针对传统连铸下渣检测技术没有充分利用连铸生产数据之间的非线性关系,且存在下渣识别精度低、时间滞后等问题。提出一种基于层级时序记忆(Hierarchical Temporal Memory,HTM)算法的连铸下渣实时预报方法。该方法利用HTM算法对钢包浇注过程采集的时序数据进行预测,并且采用滑动窗口方法计算预测残差,最后应用正态分布的分布函数评估下渣概率,在评估概率超出阈值范围时,发出下渣报警信息。实验结果证明该方法能够智能、有效、准确的识别出下渣时间,具有较高的预报精度。

针对两轮平衡车的自平衡控制问题,为了提高平衡车自学习和自平衡能力,受操作条件反射原理启发,以模糊规则为基本模型,引入学习OC学习机制,提出一种具有学习能力的模糊控制器,能够使平衡车自主学习获得模糊控制规则,实现控制器设计自动化。OC学习机制根据状态的评价值序列对模糊规则表进行修正,经过多次修正后,可针对每一个状态获得合理的输出。仿真实验表明,控制器能够自主设计模糊规则,具有一定自主学习能力。两轮平衡车在多次迭代学习后可以自主从倾角不稳定恢复到直立平衡状态。

相关滤波跟踪器近几年在许多视觉跟踪任务中都取得了优异的性能,显示出了较高的精度和帧率。但限制其跟踪性能的问题仍有很多,例如图像表征方式单一,传统尺度估计的方式计算复杂度高,对快速运动、背景杂乱等复杂场景跟踪效果不佳。针对这些问题,提出了一个跟踪框架来分别估计目标位置和尺度的变化,通过相关滤波和颜色直方图模型相结合的方式评估目标位置,再从最可信帧中训练核尺度相关器来预测目标的尺度变化。同时,对模型采用保守的方式进行自适应在线更新,以防止误差累加破坏模型。在跟踪数据集(OTB-2015)中该算法在运动模糊、尺度变化、背景杂乱、快速运动等挑战性场景中表现出良好的优越性。

针对神经网络初始结构的设定依赖于工作者的经验、自适应能力较差等问题,提出一种基于半监督学习(SSL)算法的动态神经网络结构设计方法。该方法采用半监督学习方法利用已标记样例和无标记样例对神经网络进行训练,得到一个性能较为完善的初始网络结构,之后采用全局敏感度分析法(GSA)对网络隐层神经元输出权值进行分析,判断隐层神经元对网络输出的影响程度,即其敏感度值大小,适时地删减敏感度值很小的神经元或增加敏感度值较大的神经元,实现动态神经网络结构的优化设计,并给出了网络结构变化过程中收敛性的证明。理论分析和Matlab仿真实验表明,基于SSL算法的神经网络隐层神经元会随训练时间而改变,实现了网络结构动态设计。在液压厚度自动控制(AGC)系统应用中,大约在160 s时系统输出达到稳定,输出误差大约为0.03 mm,与监督学习(SL)方法和无...

针对动态神经网络分类器训练时采样时间长、计算量大的问题,提出一种动态神经网络分类器的主动学习算法。根据主动学习AL(Active Learning)算法中一种改进型不确定性采样策略,综合考虑样本的后验概率及其与已标记样本间的相似性,标注综合评价得分值较小的样本,将其用于对网络分类器的训练。通过Sobol’敏感度分析法,神经网络适时地增加敏感度值较大或删减敏感度值较小的隐层神经元,以提高其学习速率,减小输出误差。分类器训练仿真实验结果表明,与被动学习算法相比,该算法能够大大缩短网络分类器训练时间,降低其输出误差。将该算法用于液压AGC系统中,实验结果表明,该算法可实现系统中PID控制器参数的在线调节,提高了厚度控制精度,以此验证了该算法的适用性。

以“铁马工程”项目中的液压振动台为背景，通过由符合工业标准的PXI数据采集卡得到的现场数据进行分析，建立立体式数据库，对液压振动系统进行辨识，从而获得与实际系统较为匹配的ARMAX数学模型，并做了模型检验与对比；分析结果表明该数据采集系统采集的数据有效，辨识模型能够较准确的反映液压振动台的实际性能，为液压振动系统的控制与控制算法的设计提供了必要的理论基础。

以液压振动台为研究对象，提出了利用谐振原理来提高系统内部能量的利用率，并通过改变输入信号的频率，使输出信号在幅值增大的情况下仍能较好的跟踪输入信号变化的一种控制算法；然后介绍了以DSP为核心的信号处理和数据传输的实时监控系统，通过对液压振动台电网络模型控制的实验结果表明，所提出的算法是正确的、可行的。