genetic model optimization for hausdorff distance-based face localization
c In Proc.International ECCV2002Workshop on Biometric Authentication,
Springer,Lecture Notes in Computer Science,LNCS-2359,pp.103–111,
Copenhagen,Denmark,June2002.
Genetic Model Optimization
for Hausdor?Distance-Based Face Localization
Klaus J.Kirchberg,Oliver Jesorsky,and Robert W.Frischholz
BioID AG,Germany
{k.kirchberg,o.jesorsky,r.frischholz}@https://www.wendangku.net/doc/ab2495122.html,,
WWW home page:https://www.wendangku.net/doc/ab2495122.html,
Abstract.In our previous work we presented a model-based approach
to perform robust,high-speed face localization based on the Hausdor?
distance.A crucial step during the design of the system is the choice of
an appropriate edge model that?ts for a wide range of di?erent human
faces.In this paper we present an optimization approach that creates
and successively improves such a model by means of genetic algorithms.
To speed up the process and to prevent early saturation we use a special
bootstrapping method on the sample set.Several initialization functions
are tested and compared.
1Introduction
Face localization is a fundamental step in the process of face recognition.Its aim is to decide whether there is a face in a given image and,in the positive case,to determine the coordinates of the face.The accuracy of the detected face coordinates has a heavy in?uence on the recognition performance.
In[5]we presented a method for robust frontal face detection based on the Hausdor?distance.This algorithm uses a prede?ned edge model of the human face to?nd face candidates in the image.While it is possible to use a simple ellipse as a model,the detection performance can be improved by using a more detailed model.However,it must still represent a wide variety of faces.
In this paper we follow a genetic algorithm approach to generate a face model from scratch and to optimize it based on a fairly large database of sample images.
A coding scheme for binary edge models is presented along with the correspond-ing genetic operators.We describe a bootstrapping optimization framework that speeds up the process by successively adapting the subset of evaluation samples.
Several experiments prove the performance of the system and compare dif-ferent initialization strategies.
2Hausdor?Distance-Based Face Detection
This section gives a brief overview of the underlying face detection algorithm.A more detailed description can be found in[5].
The face detection problem can be stated as follows:given an input image, decide whether there is a face in the image or not.If a face was found,return the face coordinates inside the image.In our case these are the coordinates of the left and right eye centers,which is su?cient if the problem is restricted to frontal view faces in images of constant aspect ratio.
For simplicity,we concentrate on the task of?nding a single face in an image. The extension to?nding multiple faces is straightforward.
We use an edge-based method for?nding faces.Therefore we?rst calculate an edge magnitude image with the Sobel operator.The relevant edge feature points are extracted by a locally adaptive threshold?lter to compensate vari-able illumination.We assume that this procedure will produce a characteristic arrangement of segmentation points in the facial area.
Based on the typical layout that strongly depends on the segmentation steps, we use a face model which itself consists of a set of feature points and can be represented as a binary image.
The feature points of the face model are chosen in a way that the pattern stored in the model is somehow similar to the typically observed patterns in the images’face area.
To detect a face,the model is superimposed over the image at several discrete positions.At each position the similarity between the translated model and the covered part of the image is calculated.A face is considered to be located at the position yielding the highest similarity between model and covered image part. The procedure is illustrated in?gure1.Note that the model can be scaled to allow detecting faces of di?erent sizes.
face model
Fig.1.Face?nding procedure
An e?cient yet powerful method to calculate the similarity of two binary images is the Hausdor?distance[7],a metric between two point sets.We use a slightly adapted measure,called the(directed)modi?ed Hausdor?distance (MHD)[2]to calculate the similarity between the image and the model.Given the two point sets A and B and some underlying norm||·||on the points,the
MHD is de?ned as
h mod(A,B)=
1
|A|
a∈A
min
b∈B
a?b .(1)
With the two-dimensional point set A representing the image and T p(B) representing the translated and scaled model with transformation parameters p, the formula
d?p=min
p∈P
h mod(A,T p(B))(2) calculates the distance value of the best matching position and scale.The pa-rameters of the corresponding transformation are represented by the parameter set?p.
To make an e?cient implementation possible,we use a discrete grid for the model point positions.A model can then be represented by a binary image where white pixels represent the model points.The resolution of this image has to be high enough to be able to represent enough detail but has to be as low as possible to minimize computation time for both the localization procedure and the model optimization process.We used a45×47model grid which has turned out to be a good trade-o?.
One of the major problems of the Hausdor?distance method is the actual creation of the face model.While a simple”hand-drawn”model will be su?cient for the detection of simple objects,a general face model must cover the broad variety of di?erent faces.
3Genetic Model Optimization
The task of?nding a well-suited model for Hausdor?distance based face localiza-tion can be formulated as a discrete global optimization problem.An exhaustive search would produce the optimal result(with respect to a given sample set), but due to the exponential complexity it is not computationally feasible.In the broad area of global optimization methods,Genetic Algorithms(GA)form a widely accepted trade-o?between global and local search strategy.They were chosen here for they are well-investigated and have proven their applicability in many?elds.
Since their invention by Holland[4],Genetic Algorithms have become a stan-dard solution approach for multi-dimensional global optimization problems.We use the algorithm and terminology of the Simple Genetic Algorithm(SGA)de-scribed by Goldberg[3].
To formulate our face?nding problem as a genetic algorithm,we have to do the genotype coding of the face model,de?ne a?tness function and have to set some more parameters(population size,crossover method etc).
3.1Genotype Coding
The genotype coding of the face model is done fairly straightforward by a two-dimensional binary genome.We presume that the average face model is sym-
metric along the vertical axis,which is not exactly true for a single face but su?cient for our purposes.Thus,only the left half of the model is coded in the genome.
3.2Fitness Function
The?tness function assigns a real-valued number to a given model.This value must re?ect the performance of the face localization algorithm with a certain model.During reproduction phase of the GA this value determines an individ-ual’s probability to survive and produce o?spring.To rate a speci?c model,it is tested on a set of sample face images.This sample set must be both large enough to be representative and also small enough to allow fast evaluation of the?tness function.
We de?ne the?tness value of a model as the ratio of found faces to the overall number of faces in the set.A face is said to be found if some distance measure between true position and found position is below a certain threshold. We use here the accuracy measure d eye introduced in[5].Let d l and d r denote the distances between the true eye centers C l,C r∈R2and the expected eye positions,respectively.Then the rating distance is de?ned as
d eye=max(d l,d r)
C l?C r
(3)
with the euclidean norm||·||.
