-
公开(公告)号：CN109470235A
公开(公告)日：2019-03-15
申请号：CN201811238641.5
申请日：2018-10-23
Applicant: 浙江大学
Abstract: 本发明公开了一种基于动态簇的水下多传感器协作被动跟踪方法。该方法在目标跟踪过程中引入带反馈的分布式融合估计过程，采用分量按标量加权的线性最小方差融合准则来极小化融合误差协方差的迹，求得最优融合状态估计。并采用基于自适应节点选择的动态分簇过程，动态选择参与目标被动跟踪过程的簇头节点和簇成员节点。其中，簇头节点的选择主要从能量角度出发。而簇成员节点的选择是利用效用函数和成本函数来构造一个目标函数，并将节点的选择问题归类为数学中的背包问题，最后使用动态规划的方法来选择一个最优节点组合实现目标函数的最大化。该发明可以保证目标被动跟踪精度的收敛性，并有效降低被动跟踪过程中网络的能量消耗。
-
公开(公告)号：CN105279509A
公开(公告)日：2016-01-27
申请号：CN201510612476.5
申请日：2015-09-23
Applicant: 浙江大学
IPC: G06K9/32
CPC classification number: G06K9/3216
Abstract: 本发明公开了一种基于图像灰度值梯度的组织点定位方法。利用纱线间隙灰度值梯度的绝对值最大的特性，减小图像高亮块影响，首先进行经纱和纬纱的直线分割，并以此分割结果作为起始点和限制范围，开始搜索目标分割曲线像素点，经纱分割曲线和纬纱分割曲线形成的网格定位了组织点，由此实现贴近实际组织点形态的分割与定位。
-
公开(公告)号：CN119105504A
公开(公告)日：2024-12-10
申请号：CN202411306381.6
申请日：2024-09-19
Applicant: 浙江大学
IPC: G05D1/43 , G05D109/30
Abstract: 本发明公开了一种基于深度学习辅助的水面无人船多模式预测控制方法，该方法包括：建立对应的无人船非线性运动模型，其中，所述无人船包含多个面向不同任务类型的运行模式和子模式；根据实际应用场景，构建预设非线性模型预测控制器；通过考虑环境扰动和障碍物约束的模拟仿真获取训练数据集；训练LSTM网络，得到学习模型；运行阶段利用学习模型获取无人船预测状态，并量化状态偏差；将状态偏差输入至预设的非线性模型预测控制器中，通过求解单步最优控制问题，得到修正后的单步最优控制输入，并驱动无人船。本发明基于深度学习方法，能够减少环境扰动和模式变化的影响，在不同模式和复杂环境下提供安全可靠的控制性能。
-
公开(公告)号：CN118636156A
公开(公告)日：2024-09-13
申请号：CN202410952557.9
申请日：2024-07-16
Applicant: 浙江大学
IPC: B25J9/16
Abstract: 本发明涉及一种考虑纱线相互作用的环形编织牵引机械臂轨迹规划方法，对芯轴进行分段处理，划分为若干个编织单元，分别求解在每一段芯轴单元上进行编织时对应的牵引机械臂末端运动轨迹。具体是，首先对会聚区内纱线间的相互作用进行力学分析，确定纱线发生柔性变形后的实时状态；然后根据纱线所发生的柔性变形计算在当前芯轴单元上进行编织时的实时会聚区长度；再基于计算得到的实时会聚区长度和芯轴单元与编织平面的空间几何关系规划牵引机械臂的轨迹。本发明能够在考虑纱线相互作用的基础上针对环形编织中用于牵引芯轴的机械臂进行末端轨迹规划，使环形编织产品的实际编织角接近预期目标。
-
公开(公告)号：CN108647687B
公开(公告)日：2021-09-24
申请号：CN201810366154.0
申请日：2018-04-23
Applicant: 浙江大学
Abstract: 本发明涉及一种基于平移相减法的织物组织自动识别方法，属于图像识别领域。本发明提供了一种计算织物组织循环大小的平移相减算法(Translational Subtraction Algorithm，TSA)，并提供了了一种基于TSA算法的织物组织有效识别方法。该方法结合织物图像不同方向的TSA算法和水平方向的亮度累加法获取织物组织循环宽度和纬线宽度。然后对织物图像进行错位TSA算法，分析错位TSA曲线相位的周期性和大小，可以得到织物组织循环的纱线根数和飞数，最终获得织物图像的组织意匠图。本发明中提供织物组织的自动识别方法能有效识别各种类型的织物组织，对织物图像光照、纹理和倾斜等干扰因素具有鲁棒性。
-
Patent Agency Ranking
