一种基于梯度的直线段检测算法

针对传统直线段检测算法计算量大、鲁棒性差的不足,本文提出了一种在数字图像中检测直线段的算法.图像梯度对于检测图像中的边缘结构具有重要意义,算法首先求取图像梯度的模值和方向;然后根据梯度模值伪排序结果采用梯度区域增长方法扩张方向一致的邻域像素,得到的连通像素区域作为直线段候选区域;最后用外接矩形描述候选区域,其长轴和短轴可作为直线段判定标准,满足判定标准的长轴就是所求的直线段,并用MATLAB对图像进行仿真实验.结果表明:本文算法耗时8.87s检测出了108条直线段,与传统算法相比,不但耗时降低了17%,而且检测出的直线段增加了16%.

基于FPGA的高速信号采集板卡的设计

传统模拟信号采集板卡的低通信速率已成为高性能飞控测试系统功能的"瓶颈",针对这一问题,设计了一种以FPGA为核心的总线型高速数据采集板卡。板卡中信号调理电路有效抑制了模数转换中的零点温度漂移等问题,专用的模数转换芯片提高了采集精度。BLVDS总线与Modbus协议的应用使板卡具有模块化、网络化的功能。设计过程中充分利用QuartusII软件平台,完成了逻辑电路的仿真验证和调试。实际应用表明,该板卡稳定可靠、扩展方便、精度高,能够满足多种场合信号采集的需要。

基于纯追踪模型的路径跟踪改进算法

针对前视距离随车辆位置、速度变化而调整的问题,将模糊控制器与纯追踪算法相结合,把速度和航向偏角作为模糊控制器的输入量,利用驾驶经验制定模糊控制规则,输出前视距离,从而使前视距离得到动态调整,以达到理想的跟踪效果。在直线道路和折线道路上,对动态前视距离纯追踪算法和固定前视距离纯追踪算法进行仿真对比,结果表明改进的算法使得路径跟踪效果得到明显提高。

智能车辆的滑模轨迹跟踪控制

智能车辆是集各种机械装置、传感器、计算机于一体的复杂非线性系统,其轨迹跟踪控制器是研究的关键技术之一。针对高速自主导航智能车辆轨迹跟踪控制器鲁棒性、精确性和实时性的高要求,在智能车辆结构组成与运动模型基础上,设计了一种滑模变结构控制器。通过控制智能车辆的线速度和角速度实现智能车辆对任意路径的跟踪,并用Matlab进行了仿真实验。结果验证了该方法的有效性和可靠性。

基于支持向量机的非结构化道路检测

机器视觉检测非结构化道路边缘的难点在于路面像素与非路面像素特征差异复杂。使用支持向量机分类算法实现了非结构化道路的边缘检测。算法引入感兴趣区域来消除环境噪声,并通过交叉验证方法优化了算法参数。最后在支持向量机的分类结果上使用霍夫变换提取道路边缘。Matlab实验证明算法具有很好的准确性和鲁棒性。

基于模糊神经网络的智能车辆路径跟踪

在自主车辆路径优化控制的研究中,针对智能车辆传统的路径跟踪控制需要建立精确的数学模型且鲁棒性差的问题,提出了一种模糊神经网络的角速度控制器设计方案。首先建立了智能车辆运动学模型;然后以方向角误差和位置误差作为该控制器的输入,利用神经网络的学习能力来调整模糊参数得到性能优化的控制器,最后对直线和圆路径进行了路径跟踪仿真。仿真结果表明提出的模糊神经网络控制算法具有很高的控制精度和较好的鲁棒性,能够满足智能车辆实时精确路径跟踪的优化控制。

应用计算机实现弹性计划的编制

为适应当前的市场环境。在VS—100小型机上开发弹性计划编制软件,采用人工参予的方式编制生产经营计划,实现产品资源计划的弹性管理。