概率融合的抗侧翻智能主动悬架控制研究

为了提升高质心车辆的侧倾稳定性和平顺性,降低车辆侧翻事故造成的伤亡率,提出一种基于概率融合隶属度函数构建理论的侧翻工况预测和控制方法。首先,通过采集车辆侧翻工况数据,选取车辆状态变量,基于影响权重确定与车辆侧翻相关的关键影响因子。其次,根据时间序列对数据进行时间片段划分,设计动态贝叶斯预测网络,对下一时间片段内车辆侧翻概率进行预测。最后,根据车辆性能参数与控制器参数的映射规则,建立概率融合的Takagi-Sugeno(T-S)模糊隶属度函数,设计车辆主动悬架抗侧翻鲁棒控制器。CARSIM/Simulink联合仿真结果表明,与被动悬架、半主动悬架、多目标控制主动悬架相比,所提方法可以平稳且高效地防止车辆侧翻,提升车辆行驶的安全性。

一种改进的图像色彩迁移方法

传统色彩迁移方法的迁移效果依赖于主观评价,且应用局限性大。为此,提出一种改进的图像色彩迁移方法。通过亮度拟合、分类筛选等操作从多幅源图像中选出与目标图像最匹配的参考色彩区域,针对彩色图像,采用隶属度概率进行平滑处理,利用参考色彩区域的颜色分量均值和方差,计算迁移合成值。针对灰度图像,对颜色分量进行归一化处理,划分灰度等级,引入Sigmoid加权实现迁移合成。实验结果表明,改进方法在视觉效果和客观评价方面都有较好的表现。

基于聚类的朴素贝叶斯分类无监督学习方法

为实现朴素贝叶斯分类模型的无监督学习,提出一种基于数据挖掘理论中聚类算法思想的学习方法。该方法首先定义不同类型单维状态分量的差异度量方法和混合型多维向量的联合差异度量方法,通过分析样本数据中向量之间的差异性进行聚类统计,得到研究对象的分类类别,然后对各单维状态分量分别聚类得到特征核值,进而确定不同类别各分量对应单维特征核值空间的概率隶属度。仿真实验结果表明,该方法能有效进行朴素贝叶斯分类学习。