为满足汽车实时性的要求, 提出了一种基于 FPGA(Field Programmable Gate Array)的车载视频拼接方法。采用 FPGA 实现视频拼接。 整个系统主要由视频采集、 视频预处理、 视频拼接和视频显示组成。 采用 Altera 公司的 Cyclone 郁芯片搭建硬件处理平台, 利用双 DDR2 存储器进行乒乓缓存。 图像拼接采用 sift 算法进行图像匹配, 通过线性融合算法完成环景拼接, 提高了算法的处理速度, 满足了实时性需求。 经验证该平台拥有较好的实用性和扩展性, 满足汽车的实时性需求。

为解决一类受信道衰落影响的随机时变时滞系统的故障估计问题, 利用一系列相互独立且服从伯努力分布的随机变量描述通讯时滞的随机发生特性。 通过改进的 L 阶莱斯衰落模型反映信道衰落现象, 应用Lyapunov 稳定性理论、 随机分析技术和 LMI(Linear Matrix Inequality)技术得到故障估计器存在的充分条件, 在求解 LMI 的可行解后, 给出期望估计器增益的表达式。 通过数值仿真得到了确保增广的故障估计动态系统均方指数稳定且满足 H 肄 性能约束的估计器增益, 从而证明了该故障估计方法的有效性。

为提高雷达对低空目标的跟踪精度, 提出了一种基于渐消记忆递推最小二乘法的测角误差实时估计算法。 该算法利用不同设备同时对目标进行跟踪, 得到不同的观测结果。 利用渐消记忆递推最小二乘法对不同的观测结果进行处理, 赋予不同的权值, 得到最终的测角误差估计值。 通过理论分析, 构建多径环境模型, 对该算法的效能进行验证。 仿真结果表明, 由该方法得到的测角误差估计结果估计误差小, 同时可有效减小测角误差的抖动, 得到稳定的测角误差估计结果。

为提升互联网餐饮行业的服务质量, 更好地满足客户随时随地点餐的需求, 基于 Android Studio 开发环境, 采用 C/ S 架构, 以及 Gradle 和 Genymotion 等开发工具, 开发出以智能手机为媒介的外卖点餐系统。 最终实现了用户的菜单浏览、 收藏、 下单、 用户中心以及摇一摇选餐等功能。 测试结果表明, 该系统具有良好的用户交互体验, 操作简捷方便, 具有广泛的使用前景。

为在紧急救援和军事活动等实际应用中实现上下级间广播式通信方式, 参考并简化了 NbIA(Neighbors Indirect Acknowledgement Algorithm)算法的组网思路, 设计新的时隙分配方式, 提出了一种基于 TDMA(Time Division Multiple Address)的广播式 MAC(Media Access Control)算法。 OPNET 软件仿真结果表明, 该算法的组网速度与 NbIA 相近, 但实现方法大大简化, 并可根据节点的业务需求提升节点的吞吐率, 从而有效支持视频业务的传输。

为解决充电电器安全检测的问题, 提出了一种测试普通交流电功率检测电路, 分析了电路原理, 完成了仿真测试, 搭建了硬件实物的测试电路, 并对测试结果进行记录分析。 通过控制芯片的 A/ D 模块分析处理实验数据, 判断充电电器是否完成充电过程并把判断结果反馈给用户, 实现了对充电电器的安全控制。 该电路设计结构简单, 便于调试, 在实物测试中具有非常高的可靠性和稳定性。

为了在静态图像中获取有效信息, 构建行为模型, 提出了行为覆盖区 ACA(Action Coverage Area)和行为核心 AC(Action Core)的概念, 基于 Latent SVM(Support Vector Machine)目标识别方法, 设计了一种多视角行为模型 MVAM(Multiple Viewpoint Action Model)。 建立了独立的用于行为模型训练和测试的行为数据库。 实验表明, 该表示法对静态图像中的人体行为能有效地进行分类和检测。

针对含多种关节类型的复杂机械臂的建模问题, 在 D鄄H 参数法中引入虚拟关节建立运动学模型。 考虑机械臂逆运动学存在多解、 精度和实时性的问题, 通过4 种不同的 PSO(Particle Swarm Optimization)优化算法: 线性递减权重的粒子群(LPSO: Linear Decreasing Weight Particle Swarm Optimization)、 基于杂交的粒子群优化(CBPSO: Crossbreed Particle Swarm Optimization)、 基于模拟退火的粒子群(SAPSO: Simulated Annealing Particle Swarm Optimization)和混沌粒子群优化(CPSO: Choas Particle Swarm Optimization)进行计算。 随机选取工作空间的位置点, 验证优化算法能有效计算机械臂逆运动学解, 并对执行时间、 位置误差等方面进行了比较分析。 实验结果表明, 改进的 CBPSO 算法能有效计算复杂多关节机械臂的逆运动学解, 同时满足实际作业中对实时控制的要求。