公开(公告)号：CN110764053B
公开(公告)日：2021-08-17
申请号：CN201911007165.0
申请日：2019-10-22
Applicant: 浙江大学
Abstract: 本发明属于多传感器融合估计领域，提出了一种基于水下传感器网络的多目标被动定位方法，采用了特征级和决策级信息融合相结合的策略。基于水声传感器网络的多目标探测存在能耗高、定位精度低、时延大等问题，针对这些缺陷，本发明所提出的算法在单节点阵列进行多目标方位估计，并提取多种目标信号的特征，传输至融合中心进行处理，实时对多目标进行方位估计，并进一步得到位置信息。算法提高多目标位置估计的准确性的同时降低了节点间通讯信息量。因此，本发明对于解决实际的水下多目标被动定位问题具有重要的现实意义。
-
公开(公告)号：CN110378411B
公开(公告)日：2021-03-23
申请号：CN201910640770.5
申请日：2019-07-16
Applicant: 浙江大学
Abstract: 本发明提出了一种基于交互式多模型的支持向量机辅助水下机动目标跟踪方法，属于水下目标跟踪领域。对于水下目标，由于其运动模式是不固定的，常常会进行机动，因此难以保持跟踪估计滤波器的参数与实际情况一致，进而导致跟踪误差在目标发生机动时大幅上升，跟踪效果恶化，甚至可能导致跟踪误差发散，从而跟丢目标。针对这一问题，本发明所提出的方法利用支持向量机对目标当前的运动模式进行判断，并根据分类结果对交互多模型算法中的各运动模型条件模型概率进行修正，使交互多模型算法可以快速地对目标的运动模式切换做出反应，降低了跟踪误差、保证了跟踪的收敛性。因此，本发明对解决水下机动目标跟踪问题具有重要的现实意义。
-
公开(公告)号：CN111328015B
公开(公告)日：2021-02-26
申请号：CN202010077375.3
申请日：2020-01-28
Applicant: 浙江大学
Abstract: 本发明提出了一种基于Fisher信息距离的无线传感器网络目标跟踪方法。在目标进入到监测区域内被探测到后，跟踪系统被激活开始对目标进行跟踪。为了提升系统的跟踪精度，使用更多的传感器对目标进行跟踪是一个常规的思路。然而，使用过多的传感器一方面会消耗过多能量，一方面会由于辐射过多的能量而被敌方发现从而被锁定位置。为了解决辐射能量与跟踪精度的问题，本发明在传感器数量不变的基础上，通过选择更加高效的传感器对目标进行跟踪，实现跟踪精度的提升。本发明对于提升跟踪系统的隐蔽性以及一些特定场景下传感器网络使用寿命问题具有理论指导意义与实用价值。
-
公开(公告)号：CN109470235B
公开(公告)日：2020-05-22
申请号：CN201811238641.5
申请日：2018-10-23
Applicant: 浙江大学
Abstract: 本发明公开了一种基于动态簇的水下多传感器协作被动跟踪方法。该方法在目标跟踪过程中引入带反馈的分布式融合估计过程，采用分量按标量加权的线性最小方差融合准则来极小化融合误差协方差的迹，求得最优融合状态估计。并采用基于自适应节点选择的动态分簇过程，动态选择参与目标被动跟踪过程的簇头节点和簇成员节点。其中，簇头节点的选择主要从能量角度出发。而簇成员节点的选择是利用效用函数和成本函数来构造一个目标函数，并将节点的选择问题归类为数学中的背包问题，最后使用动态规划的方法来选择一个最优节点组合实现目标函数的最大化。该发明可以保证目标被动跟踪精度的收敛性，并有效降低被动跟踪过程中网络的能量消耗。
-
公开(公告)号：CN110390670A
公开(公告)日：2019-10-29
申请号：CN201910610461.3
申请日：2019-07-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于数字图像的贴片位置误差检测方法。该方法包括如下步骤：1)采用加权均值滤波器对图像进行去噪处理，并采用图像直方图均衡化提高图像对比度，采用改进Canny算法提取图像边缘特征；2)截取模版并记录匹配标准点，根据步骤1)的结果，采用改进SAD算法(绝对误差和)进行模版匹配；3)最后应用匹配标准点偏移向量找到匹配标准点，进而计算基于数字图像的贴片位置误差。本发明的基于数字图像的贴片位置误差检测方法充分结合了基于数字图像的贴片边缘特征与位置特征，能够快速准确地完成贴片位置误差检测。
-
-
-
-
-
-
-
-
-
Search Results
66
records
(took 0.028 seconds)
