不确定广义系统的鲁棒H∞控制

研究状态和输入矩阵含仿射型不确定性的广义系统鲁棒H∞控制问题,通过满足广义约束的代数Riccati不等式(GARI)给出此类不确定广义系统可以通过状态反馈二次可镇定且满足H∞范数界的充分必要条件,同时也给出了不确定广义系统可镇定与二次可镇定的关系及控制器的设计,并且可通过给定系统的已知信息求出控制器,最后给出数值算例验证所得结果·     

时滞非线性系统的模糊保性能控制

针对一类具有输入与状态时滞的参数不确定非线性系统,基于T-S模糊模型,讨论该系统的保性能控制问题.通过构造状态反馈控制器,提出了在给定的性能指标和控制律下,闭环系统是二次保性能稳定的充分条件,并以线性矩阵不等式(LM I)的形式表示,数值算例显示该设计方法是有效的.     

矩形广义系统的极点配置的一种方法

研究了矩形广义系统的有穷极点配置问题.提出了利用动态补偿器对矩形广义系统进行有穷极点任意配置的一种方法及一个充要条件,并且得出了此方法所能任意配置的有穷极点的数目是r r_c个。通过动态补偿,将矩形广义系统的有穷极点配置问题转化为正常系统的极点配置问题,使整个闭环系统实现正则,无脉冲,任意极点配置。     

具有状态和控制滞后离散系统的容错保成本控制

基于T-S模糊模型,通过无记忆状态反馈研究了一类带有状态和控制滞后的不确定离散时滞系统容错保成本控制问题。应用线性矩阵不等式(LM I)给出系统存在执行器故障时,模糊闭环系统渐近稳定的充分条件,该条件保证了对所有允许的不确定性闭环系统渐近稳定,而且对于给定的二次型成本函数,能保证闭环成本不超过某个界。算例表明该方法是有效的。     

基于Snake算法的深度图像人体目标跟踪

基于彩色图像的人体跟踪算法鲁棒性不高的主要原因是对目标进行跟踪时,受到光照变化、复杂背景、物体遮挡等因素的影响.针对此问题本文利用Kinect采集深度图像进行人体目标跟踪.首先在深度图像中通过用户索引检测出人体目标,可方便地去除图像中复杂背景的干扰.然后利用基于角点的自动初始化方法得到人体的轮廓信息,再结合Snake算法实现人体目标跟踪.最后将该算法与基于深度图像的Camshift算法进行对比分析.结果表明,在室内应用Snake算法不受灯光和复杂背景等因素的影响,能对人体目标进行实时跟踪,且比Camshift算法具有更强的抗干扰能力,跟踪更准确.     

基于自抗扰控制的2个耦合神经元间的混沌同步

针对电缆神经元模型,利用自抗扰控制技术,研究并实现了通过间隙耦合的2个神经元间的混沌同步.未加入控制器时,混沌同步只有当神经元间的耦合强度较大时才会出现.然而在神经元系统中,此条件并不总是得以满足.为此采用自抗扰控制技术来实现混沌同步而不需要考虑耦合强度的大小.此方法不要求精确的神经元模型,而且不要求状态可测,对于外界扰动具有很强的鲁棒性.仿真结果证明所提方法是有效的.     

淮阳区域农村饮水安全水资源评价研究

<正>淮阳县地处河南东部,农村饮水问题突出,区域内农村饮水设施以传统、落后的分散供水为主,现状条件下农村饮水主要采取浅层地下水,埋深为40m以上含水层的浅层地下水,直接接受大气降水和地表水的入渗补给,含水介质成分中含有大量氟化物及氯化物等无机盐,使区域内地下水形成高盐高氟水,水质卫生达不到标准,长期饮用不仅影响群众的身心健康和正常生活,也是农村社会的不稳定因素。"十二五"期间,在国家财政资金支持下,淮阳区域拟在21个乡镇筹建21处集中水厂,通过铺设管网向各个用水户供水,每个水厂供水量为4000~5000m3/d,水     

多雾霾天气车牌识别系统图像预处理算法

为提高车牌识别系统在雾霾环境下识别车牌的准确性,提出了一种新的图像预处理算法.首先,用主成分分析(PCA)和Fisher线性判别分析(LDA)方法对车牌图像进行雾霾检测;然后,用基于暗原色先验的方法对有雾图像进行去雾处理.仿真结果表明:该预处理算法不仅可以满足车牌识别系统实时性要求,而且可以提高系统在雾霾环境下识别车牌的准确性.     

不稳定和积分时滞过程的Smith预估器设计

针对不稳定和积分时滞过程，提出了一种设计修正的Smith预估器的新方法．首先利用内环控制器镇定不稳定或积分时滞过程，然后通过等效变换将修正的Smith预估器结构简化为内模控制（IMC）结构，并利用内模控制原理和积分平方误差（ISE）指标设计给定点跟踪控制器．最后，根据负载扰动下保持闭环系统稳定的要求，利用最佳相位裕度标准或Nyquist稳定性判据设计负载扰动控制器．多个仿真示例验证了该设计方法比现有的方法具有更好的动态特性与鲁棒性．     

基于PPYOLOE的师生互助训练半监督目标检测网络

随着深度学习技术的发展,基于卷积神经网络的目标检测技术成为当前计算机视觉领域的研究热点之一.目前主流的目标检测算法依赖于监督学习方式,需要在大量有标注图像数据上训练网络,然而,无标签的数据易于获取,而有标签的数据收集起来通常很困难,标注也耗时和耗力．为了解决数据标注难以获取的问题,提出了教师学生互助训练的半监督目标检测(PPYOLOE-SSOD)算法．首先,同时训练一个学生模型和逐渐改进的教师模型,使用教师模型筛选高质量伪标签,将伪标签作为未标注图像的回归目标,指导学生模型训练,挖掘未标注图像的知识信息,为了减小参数传递的不稳定性,每次迭代学生模型使用指数移动平均方法更新教师模型参数;此外,引入不同种类的半监督数据增强方法来增强网络的抗干扰能力;最后,针对无标注数据的学习,新增无监督学习分支,使用密集学习方式对模型预测得到的特征进行处理,通过对教师模型预测的分类特征排序,自动选择高质量特征作为教师模型生成的伪标签,从而避免了繁琐的伪标签后处理,提升网络的精度和训练速度．在MSCOCO数据集上,通过使用半监督学习方法,PPYOLOE在1%、5%、10%的标注数据集上分别得到了1.4%、1...