针对传统模极大检测算法暂态电能质量扰动持续时间短、 随机性以及过零点难以检测等问题, 提出基于动态窗的改进小波模极大值暂态信号扰动检测方法。 对过零点时刻的扰动, 在动态窗检测的基础上, 通过系数变换, 改善过零点时刻检测不明显的问题。 运用 Matlab 软件进行的计算机仿真结果表明, 该方法能准确地对暂态电能质量扰动进行检测与定位, 精度较高且易于实现。

为解决凸轮磨削系统的轮廓控制问题, 在分析轮廓误差的基础上, 提出了一种位置跟踪补偿算法与切向鄄轮廓控制相结合的控制策略。 在两运动轴间引入切向鄄轮廓控制, 将轮廓误差坐标变换于切向鄄轮廓坐标系中。 对此变换后得到的两个误差分量, 单独设计其对应的控制器。 为弥补切向鄄轮廓控制带来的不足, 在位置环外增加补偿器, 通过额外补偿跟踪误差, 以保证系统性能, 同时提高了系统各轴对输入信号的跟踪能力。所提控制策略在 Simulink 仿真平台上的实验结果表明, 该策略减小了系统的跟踪误差和轮廓误差, 具有良好的跟踪性能与轮廓性能。

为了获得飞行器高精度、高稳定性的定位结果, 结合低成本的单目摄像机和惯性测量单元, 通过对单目视觉和惯性测量进行多传感器融合, 实现飞行器的自定位。 视觉定位模块中, 对 3 种当前最新的单目视觉定位方法分别进行不同场景下的实验和比较, 分析它们各自用于飞行器定位时的优势和劣势。 为了解决视觉定位对图像特征的依赖问题, 引入一种基于扩展卡尔曼滤波的多传感器融合方法, 将视觉定位和惯性测量以松耦合方式进行融合, 用惯性测量补偿因视觉定位不稳定而产生的误差。 实验证明, 该方法在视觉定位不稳定的情况下能有效降低定位结果的误差。

为了分析和设计标准模型下安全的签名方案, 避免签名方案的设计中出现类似的安全性问题。 通过对标准模型下的无证书签名方案和前向安全的基于证书签名方案的分析, 发现该签名方案容易受到替换公钥攻击和后门攻击, 攻击者可以对任意的消息产生一个有效签名。 对这些攻击给出了具体分析, 同时探讨了克服这类攻击的方法。 研究结果表明, 这些攻击方法对于同类签名的分析与设计有借鉴意义。

为及时纠正印刷错误, 提高印刷质量, 构建了一个基于 ARM(Advanced RISC Machines)芯片的印版密度检测系统。 该系统可使印刷过程中的密度检测数字化、 自动化和系统化。 在硬件上采用 IMAGERECEIVER 作为图像采集模块, 使用嵌入式 CMOS(Complementary Metal Oxide Semiconductor)图像采集(OV511+OV7620)芯片的 USB 摄像头作为图像采集设备; PPI-DMA(Pixel Per Inch-Direct Memory Access)作为高速数据传输通道; LCD(Liquid Crystal Display)作为图像显示器; Keyboard 作为人机交互设备。 软件上, 首先对采集图像进行灰度化、二值化, 而后进行网点面积计算, 最终实现印版网点密度检测的功能。 测试结果表明, 该系统能实现印版密度检测。

为了对轨迹大数据比较算法进行深入了解和研究, 介绍了各类轨迹比较算法, 并结合轨迹大数据的研究发展和应用背景, 对轨迹大数据比较算法进行较为全面和系统的综述。 随着轨迹大数据应用问题的不断凸显,轨迹大数据的研究需要结合目标需求, 深入研究轨迹数据比较算法的大数据计算、 算法智能性以及算法的效率和有效性等问题。

为构建财经类院校毕业生就业质量评价指标体系, 提出一种基于粗糙集理论的就业质量评价指标优化方法。 初步确立毕业生就业质量的 14 个评价指标, 以吉林财经大学 2012 ~2015 年近 4 届毕业生的就业信息为样本数据, 利用定量统计法对各指标权重进行了初步确定, 并对各评价对象进行了初步评价分类。 利用粗糙集论对评价指标进行约简, 剔除不影响评价对象分类的指标, 使指标体系由原来的 14 个指标约简为 6 个指标,并重新确定各指标权重, 最终得到了优化的财经类院校毕业生就业质量评价指标体系。 研究结果表明, 利用优化的指标体系可减少统计与评价的工作量, 该方法为财经类院校毕业生就业质量评价指标体系的构建和优化提供一个新的方向和途径。

为解决传统 K-means 算法中因初始聚类中心选择不当而导致聚类结果陷入局部极值的问题, 采用蝙蝠算法搜寻 K-means 算法的初始聚类中心, 并将模拟退火的思想和基于排挤的小生境技术引入到蝙蝠算法中, 以克服原始蝙蝠算法存在后期收敛速度慢、 搜索力不强等问题。 同时, 通过测试函数验证了其有效性。 最后利用改进后的蝙蝠算法优化 K-means 算法的初始聚类中心, 并将该改进的算法与传统的 K-means 算法的聚类结果进行了对比。 实验结果表明, 改进后的算法的聚类性能比传统的 K-means 算法有很大提高。