The threshold that de?nes a face as found was set to?d eye=0.12for the optimization process,which means that we allow a shift of12%with respect to the distance between the true right and left eye.The true eye positions were marked manually.
We used a set consisting of1362face images for evaluation.To speed up evolution,we choose a subset of80images.This subset selection is updated every?ve generations.The process is shown in?gure2.
initialize population
do while not converged
evaluate population on complete set
build new evaluation set with best model
run GA for five generations on evaluation set
end do
Fig.2.Optimization process
When a new evaluation set of face images is built,the localization is per-formed on the whole set of images with the best model of the current population.
For each image we record d eye and sort the images by this distance.The new evaluation set is then compiled from40out of the200top-ranking images and 40out of the200images with the lowest rating.This makes the GA learn to ?nd new faces while not”forgetting”the others.
3.3Selection,Crossover,Mutation,Population Size
In the choice of the other genetic operators we mostly follow the suggestions in Goldberg’s book[3].
Selection is done by the Roulette wheel scheme,which means each individ-ual’s selection probability is directly proportional to its?tness.
As crossover operator we use the natural extension of the one-point crossover. Its function in the
In the?rst method,the population was initialized with random points,each one having a5%probability of being set.Further genetic parameters were: crossover rate0.9
mutation rate0.00025
population size50
Some models generated by the GA in this run are shown in?gure4.
Fig.4.Models from the randomly initialized GA run
For the second setup,an average edge map was generated from a set of sample images.In the initialization step,the model points were randomly set with a probability proportional to the value of the corresponding point in the average edge map.Some models from this run are shown in?gure5.
Fig.5.Models from the average edge map-initialized GA run
The third run was initialized with a hand-drawn face model and5%of the bits?ipped.Figure6shows the hand-drawn model and some other models from this run.
Fig.6.Models from the hand-drawn initialized GA run
The resulting models were tested on the XM2VTS[6]data set and the BIOID face test set,which is publicly available at[1].The?rst mentioned contains2360, the second1521gray level images,each of them showing a single face.
The results for the three models on both sets are summarized in Figure7. The?gure shows the distribution function of the detection results rated using the same method as used by the?tness function described in the previous section (see eq.3).
Fig.7.Distribution function of relative eye distances for the XM2VTS(a)and the BIOID face data set(b)for the best models of the three runs
Regarding a value of d eye=0.25more than80%of the faces are found in the XM2VTS test set.According to the de?nition of d eye a value of0.25equals half the width of an eye.This has shown to be a reasonable threshold for robust face recognition.
The results on the BIOID test set are a little poorer because this set has been recorded under a larger variety of illumination and face scale and therefore implies a harder problem for face detection systems.
The model gained from blank initialization performs best on both data sets. Therefore we used the blank initialization method to start a second optimiza-tion on a larger image database,also using more generations than in the?rst evaluations.
With the resulting model that is shown in?gure8,together with the belong-ing distribution functions,the localization performance could be increased up to 92.8%on the BIOID and94.2%on the XM2VTS dataset(again considering a maximum allowed error of0.25relative eye distance).
In comparison,the detection rate for the hand-drawn model itself is62.3% on the XM2VTS database.
Due to the lack of a common performance measurement for face detection algorithms it is hard to compare di?erent approaches.For example,Smeraldi et al[8]reported a detection rate of91%for a SVM approach on a subset of349 images from the M2VTS database.They allowed an absolute tolerance of3pixel for eyes and mouth positions.
(a)(b)
Fig.8.Resulting model(a)and corresponding distance distribution functions for the XM2VTS and the BIOID face set(b).
5Conclusions
One of the major problems in model-based face detection is the creation of a proper face model.We have presented a genetic algorithm approach for obtaining a binary edge model that allows localization of a wide variety of faces with the Hausdor?search method.
The experiments showed that the GA performs better when starting from scratch than from a hand-drawn model.With this method,the localization per-formance could be improved to more than90%compared to roughly60%for the hand-drawn model.
Genetic Algorithms are a powerful tool that can help in?nding an appro-priate model for face localization.The presented framework led to a model that performed considerably better than a simple hand-drawn model.
Face localization can be improved by a multi-step detection approach that uses more than one model in di?erent grades of detail.Each of these models can then be optimized separately.This does not only speed up the localization procedure but also produces more exact face coordinates.
References
[1]BioID face database.https://www.wendangku.net/doc/ab2495122.html,/research/index.html.
[2]M.P.Dubuisson and A.K.Jain.A modi?ed Hausdor?distance for object matching.
In ICPR94,pages A:566–568,Jerusalem,Israel,1994.
[3]David E.Goldberg.Genetic Algorithms in Search,Optimization and Machine
Learning.Addison Wesley,1989.
[4]John H.Holland.Adaption in Natural and Arti?cial Systems.The University of
Michigan Press,Ann Arbor,1975.
[5]Oliver Jesorsky,Klaus J.Kirchberg,and Robert W.Frischholz.Robust Face Detec-
tion Using the Hausdor?Distance.In Josef Bigun and Fabrizio Smeraldi,editors, Audio-and Video-Based Person Authentication-AVBPA2001,volume2091of Lec-ture Notes in Computer Science,pages90–95,Halmstad,Sweden,2001.Springer.
[6]K.Messer,J.Matas,J.Kittler,J.Luettin,and G.Maitre.XM2VTSDB:The
extended M2VTS database.In Second International Conference on Audio and Video-based Biometric Person Authentication,pages72–77,March1999.
[7]W.Rucklidge.E?cient Visual Recognition Using the Hausdor?Distance,volume
1173of Lecture notes in computer science.Springer,1996.
[8] F.Smeraldi,N.Capdevielle,and J.Bigun.Facial features detection by saccadic ex-
ploration of the Gabor decomposition and Support Vector Machines.In Proceedings of the11th Scandinavian Conference on Image Analysis-SCIA99,Kangerlussuaq, Greenland,volume I,pages39–44,June1999.
