有主流跟踪算法。     

施用不同肥料对土壤状况的影响

分别测定了天津郭村蔬菜地土样（主要施用农家肥）和小麦地土样（主要施用化学肥料）的pH、含水率、全氮、速效磷、速效钾和有机质的含量以及微生物的数量并进行比较．结果表明,蔬菜地土样除全氮含量比小麦地土样低33．23％外,其余所测指标均比小麦地土样高——含水率高18．46％,速效磷高0．0172g／kg,速效钾高0．054g／kg,有机质高30．89％;蔬菜地中细菌、放线菌、真菌、溶磷细菌和固氮菌的数量都高于小麦地,说明施用不同肥料对土壤的理化性质、微生物数量以及溶磷细菌、固氮菌的数量有很大的影响．     

车身检测数据的多元贝叶斯建模与质量监控

提出了一种融入动态干预算法的多元经验贝叶斯（MEB）模型,并用于评价车身尺寸的均值、标准差等质量参数.该模型采用较为平稳的历史测量数据和相关性较强的多元测点信息进行误差修正,显著减小了由系统误差而导致的MEB模型的评价误差.构造了一组基于模式识别的动态干预算法、用于自动识别制造过程中的系统误差模式.同时,以某车型车身测量数据处理为例,验证了所提出方法的有效性.     

基于视频分析的车流量统计算法研究

车流量统计作为智能交通系统的关键技术之一,逐渐成为研究的热点。主要研究了基于虚拟线圈的车流量统计算法和基于目标跟踪的车流量统计算法,综合了两种算法的优势,结合Canny算子边缘检测算法、均值背景建模法和背景差分法等技术,提出了一种基于质心的车流量统计综合算法。实验结果表明综合算法在实时性和准确性方面均取得较好的实验结果。     

运动目标识别与跟踪系统实现方案探讨

本论文主要研究视频序列图像中运动目标识别与跟踪的基本原理及实现方案。运动目标识别与跟踪系统是主要是通过对成像设备所获取的图像序列进行处理,力图从复杂的背景中识别出目标,并对目标的运动规律加以预测,实现对目标的连续、准确的跟踪。系统的算法涉及目标图像的预处理、目标识别与目标跟踪等。     

输入非仿射不确定性混沌系统的输出跟踪控制

针对一类输入非仿射不确定性混沌系统,采用反演设计了一种新的控制器. 该方法结合非线性跟踪微分器以及扩展状态观测器,非线性跟踪微分器用于逼近虚拟控制量的导数或者参考信号的导数;扩展状态观测器用于估计系统中的未知项及扰动项,并且证明了其收敛性能. 该方法的运算时间远远小于现有设计方法,并且跟踪误差是渐近一致稳定的;该方法保证了此类系统的输出能跟踪任意可微的参考信号. 对具有非仿射输入及扰动和不确定性的混沌系统的仿真结果表明了该方法的可行性和有效性.      

采用熵函数法的多传感器空间配准算法的研究

针对传感器空间配准问题,提出了一种基于滑窗法的极小化极大熵函数的传感器空间配准算法。该算法使用熵函数作为优化准则,根据传感器的量测模型推导出关于传感器系统偏差的目标函数,然后借助极大熵函数的思想,将目标函数的绝对值转化为对应的极大熵函数,并且使用拟牛顿法求得的极大熵函数的解作为传感器系统偏差的估计值。在单目标跟踪场景和多目标跟踪场景下,与传统传感器空间配准算法在相同的仿真条件下进行对比,仿真结果表明,所提算法能够有效地提高传感器距离量测和角度量测系统偏差的估计精度,从而实现高精度的空间目标跟踪。