基于分数阶全变差和自适应正则化参数的图像去模糊

为更好地复原图像的纹理细节,避免求解图像去模糊模型时面临正则化参数难以选择的问题,提出了一种基于分数阶全变差(FOTV)模型和自适应更新正则化参数的非盲去模糊图像重建方法。首先,在分析不同分数阶下FOTV的幅频响应特性的基础上,采用不同分数阶次的FOTV模型约束图像的平滑(低频)部分和纹理细节(高频)部分,从而建立图像非盲去模糊重建模型。其次,为了有效地求解重建模型和实现两个正则化参数的自适应更新,采用交替方向乘子法(ADMM)将原本含有两个正则化参数的复杂问题分解成两个相对容易的子问题进行求解,每个子问题只含一个正则化参数。最后,根据偏差准则,在迭代求解过程中实现了两个正则化参数的自适应更新。将所提算法应用于包含平滑、边缘和纹理细节的多幅图像中,测试4种不同模糊核下的去模糊效果;与传统的4种去模糊算法相比,实验结果表明所提算法能自适应地更新两个正则化参数,对于纹理细节适中的图像具有较好的去模糊效果。

基于PAU-LSSVM模型融合多特征变量的电力负荷预测

为了有效地提高电力负荷的预测精度,应对电力负荷的海量数据,同时兼顾负荷数据时序性和非线性,提出了一种基于PAU-LSSVM模型融合多特征变量的电力负荷预测方法。首先,基于偏最小二乘法(PLS)分析影响负荷变量间的相关性,提取影响负荷变化的特征变量。然后,根据特征变量的实时变化特征对LSSVM的模型参数进行自适应更新,建立了PAU-LSSVM负荷预测模型,并与其他深度学习方法建立的负荷预测模型进行对比。结果表明,PLS能够辨识出关键影响变量,降低训练样本矩阵维数,所提PAU-LSSVM模型能够随着工况迁移准确地预测负荷,具有较高泛化能力和工程应用价值。

基于改进被囊群算法的露天矿无人驾驶卡车运输调度

针对露天矿无人驾驶卡车运输调度问题,以无人驾驶卡车燃油费用、固定启用费用、故障维修费用及网络基站建设与维护费用之和最小为目标函数,并以采矿场开采量、破碎场破碎量、卡车数量、卡车运输工作量为约束条件,建立了露天矿无人驾驶卡车运输调度优化模型。针对被囊群算法存在全局勘探和局部开采能力不平衡的问题,提出了一种基于Singer映射和参数位置自适应更新机制的改进被囊群算法(ITSA),并将其用于求解露天矿无人驾驶卡车运输调度优化模型。该算法引入Singer映射用于增强初始被囊种群在解空间中的分布性,加快压缩解空间大小,从而提高算法收敛速度;通过参数位置自适应更新机制调节被囊个体与最优被囊个体位置,以增大解空间的搜索范围,从而使算法跳出局部最优。仿真结果表明:与灰狼优化算法(GWO)、鲸鱼优化算法(WOA)、原子搜索优化算法(ASO)及被囊群算法(TSA)4种群智能优化算法相比,ITSA具有更好的收敛精度、收敛速度和稳定性能;在单峰基准函数上,ITSA的各项评价指标远优于其他4种算法,表明ITSA具有更好的局部开采能力;在多峰基准函数上,ITSA的各项评价指标表现出更好的寻优性能,表明ITSA具有更好的全局勘探性能。实际应用场景表明,ITSA用于求解无人驾驶卡车运输调度优化模型时具有更快的收敛速度和更高的收敛精度,且减少了卡车运输费用和运输距离。

未标定视觉伺服系统的动力学控制

针对具有动力学不确定性的未标定机器人视觉伺服系统,通过在机器人末端操作器上选取多个特征点,设计了一个基于机器人动力学的关节力矩控制器,使得特征点在图像平面上收敛到其期望值.首先,分别基于不含深度信息的图像雅可比矩阵和一组适当选取的机器人动力学参数,建立了摄像机和机器人动力学的线性参数模型.然后,在此基础上,进一步设计了摄像机和机器人动力学参数的在线自适应更新律,分析了系统的稳定性.最后,在一个三关节机械臂上进行了仿真实验,实验结果验证了该控制方案的良好控制效果.