创客空间建设方案
创客空间建设方案 一、建设背景及意义 （一）建设背景 随着李克强总理在达沃斯论坛上提出“大众创业、万众创新”，“创客”这个新名词也被首次写入政府工作报告。2015年3月2日，科技部“发展众创空间推进大众创新创业电视电话会议”中进一步强调，推进大众创新创业是新时期科技工作的重要任务。2015年3月11日，国务院办公厅印发《关于发展众创空间推进大众创新创业的指导意见》，共计提出8项重点任务，其中第一条就是加快构建众创空间。 创客是创新创业重要的助推者之一，我国国内目前创客的规模仍较小，进一步推进国内的创客运动，需要高校培养更多的新型创客人才。着眼于新工业革命的兴起，在当前互联网“+”的时代下，培养具有“创新、创造、创业、分享”精神的新时代大学生是高校发展的必然趋势。打破专业界限，基于多学科、跨专业，“跨界融合、集成创新”的创新型高校创客空间是高等院校适应新工业革命发展的必然要求。 （二）建设意义 高校在开展“创客空间”的建设方面尚没有规律可循，都是在探索阶段。在我院建设高水平院校的形势下，结合我院“培养态度好、知识新、技能强的实用人才”的办学理念，建立具有“我院特色”的“创客空间”。这不仅是认真贯彻落实《国家中长期教育改革和发展规划纲要》和《关于进一步加强高技能人才工作的意见》的精神；也是深化我院教育教学改革，培养学生创新精神和实践能力的重要途径；更是落实以创新带动创业，创业带动就业，促进我院毕业生充分就业创业的重要措施。同时，我院创客空间的建设，将进一步提高学院知名度，为建设全国高水平院校及创新创业实训基地示范院校打下坚实的基础，具有十分显著的现实意义。 二、建设方案 （一）整体方案介绍 本方案基于线上“创新创意”互联网资源分享平台，通过创客教学体验区、创客开发制作区、创客交流区、创客作品展示区，采用STEAM创新教学方法，以线下产品制作与线上理论学习相结合的模式，采用先进的物联网技术、移动互联技术、桌面操作工具等建立一个线上线下互联互通的创客空间。通过该平台的建设大学生“创客”们可以协作、共享，实现从创意到产品的转变，再通过社会资源的对接、孵化实现从“产品”到“商品”的转化。 同时也为创业者和投资人牵线搭桥，为在江北大学城创业孵化中心创业企业、创业小团队搭建完美的金融服务平台，并为无办公地点团队提供办公场所和交流平台，是所有创业追梦人寻找项目和灵感青睐的归属地。 （二）具体方案及主要功能 1、创新创意平台 旨在为有创新创意的学生、众多制造商、天使投资者搭建一座桥梁，让学生提出好的创意，整合学生资源参与创意设计，为好的创意产品找到合适的生产者和投资者，为制造商寻找好的产品和投资机会。通过该平台，能够让有创新创意思想的学生零成本地更快实现创业梦想。
等效电路模型参数在线辨识
第四章 等效电路模型参数在线辨识 通过第三章函数拟合的方法可以确定钒电池等效电路模型中的参数，但是在实际运行过程中模型参数随着工作环境温度、充放电循环次数、SOC 等因素发生变化，根据离线试验数据计算得到的参数值估算电池SOC 可能会造成较大的估计误差。因此，在实际运行时，应对钒电池等效电路模型参数进行在线辨识，做出实时修正，提高基于模型估算SOC 的精度。 4.1 基于遗忘因子的最小二乘算法 参数辨识是根据被测系统的输入输出来，通过一定的算法，获得让模型输出值尽量接近系统实际输出值的模型参数估计值。根据能否实时辨识系统的模型参数，可以将常用的参数辨识方法分为离线和在线两类，离线辨识只能在数据采集完成后进行，不能对系统模型实时地在线调整参数，对于具有非线性特性的电池系统往往不能得到满意的辨识结果；在线辨识方法一般能够根据实时采集到的数据对系统模型进行辨识，在线调整系统模型参数。常用的辨识方法有最小二乘法、极大似然估计法和Kalman 滤波法等。因最小二乘法原理简明、收敛较快、容易理解和掌握、方便编程实现等特点，在进行电池模型参数辨识时采用了效果较好的含遗忘因子的递推最小二乘法。 4.1.1 批处理最小二乘法简介 假设被辨识的系统模型： 12121212()()()1n n n n b z b z b z y z G z u z a z a z a z ------+++==++++L L （4-1） 其相应的差分方程为： 1 1 ()()()n n i i i i y k a y k i b u k i ===--+-∑∑（4-2） 若考虑被辨识系统或观测信息中含有噪声，则被辨识模型式（4-2）可改写为： 1 1 ()()()()n n i i i i z k a y k i b u k i v k ===--+-+∑∑（4-3） 式中， ()z k 为系统输出量的第k 次观测值；()y k 为系统输出量的第k 次真值，()y k i -为系统输出量的第k i -次真值；()u k 为系统的第k 个输入值，()u k i -为 系统的第k i -个输入值；()v k 为均值为0的随机噪声。
众创空间建设运营方案
众创空间建设运营方案 根据《云南省人民政府关于进一步做好新形势下就业创业工作的实施意见》（云政发〔2015〕53号），云南省人力资源和社会保障厅、云南省财政厅下发的《关于做好2015年度创业园区众创空间校园创业平台申报认定有关工作的通知》(云人社发〔2015〕300号)、楚雄州人力资源和社会保障局《关于做好创业园区、众创空间及校园创业平台申报认定有关工作的通知》等文件，为响应元谋县创新驱动发展战略，推动“大众创业、万众创新”的浪潮，帮助元谋县青年创业者实现创业梦想，xxxx公司在元谋县人力资源和社会保障局的支持和指导下，依托云南元谋现代种业科技园，打造xxx众创空间，形成政府激励创业创新、社会支持创业创新、劳动者勇于创业创新的新局面，结合实际，特制定本实施方案。 一、建设的重要意义 众创空间是向小微创新企业和个人创业者的低成本、便利化、全要素的开放式综合服务平台，为广大创新创业者提供良好的工作空间、网络空间、社交空间和资源共享空间。大力发展众创空间是创新驱动的最佳体现、转型升级的重要 1
