为了提高电子元件机械分拣系统的效率,提出一种电子元件参数图像自动识别算法。利用矩形分割处理电子元件参数图像,通过黑、白色号标记特征修正图像灰度形态。计算图像横纵坐标、摄像机感光阵列、连接机器坐标与摄像机坐标,获得电子元件参数图像的具体坐标系。拟合坐标系内灰度值导数差值与图像像素点信息,得到元件边缘轮廓信息。凭借多项式差值拟定坐标系点集的差值,确保梯度幅值在区间中存在极大值。利用依靠梯度方向法明确元件参数图像素点大致分布,最后利用核分类器构建监督机器学习模型,引入拉格朗日乘子计算参数图像像素坐标点位置,实现图像自动识别。实验证明,该方法能够精确识别图像内的电子元件位置,且识别效率高。

针对空间机构系统关节力计算复杂,对3-UPS并联机构关节约束反力进行力学分析,在考虑拉格朗日乘子与空间机构约束反力关系的情况下,基于拉格朗日增广法计算了该空间并联机构的关节反力,同时用牛顿欧拉法对其计算结果进行验证,通过Adams软件与Matlab软件联合仿真,并将两种计算结果进行对比分析。结果表明,两种方法计算所得该空间机构关节约束反力的大小基本一致,误差在0.5%~1.2%之间,误差相对较小,验证了通过引入拉格朗日乘子,运用拉格朗日增广法计算空间机构关节约束反力方法的正确性,为空间机构力学分析提供了一定的参考依据。

支持向量机是统计学习理论的一个重要的学习方法,也是解决模式识别问题的有效工具。本文把支持向量机应用在说话人识别系统中,对支持向量机的SMO算法进行了论述,并对SMO中有关两个待优化拉格朗日乘子的选取做了改进,用简单的排列算法取代函数集中的遍历操作来使目标函数值下降,实验证明SMO算法具有占用内存少,运算速度快等优点,本文中的SMO改进算法可以节省50%时间。