鲁棒性
深度卷积神经网络的特征检测通过训练数据来进行学习,避免手工显式提取特征,而是从训练中学习特征,且同一特征映射面上的神经元权值相同,网络可以并行学习,权值共享降低了网络的复杂性,可以将多维的图像数据直接输入到网络中,从而避免特征提取和分类过程中数据重建的复杂度,项目拟采用卷积神经网络无监督构建特征,通过卷积神经网络的前向传播、反向传播以及梯度下降三个阶段的反复迭代,自适应提取图像的特征向量,实现图像特征对全天候环境的泛化能力,进而提升障碍物特征表达的自适应性,为进一步降低障碍物识别的虚警率,拟采用支持向量机有监督学习的方式对提取后的特征做进一步筛选,保留满足高精度的神经网络中的权值。利用上述算法提取的障碍物自适应特征,结合深度学习技术中的SSD模型和Faster RCNN以及YOLO算法可以较好地实现多障碍物的识别和分类,且实时效果好。因此,可以考虑在相关模型中改进得到一种高速度、高精度、鲁棒性强的多障碍物识别分类方法
语速,顾名思义,描述的是一个人的说话速度。量化的表示,就是一个人一分钟内说话的字数。一个人平均说话语速是100-200字每分钟,正常语速在每分钟150字左右
在一个种满植物的密闭舱里,一名志愿者正在进行科学实验——这幅展现“月宫一号”工作场景的照片,近日同“北美日全食”等一道入选英国《自然》杂志的2017年**科学图片。 5月10日,“月宫365”计划入舱仪式在北京航空航天大学月宫一号实验室举行。8名北航志愿者入舱
随着人工智能技术在社会、经济和生活领域的不断渗透和应用,人工智能的安全问题也得到研究人员的广泛关注。以深度学习为代表的人工智能技术存在鲁棒性、模型后门、公平性和隐私等问题,并且由于神经网络模型的高复杂性和难解释性,导致这些安全隐患无法得到有效的检测和防御。特别在航空航天、智慧医疗、无人驾驶等安全攸关领域对人工智能的可信、可靠和可解释上提出更高的要求,因此如何保障人工智能的安全成为国内外研究的趋势及热点
在化工生产中,反应釜是化工生产过程中的重要设备,反应过程中伴随有大量的吸、放热现象,具有大滞后、时变、非线性、反应机理复杂等特点。多台反应釜控温设备模糊控制是一种基于规则的语言控制,在设计中不需要建立被控对象的准确数学模型,鲁棒性强,干扰和参数变化对控制效果的影响被大大减弱,摔制效果好。 传统的PID控制是一种基于过程参数的控制方法,具有控制原理简单、稳定性好、可靠性高、参数易调整等优点,但其设计依赖于被控对象的准确数学模型,在线整定参数的能力差,而反应釜因为机理复杂、各个参数在系统反应过程中时变,不能建立准确的数学模型,不能满足系统在不同条件下对参数自整定的要求,因而采用一般的PID控制器无法实现对反应釜的准确控制
Abstract 在分析卡尔曼滤波器和α-β-γ滤波器的基础上,提出了一种改进的α-β-θ滤波器的离散形式和连续形式,设计了一种具有鲁棒性能的改进型的PID控制器。通过理论推导,证明了所设计的α-β-θ滤波器是n阶系统(可以近似为2阶系统)的一个一致渐近稳定的3阶状态观测器,并给出了α-β-θ滤波器的稳定性与αβγθ参数选择的之间的关系。同时对α-β-θ滤波器和改进型的PID控制器进行了实验仿真,并将其应用到发电厂的热工控制系统技术改造项目中,案例研究表明所设计的αβγθ滤波器和改进型的PID控制器能取得良好的控制效果
这两篇作为复杂网络入门篇,第一篇从统计分析角度,专注于网络拓扑和动力学机制并讨论了当时主要的建模分析工具以及节点失效或攻击后网络的鲁棒性。第二篇从功能和结构方面系统阐述了复杂网络的重要参数和特征。 以上3篇文章的推荐理由:把复杂网络方法应用于基因蛋白质方面的分析,预测
学院陈虹教授当选国际电气和电子工程师协会会士(IEEE Fellow) 据最新消息,国际电气和电子工程师协会(Institute of Electrical and Electronics Engineers,IEEE)公布了2023年度新晋会士(Fellow)名单。我院院长陈虹教授因对预测控制及在汽车系统中应用的杰出贡献,当选2023年度IEEE Fellow。 陈虹院长为我校特聘教授,是中国自动化学会会士、中国汽车工程学会会士,曾获国家杰出青年科学基金,曾任吉林大学汽车仿真与控制国家重点实验室主任
森林火灾自动识别与报警系统,是通过从视频监控设备实时采集的视频数据中抽取视频图像帧,运用数字图像处理、模式识别、人工智能等技术,设计可见光视频图像的林火识别方案,对获取的图像数据进行分析和处理。如识别结果为疑似火情,系统则在图像上标示出识别出的火焰位置,并发出声光报警以提醒监测人员,同时将云台当前的参数信息(编号、俯仰角度、水平角度)传送给GIS系统,实现在三维地图上的林火定位。系统的主要功能模块包括图像采集、林火图像识别、林火报警与定位、数据库操作
柴油发电机组振动主动控制策略分为前馈和反馈控制两种概念,根据受控对象的振动特性的不同可采用不同的主动控制算法,主要包括反馈控制、模态控制、最优控制、自适应控制、智能控制和鲁棒控制等方法。 正反馈控制具有高效和鲁棒性较强等特点。 状态反馈控制和结构振动分析相结合,可得到柔性结构的振动模态控制方法,于是形成了包括耦合模态空间控制和独立模态空间控制的模态空间控制