抓手、应对开放式创新最好的举措。 近年来，元谋县围绕“高原特色现代农业”，“区域性南繁种业基地建设”发展战略，不断优化我县绿色产业结构，随着绿色产业经济发展步伐迅速加快，经济发展主体的多元化需求不断增加，一批企业家主体（包括企业中层管理、营销、科技人员）、外出务工经商人员、在校大学生和毕业生、农村致富带头人的创业热情不断高涨，设立元谋现代种业科技众创空间的各项要素已经完全具备。但是创业初始阶段普遍存在规模偏小、布局分散、产业层次低、融资难、应对风险能力弱等问题。 为解决创业主体创业中存在的热点难点问题，通过政府引导、市场运作、政策支持等措施，建立元谋现代种业科技众创空间，为广大创业者开辟一片“试验田”，起到积极的示范作用和龙头带动作用，引导广大创业者走合法、优质、高效的创业道路，储备一批成长性中小企业，培育一批规模创新企业，为我县经济发展提供后续动力，对提升县域经济发展水平和促进民营经济快速发展具有重要意义。 二、建设的指导思想、组织架构和工作目标 （一）指导思想和整体思路 指导思想是探索创新创业企业做大做强的新途径。通过 2
浅析电力系统模型参数辨识
浅析电力系统模型参数辨识 （贵哥提供） 一、现状分析 随着我国电力事业的迅猛发展, 超高压输电线路和大容量机组的相继投入, 对电力系统稳定计算、以及其安全性、经济性和电能质量提出了更高的要求。现代控制理论、计算机技术、现代应用数学等新理论、新方法在电力系统的应用，正在促使电力工业这一传统产业迅速走向高科技化。 我国大区域电网的互联使网络结构更复杂，对电力系统安全稳定分析提出了更高的要求，在线、实时、精确的辨识电力系统模型参数变得更加紧迫。由于电力系统模型的基础性、重要性，国外早在上世纪三十年代就开始了这方面的分析研究，[1,2]国内外的电力工作者在模型参数辨识方面做了大量的研究工作。[3]随后IEEE相继公布了有关四大参数的数学模型。1990年全国电网会议上的调查确定了模型参数的地位，促进了模型参数辨识的进一步发展，并提出了研究发电机、励磁、调速系统、负荷等元件的动态特性和理论模型，以及元件在极端运行环境下的动态特性和参数辨识的要求。但传统的测量手段，限制了在线实时辨识方法的实现。 同步相量测量技术的出现和WAMS系统的研究与应用，使实现在线实时的电力系统模型参数辨识成为可能。同步相量是以标准时间信号GPS作为同步的基准，通过对采样数据计算而得的相量。相量测量装置是进行同步相量测量和输出以及动态记录的装置。PMU的核心特征包括基于标准时钟信号的同步相量测量、失去标准时钟信号的授时能力、PMU与主站之间能够实时通信并遵循有关通信协议。 自1988年Virginia Tech研制出首个PMU装置以来，[4]PMU技术取得了长足发展，并在国内外得到了广泛应用。截至2006年底，在我国范围内，已有300多台P MU装置投入运行，并且可预计，在不久的将来PMU装置会遍布电力系统的各个主要电厂和变电站。这为基于PMU的各种应用提供了良好的条件。 二、系统辨识的概念 系统模型是实际系统本质的简化描述。[5]模型可分为物理模型和数学模型两大类。物理模型是根据相似原理构成的一种物理模拟，通过模型试验来研究系统的
众创空间实施方案
众创空间实施方案
众创空间建设 一、人才引进 众创空间设有科技咨询部、信息检索部、创新发展部、财务部、电子商务部及综合办公室等六个部室，现有各方面专兼职人员26名，并积极与省内及全国研究机构、科研院所、知名大学、检测机构、融资机构联系，建立博士专家导师服务工作站，经过引进高端人才，聘请成功创业企业家，建立“联络员、辅导员、博士专家工作站”组成的服务创业导师团队，打造扩展服务范围，重点服务于我州各中小企业及创业大学生，为创新创业提供有力的技术保障。
二、服务支持 1、基础服务、众创空间 向入驻的中小企业及创业者提供生活、办公空间、创业咖啡、学术交流、研究、转化的必要设施和服务，以零收费的方式为初创者提供工作、社交和资源共享空间，为初创者搭建了低成本、便利化、全要素、开放式的新型创业平台。 推动大众创业、万众创新。实现创新与创业相结合、线上与线下相结合、孵化与投资相结合，为创业者提供良好的工作空间、网络空间、社交空间和资源共享空间。 在众创空间内规划了400平米进行众创空间的建设，以零收费的方式为初创者提供工作、社交和资源共享空间，为初创者搭建了低成本（利用现有资源与条件，盘活存量设施和场地，提供低成本创业场所）、便利化（交通便利，创业者集聚，创新创业资源相对汇集地区，创业手续简便）、全要素（能够提供创新创业要素的全方位供给，构建社交化创业平台）、开放式（整合利用全球创新创业资源，为创业者提供开源软硬件、开放式办公空
间）的新型创业平台。提供社交和资源共享空间,同时将定期邀请成功的企业家和科研院所的专家进行创业指导，方便创业者交流，促使其共同创业。 2、信息服务部 根据各创新企业的需要，建设信息化平台、及时发布国家、省市有关政策及企业、人才等信息，为企业提供畅通的信息渠道和网上交流平台而且能为企业做宣传推广，促进信息交流和资源共享。协助各企业做好信息化事务的报批、备案、注册。 3、产业服务部 不断深化专业服务，学习并联系省内致命众创空间，为提供专业服务能力，建设新能源科技公共服务平台，为新能源领域的企业提供公共技术服务。着力打造具有自主知识产权的创新型企业，鼓励企业自主创新并进行成果转化、产业化中试等创业服务。帮助初创企业创新、创业克服发展过程中的一系列问题，提升企业的竞争力与成功率，根据企业发展各阶段的不同特点及不同需求，全面推进企业创办、政策对接、项目申报等完善实用的服务平台。 4、知识产权、项目服务部 协助企业申报、挖掘实用新型专利、创造专利、外观专利；组织企业申报国家、省、市和平度市的各级各类项目计划；组织企业参加各类项目对接，促进企业与高校和科研究所的合作；为企
2016新型孵化器众创空间建设运营方案
互联网+众创空间实施方案
目录 一、众创空间总体要求 二、众创空间重点任务 （一）众创空间建设行动 （二）创业主体培育行动 （三）创业企业孵育行动 （四）创业投融资促进行动（五）创业服务提升行动 （六）创业文化营造行动三、众创空间支持政策 （一）降低市场准入门槛 （二）降低创业成本 四、众创空间保障措施 （一）强化统筹协调 （二）开展先行先试 （三）营造良好氛围
