介绍了一种基于DSP和FPGA的机器人声控系统。在语音采集上，将DSP芯片TMS320C5509和音频芯片TLV320AIC23相结合进行语音的采集。在软件开发上，开发环境采用CCS3．1，语音特征向量采用关尔频率倒谱系数，模式匹配和训练采用隐马尔可夫模型，实现了语音指令的识别。在动作控制上，采用FPGA作为机器人头部动作逻辑控制器，使机器人能够根据非特定人的语音命令做出规定的头部动作。

针对驾驶员在紧急状况下存在着因踏板力不足而导致制动距离过长问题,以某电动液压助力制动系统为研究对象,提出了一种基于隐马尔可夫模型的驾驶员制动意图识别方法,根据对驾驶员制动意图的识别来控制助力电机执行正常制动或紧急制动的助力模式。选取助力电机的转角、转速和车速作为制动意图识别参数。以制动强度为界限对识别参数数据集进行划分,训练出正常制动与紧急制动识别模型参数,建立了识别模型库,通过比较各模型库的对数似然估计值,判断出驾驶员的制动意图。仿真结果表明:该模型可准确、实时地识别出驾驶员的制动意图;在驾驶员踏板力一定的情况下,具有制动意图识别控制的助力器具有更好的制动效果,提高了驾驶安全性。

提出一种基于多维高斯隐马尔可夫模型（MGHMM）和BP人工神经网络（ANN）的SUV车辆侧翻预警方法,采用侧倾角和侧向加速度作为隐马尔可夫（HMM）的可观测序列,车辆行驶运动状态作为HMM的状态序列,采用BaumWelch算法对模型进行训练,运用马尔可夫预测算法对未来3s内车辆的行驶运动状态进行预测,用预测出的车辆运动状态作为指引,使ANN有目的学习,减少不必要的ANN训练,提高训练效率和预测精度。仿真结果表明,建立的侧翻预警方法所需参数少,效率高,不仅能预测车辆行驶运动状态而且能预测具体的运动参数,可使驾驶员量化判断侧翻,也可为抗侧翻电子控制系统提供数据。