一、总体要求 （一）推进思路 为贯彻落实国家、省和市委、市政府的统一部署，大力实施“创业创新”行动，加强顶层设计，统筹协调联动，分工推进落实，集成政策支持，营造良好环境，使各类创业主体各显其能、各展其才，最大限度地激发全民创业潜力、释放创业活力；大力发展新技术、新产品、新业态、新模式，培育新的经济增长点，以创业促创新，以创业促就业，以创业促发展，为深入实施创新驱动发展战略提供新动能。 （二）实施原则 坚持市场导向，转变政府职能。充分发挥市场在资源配置中的决定性作用，以社会力量为主构建市场化的众创空间，以满足个性化、多样化消费需求和开放式、体验式创新为重点，加强协调联动和政策集成，促进创新创意与市场需求和社会资本有效对接。 创新服务模式，促进开放共享。通过市场化机制、专业化服务和资本化途径，有效集成创业服务资源，提供低成本、便利化、全要素的增值服务。充分运用互联网和开源技术构建开放创新创业平台，加强技术转移，整合利用全球创新资源，加强产学研合作，促进科技资源开放共享。 强化科技支撑，激发创业活力。发挥科技创新支撑作用，运用互联网、大数据、云计算等现代信息技术，促进创新创业要素在更大范围内高效组合、优化配置，降低创业成本，整合各类社会资源和科技资源协同支持创新创业，依靠大众创新创业推进转型升级。
基于最小二乘模型的Bayes参数辨识方法
基于最小二乘模型的Bayes 参数辨识方法 王晓侃1，冯冬青2 1 郑州大学电气工程学院，郑州（450001） 2 郑州大学信息控制研究所，郑州（450001） E-mail ：wxkbbg@https://www.wendangku.net/doc/ab2495122.html, 摘 要：从辨识定义出发,首先介绍了Bayes 基本原理及其两种常用的方法,接着重点介绍了基于最小二乘模型的Bayes 参数辨识,最后以实例用MATLAB 进行仿真,得出理想的辨识结果。 关键词:辨识定义；Bayes 基本原理；Bayes 参数辨识 中国图书分类号：TP273+.1 文献标识码：A 0 概述 系统辨识是建模的一种方法。不同的学科领域，对应着不同的数学模型，从某种意义上讲，不同学科的发展过程就是建立它的数学模型的过程。建立数学模型有两种方法:即解析法和系统辨识。L. A. Zadehll 于1962年曾对”辨识”给出定义[1]:系统辨识是在对输入和输出观测的基础上，在指定的一类系统中，确定一个与被识别的系统等价的系统。一般系统输出y(n)通常用系统过去输出y(n-m)和现在输入u(n)及过去输入u(n-m)的函数描述 y(n)=f(y(n-1),y(n-2)，...，y(n-m y ), u(n),u(n-1),... ,u(n-m u ))=f(x(n),n) x(n)=[y(n-1),y(n-2),...y(n-m y ), u(n),u(n-1),...,u(n-m u )]’ 这里f(,)为未知函数关系，一般情况为泛函数，可以是线性函数或非线性函数，分别对应于线性或非线性系统，通常这个函数未知，但是局部输入输出数据可以测出，系统辨识的任务就是根据这部分信息寻找确定函数或确定系统来逼近这个未知函数。但实际上我们不可能找到一个与实际系统完全等价的模型。从实用的角度来看，系统辨识就是从一组模型中选择一个模型，按照某种准则，使之能最好地拟合由系统的输入输出观测数据体现出的实际系统的动态或静态特性。接下来本文就以最小二乘法为基础的Bayes 辨识方法为例进行分析介绍并加以仿真[4]。 1 Bayes 基本原理 Bayes 辨识方法的基本思想是把所要估计的参数看做随机变量,然后设法通过观测与该参数有关联的其他变量,以此来推断这个参数。 设μ是描述某一动态系统的模型，θ是模型μ的参数，它会反映在该动态系统的输入输出观测值中。如果系统的输出变量z(k)在参数θ及其历史纪录(1) k D ?条件下的概率密度函 数是已知的，记作p(z(k)｜θ，(1) k D ?)，其中(1) k D ?表示（k-1）时刻以前的输入输出数据集 合，那么根据Bayes 的观点参数θ的估计问题可以看成是把参数θ当作具有某种先验概率密 度p （θ，(1) k D ?）的随机变量，如果输入u(k)是确定的变量，则利用Bayes 公式，把参数θ 的后验概率密度函数表示成[2] p (θ，k D ）= p (θ｜z (k ),u(k ), (1) k D ?)=p (θ｜z (k ),(1) k D ?) = (k-1) (k-1) p(z(k)/,D )p(/D ) (k-1)(k-1)p(z(k)/,D )p(/D )d θθθθθ∞∫?∞ (1) 在式(1)中,参数θ的先验概率密度函数p(θ｜(1) k D ?)及数据的条件概率密度函数p(z(k)｜θ，
负荷建模和参数辨识的遗传进化算法
ISSN 1000-0054CN 11-2223/N 清华大学学报(自然科学版)J T singh ua Un iv (Sci &Tech ),1999年第39卷第3期 1999,V o l.39,N o.311/34 37～40 负荷建模和参数辨识的遗传进化算法* 朱守真, 沈善德, 郑宇辉, 李 力, 艾 芊, 曲祖义 清华大学电机工程与应用电子技术系,北京100084; 东北电力集团公司,沈阳110006 收稿日期:1998-06-23 第一作者:女,1950年生,副教授 *基金项目:国家攀登计划B(85-35) 文 摘 提出了一种用于电力系统负荷建模和参数辨识的遗传进化算法,该方法与传统的最小二乘法相比具有全局搜索优化特点,适用于非线性、不连续或微分不连续的各种负荷模型。该方法已成功用于工业负荷实测数据辨识及动态和静态负荷建模。在静态负荷建模上,辨识结果略优于传统的最小二乘法,且通用性更好,只需做极小的修改就可以用于各种形式的静态负荷模型。在动态负荷建模上算法不仅给出了更优秀的结果,而且表现出很好的稳健性。结果表明此方法在负荷建模中的优势。 关键词 遗传进化算法;负荷建模;参数辨识分类号 T M 761 电力负荷模型是电力系统分析、规划、运行和计算的基础,尤其在计算中对电力系统动态行为的模拟结果影响很大。不同的计算需要采用不同的负荷模型,常规采用以不同比例的恒定阻抗、恒定电流、恒定功率或考虑不同动静比例负荷模型的方式使计算结果相差很大,甚至会导致完全错误的结论[1,2]。研究表明建立符合实际的负荷模型是十分必要的。负荷特性具有时变、非线形、不确定等多种特点,且实际负荷的用电设备构成差别很大,尤其是当电压或电流变化时,负荷产生突变,这也增加了建模的难度和复杂性。参数辨识是负荷建模的核心,目前常用的有最小二乘法、辅助变量法、分段线性多项式等方法,其中传统的方法不能有效地克服负荷建模中的非线性和不连续性等问题,会产生多值性等误差。近年来ANN 方法在建模方面已取得成功,但该方法更侧重于模拟模型的动态过程,且形成的结果是非参数模型。 遗传进化算法是模拟自然界进化中优胜劣汰的 优化过程,原则上能以较大的概率找到全局的最优解,具有并行、通用、鲁棒性强,全局收敛性好等优 点。研究人员已在发电规划[3],发电调度[4],无功优化[5]中用算例证明了EP 方法比传统的梯度寻优技术更优越。 本文采用遗传进化算法对静态、动态负荷进行了实测建模。 1 电力负荷的数学模型 本文主要描述以负荷特性来分类的静态和动态模型的建模方法。1.1 静态负荷模型 静态负荷模型表示某一时刻负荷所吸收的有功功率和无功功率与同一时刻负荷母线电压和频率之间的函数关系。静态负荷模型一般以幂函数和多项式模型表示。 本文以幂函数模型为例进行计算,幂函数表示的静态负荷特性如下: P =P 0U a 1f a 2, Q =Q 0 U b 1 f b 2 . (1) 定义误差函数 E w = N i =1 [W m (i )-W c (i )] 2 N (2)式中:N 为测量点数,W m (i )分别表示第i 次有功或无功功率测量值,W c (i )表示利用第i 次采样U i ,f i 的值由式(1)得到的有功或无功计算值,X p 、X q 是待辨识参数的向量: X p =[P 0,a 1,a 2], X q =[Q 0,b 1,b 2]. (3) 辨识问题表述为极小值寻优问题,即搜索一组参数使误差E w 达到最小值。1.2 动态负荷的模型 动态负荷模型表示某一时刻负荷所吸收的有功
机器人动力学汇总
机器人动力学研究的典型方法和应用 （燕山大学 机械工程学院） 摘 要：本文介绍了动力学分析的基础知识，总结了机器人动力学分析过程中比较常用的动力学分析的方法：牛顿—欧拉法、拉格朗日法、凯恩法、虚功原理法、微分几何原理法、旋量对偶数法、高斯方法等，并且介绍了各个方法的特点。并通过对PTl300型码垛机器人弹簧平衡机构动力学方法研究，详细分析了各个研究方法的优越性和方法的选择。 前 言：机器人动力学的目的是多方面的。机器人动力学主要是研究机器人机构的动力学。机器人机构包括机械结构和驱动装置，它是机器人的本体，也是机器人实现各种功能运动和操作任务的执行机构，同时也是机器人系统中被控制的对象。目前用计算机辅助方法建立和求解机器人机构的动力学模型是研究机器人动力学的主要方法。动力学研究的主要途径是建立和求解机器人的动力学模型。所谓动力学模指的是一组动力学方程（运动微分方程），把这样的模型作为研究力学和模拟运动的有效工具。 报告正文： （1）机器人动力学研究的方法 1）牛顿—欧拉法 应用牛顿—欧拉法来建立机器人机构的动力学方程，是指对质心的运动和转动分别用牛顿方程和欧拉方程。把机器人每个连杆（或称构件）看做一个刚体。如果已知连杆的表征质量分布和质心位置的惯量张量，那么，为了使连杆运动，必须使其加速或减速，这时所需的力和力矩是期望加速度和连杆质量及其分布的函数。牛顿—欧拉方程就表明力、力矩、惯性和加速度之间的相互关系。 若刚体的质量为m ，为使质心得到加速度a 所必须的作用在质心的力为F ，则按牛顿方程有：ma F = 为使刚体得到角速度ω、角加速度εω= 的转动，必须在刚体上作用一力矩M ， 则按欧拉方程有：εωI I M += 式中，F 、a 、M 、ω、ε都是三维矢量；I 为刚体相对于原点通过质心并与刚
众创空间建设方案最新内容
众创空间建设方案最新内容 为贯彻落实党的十八届三中、四中全会提出的“大众创业，万众创新”的“众创空间”战略，为更好地加快我市民营经济发展，着力解决我市民营经济发展中的突出问题，促进我市民营经 济持续健康快速发展，激发全民创新创业热情，实现我市十三五“激活存量、扩大增量、调优结构、培养龙头、做精产品、延长 链条、经济指标实现翻番增长”的奋斗目标，按照总体要求，结 合我市实际，特制定建设如下方案，请领导审核。 一、建设众创空间的重要意义 近年来，围绕“三三”发展战略、“六大发展”发展重点，不断进行产业结构调整与升级，随着民营经济发展步伐迅速加 快，经济发展主体的多元化需求不断增加，一批企业家主体（包 括企业中层管理、营销、科技人员）、外出务工经 商人员、在校大学生和毕业生、农村致富带头人的创业热情不断高涨，等等，设立综合创业孵化与实训基地的各项要素已经完全具备。但是创业初始阶段普遍存在规模偏小、布局分散、产业层次低、用地难、融资难、应对风险能力弱等问题。为解决创业主体创业中存在的热点难点问题，通过政府引导、市场运作、政策支持等措施，建立我市综合创业孵化与实训基地，为广大创业者开辟一片“试验田”，起到积极的示范作用和龙头带动作用，引导广大创业者走合法、优质、高效的创业道路，储备一批成长性中小企业，培育一批
规模创新企业，为我市经济发展提供后续动力，对提升我市经济发展水平和促进民营经济快速发展具有重要意义。 二、指导思想、组织机构与工作目标 （一一）指导思想和整体思路 指导思想是探索创新创业企业做大做强的新途径。通过激发民众、大学生和企业高科技人才为主的各类创业者的创业热情、提升创业能力，以市专利转化促进会为依托，建设创业实训众创空间，孵化一批自主创业实体，以点带面推进我市“创业富民、创新强市”的新型战略和创业型城市创建工作以及民营经济的快速发展。 整体思路是以建设创新创业孵化器为突破，夯实科技发展基础；以增强科技孵化能力为重点，打造“大众创业服务、万众创新服务和科技成果转化服务”的“众创空间”服务平台;以市场为导向，采用现代企业和科技管理运营模式，充分利用社会及民间资源，强化与大专院校、科研部门的技术联合，为广大创新创业人员提供良好的工作空间、网络空间、社交空间和资源空间，以创业促进就业，孵化培育一大批创新型小微企业，形成新的产业业态，为建设创新创业型潞城提供科技支撑和新的经济增长点。 （二）组织机构 建议成立由科技X牵头，财政、经信、中小企业X等部门参加的创业众创空间建设工作领导小组，负责统筹开展众
Bouc-Wen 滞回模型的参数辨识
上海交通大学 硕士学位论文 Bouc-Wen滞回模型的参数辨识及其在电梯振动建模中的应用 姓名：周传勇 申请学位级别：硕士 专业：机械设计及理论 指导教师：李鸿光 20080201
Bouc-Wen滞回模型的参数辨识 及其在电梯振动建模中的应用 摘 要 电梯导靴是连接轿箱系统与导轨的装置，它能起到导向和隔振减振的作用。同时，在电梯的运行过程中它又将导轨由于制造或安装所造成的表面不平顺度传递给轿箱系统，从而引起轿箱系统的水平振动。国内外学者在电梯水平振动的建模和分析中，往往把导靴视为线性弹簧-阻尼元件来建模而忽略了非线性因素。事实上导靴与导轨之间存在非线性的迟滞摩擦力，本文通过实验的方法，采用Bouc-Wen 滞回模型来建立导靴-导轨非线性摩擦力模型。 Bouc-Wen滞回模型因其微分形式的非线性表达式而使得其参数辨识存在较大的困难，本文利用模型中部分参数的不敏感性，通过数学变换将非线性参数辨识问题转化为线性参数辨识问题，从而使得问题大大简化，参数辨识的效果也能满足要求。 基于以上导靴-导轨间摩擦力模型，本文进而建立了轿箱-导轨耦合水平振动动力学模型，该模型将轿箱系统等效为2自由度的平面运动刚体，将导靴等效为质量-弹簧-阻尼单元，同时考虑了导靴-导轨间的非线性摩擦力，以及导靴靴衬与导轨间接触的不连续性等。 在建立了轿箱-导轨耦合水平振动动力学模型后，利用Matlab/Simulink，建立了相应的仿真模型，开展了几种典型导轨不
平顺度激励（弯曲、失调和台阶）下的仿真分析。研究结果表明，这些分析对于电梯结构优化设计和动力学建模与分析有理论指导意义。 关键词：迟滞，参数辨识，非线性，动力学建模，系统仿真
众创空间建设工作实施方案
众创空间建设工作方案 众创空间建设工作方案是怎么样的呢?今天我们一起看看吧! 为贯彻落实省委办公厅、省政府办公厅《关于印发〈发展众创空间推进大众创新创业实施方案(2015-2020 年)〉的通知》(苏办发〔2015 〕34 号)精神，深入实施“创业江苏”行动，大力推进众创空间建设，激发全社会创新创业活力，营造良好创新创业生态环境，特制订本工作方案。 一、工作思路 深入实施“创业江苏”行动，通过上下联动，集成政策支持，建设一批众创空间等新型创业服务平台;通过市场化机制、专业化服务和资本化途径，有效集成创业服务资源，打造众创空间、孵化器、加速器、科技园区，形成点、线、面相结合的创新创业孵化服务链条;探索建设众创集聚区，提升创新创业服务能力。 二、工作目标
通过省地联动，形成推进众创空间建设的协同机制。全省建设一批纳入省级以上科技企业孵化器管理的众创空间、一批省级以上科技创业孵化链条和一批众创集聚区， 孵化培育一批创新型企业，推动人才、技术、资本等创新要素向江苏集聚，加快形成大众创业、万众创新的生动局面。 三、重点任务 （一）加快众创空间建设步伐。充分发挥市场配置资源的决定性作用，鼓励行业领军企业、国有大中型企业、高校、科研机构、投资机构、行业组织等社会力量投资建设或管理运营创客空间、创业咖啡、创新工场等新型孵化载体，鼓励引进国际国内知名创客孵化培育管理模式，打造一批低成本、便利化、全要素、开放式的众创空间。各市、高新区要充分利用老旧厂房、闲置房屋、商业设施等资源进行整合和改造提升，为众创空间提供免费或低租金的场地。现有科技企业孵化器和大学科技园，要利用资源优势和孵化经验，通过新建或改造，发展一批众创空间。推进“互联网+ ”与传统创业载体融合，发展“线上虚拟空间与“线下实体空间”相结合的新型众创平台，通过线上线下相结合，为“创客”群体拓展创业空间。 （二）开展科技创业孵化链条试点。支持有条件的孵化器开
参数辨识示例 报告
参数辨识 参数辨识的步骤 飞行器气动参数辨识是一个系统工程，包括四部分：①试验设计，使试验能为辨识提供含有足够信息量且信息分布均匀的试验数据；②气动模型结果确定，即从候选模型集中，根据一定的准则和经验，选出最优的气动模型构式；③气动参数辨识，根据辨识准则和数据求取模型中待定参数，这是气动辨识定量研究的核心阶段；④模型检验，确认所得气动模型是否确实反映了飞行器动力学系统中气动力的本质属性。这四个部分环环相扣，缺一不可，要反复进行，直到对所得气动模型满意为止。 参数辨识的方法 参数辨识方法主要有最小二乘算法、极大似然法、集员辨识法、贝叶斯法、岭估计法、超椭球法和鲁棒辨识法等多种辨识方法。虽然目前参数辨识的领域己经发展了多种算法，但是用于气动参数估计的算法主要有：极大似然法(ML)，广义Kalman滤波(EKF)法，模型估计法(EBM )、分割及多分割算法(PIA及MPIA)、最小二乘法，微分动态规划法等。 因为最小二乘法和极大似然法是两种经典的算法，目前己经发展得相当成熟。最小二乘法适于线性模型的参数辨识，可以用于飞行器系统辨识中很多的线性模型，如惯性仪表误差系数的辨识，线性时变离散系统初始状态的辨识及多项式曲线拟合等。目前最小二乘法已经广泛应用于工程实际中。而极大似然算法因其具有渐进一致性、估计的无偏性、良好的收敛特性等特点而被广泛应用于飞行器参数辨识领域。 最小二乘法大约是1975年高斯在其著名的星体运动轨道预报研究工作中提出来的。后来，最小二乘法就成了估计理论的奠基石。由于最小二乘法原理简单，编程容易，所以它颇受人们重视，应用相当广泛。 极大似然估计算法在实践中不断地被加以改进，这种改进主要表现在三个方
基于最小二乘法的系统参数辨识
基于最小二乘法的系统参数辨识 研究生二队李英杰 082068 摘要：系统辨识是自动控制学科的一个重要分支，由于其特殊作用，已经广泛应用于各种领域，尤其是复杂系统或参数不容易确定的系统的建模。过去，系统辨识主要用于线性系统的建模，经过多年的研究，已经形成成熟的理论。但随着社会、科学的发展，非线性系统越来越受到人们的关注，其控制与模型之间的矛盾越来越明显，因而非线性系统的辨识问题也越来越受到重视，其辨识理论不断发展和完善本。文重点介绍了系统参数辨识中最小二乘法的基本原理，并通过热敏电阻阻值温度关系模型的辨识实例，具体说明了基于最小二乘法参数辨识在Matlab中的实现方法。结果表明基于最小二乘法具有算法简单、精度较高等优点。 1. 引言 所谓辨识就是通过测取研究对象在人为输入作用下的输出响应，或正常运行时的输入输出数据记录，加以必要的数据处理和数学计算，估计出对象的数学模型。这是因为对象的动态特性被认为必然表现在它的变化着的输入输出数据之中，辨识只不过是利用数学的方法从数据序列中提炼出对象的数学模型而已[1]。最小二乘法是系统参数辨识中最基本最常用的方法。最小二乘法因其算法简单、理论成熟和通用性强而广泛应用于系统参数辨识中。本文基于热敏电阻阻值与温度关系数据，介绍了最小二乘法的参数辨识在Matlab中的实现。 2. 系统辨识 一般而言，建立系统的数学模型有两种方法：激励分析法和系统辨识法。前者是按照系统所遵循的物化（或社会、经济等）规律分析推导出模型。后者则是从实际系统运行和实验数据处理获得模型。如图1 所示，系统辨识就是从系统的输入输出数据测算系统数学模型的理论和方法。更进一步的定义是L.A.Zadeh 曾经与1962 年给出的，即“系统辨识是在输入和输出的基础上，从系统的一类系统范围内，确立一个与所实验系统等价的系统”。另外，系统辨识还应该具有3 个基本要素，即模型类、数据和准则[5]。被辨识系统模型根据模型形式可分为参数模型和非参数模型两大类。所谓参数模型是指微分方程、差分方程、状态方程等形式的数学模型；而非参数模型是指频率响应、脉冲响应、传递函数等隐含参数的数学模型。在辨识工程中，模型的确定主要根据经验对实际对象的特性进行一定程度上的假设，如对象的模型是线性的还是非线性的、是参数模型还是非参数模型等。在模型确定之后，就可以根据对象的输入输出数据，按照一定的辨识算法确定模型的参数[4]。 图1 被研究的动态系统 3. 最小二乘法（LS）参数估计方法 对于参数模型辨识结构，系统辨识的任务是参数估计，即利用输入输出数据估计这些参数，建立系统的数学模型。在参数估计中最常用的是最小二乘法(LS)、
众创空间运营方案
众创空间运营方案 一、 运营目标 方正智谷创客空间的运营，主要以达成以下效果为目标： （一） 众创空间由备案状态升级为获认定的众创空间 （二） 提升方正产业园的形象和品牌知名度 （三） 服务园内客户，加强与客户的联系，为客户提供有价值的服务 二、 关键衡量指标 按照《苏州工业园区关于发展众创空间推动大众创新创业的实施意见》的相关规定，一个成熟的众创空间应该具有以下几个因素： （一） 孵化场地，为初创团队免费提供 （二） 孵化基金，可以自己出资设立，也可以与投资机构合作 （三） 创业导师，主要是四类人士：投资机构负责人、高校教授、某一领 域专家、知名公司副总以上或创业成功的企业家 （四） 创业项目，至少3-5个，并且每隔一段时间要有所增长，以我们的备 案时间计算，目前需要10个以上的创业项目 （五） 第三方服务机构，可以为企业提供所需的全方位、一站式服务 （六） 沙龙/培训活动，面向创业者免费提供，常规化举办 三、 三大板块 针对众创空间的三大目标，可以将工作大致分为三大板块：即项目板块、活动版块和服务板块，每一个板块之间既相互独立，又互相融合。其关系如下图所示：
其中，活动版块以活动的策划、组织和宣传为主，对应众创空间的品牌目标，同时也是众创空间为各个客户和项目团队提供的主要服务。活动的举办次数是众创空间绩效考核的重要内容之一。目前举办活动的主要方式是通过与合作服务商联合举办的方式，但效果一般。以后可以多参加其他孵化器的活动，借鉴吸收其经验，将活动效果较好的分享者引进为我们的合作服务商，使我们的活动越来越活跃，越来越有价值。 项目板块是衡量众创空间运营情况的核心指标，目前我们已经对产业园内的5个项目进行了包装，但是目前有些工作还待完善，尚未进入园区路演环节。项目的来源有以下几种途径：1.在产业园内项目进行挖掘和包装，2.从产业园外进行寻找和引进，3.通过产业园内客户介绍。 服务板块包括工商注册、代税代账、融资、政策申报等内容，既是众创空间为企业提供的全方位、一站式服务的内涵，同时也是产业园为客户提供的增值服务的一部分。做好了这一块，将有效提升客户对我们的好感度和好评度。我们要不断扩充相关领域的合作服务商的数量，同时也要积极介入，学习掌握相关知识（比如政策申报的流程、条件等）。 四、具体方案 众创空间每个运营板块既互相独立，又相互融合，具体方案如下： （一）项目板块 项目板块以项目的引进和包装为主线，与服务板块相关联。
基于动力学模型的轮式移动机器人运动控制_张洪宇
文章编号：1006-1576（2008）11-0079-04 基于动力学模型的轮式移动机器人运动控制 张洪宇，张鹏程，刘春明，宋金泽 （国防科技大学机电工程与自动化学院，湖南长沙 410073） 摘要：目前，对不确定非完整动力学系统进行设计的主要方法有自适应控制、预测控制、最优控制、智能控制等。结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器的设计和研究进展进行综述，并分析今后的重点研究方向。 关键词：轮式移动机器人；动力学模型；运动控制；非完整系统 中图分类号：TP242.6; TP273 文献标识码：A Move Control of Wheeled Mobile Robot Based on Dynamic Model ZHANG Hong-yu, ZHANG Peng-cheng, LIU Chun-ming, SONG Jin-ze (College of Electromechanical Engineering & Automation, National University of Defense Technology, Changsha 410073, China) Abstract: At present, methods of non-integrity dynamic systems design mainly include adaptive control, predictive control, optimal control, intelligence control and so on. Based on analyzing the recent results in modeling of WMR dynamics, a survey on motion control of WMR based on dynamic models was given. In addition, future research directions on related topics were also discussed. Keywords: Wheeled mobile robot; Dynamic model; Motion control; Non-integrity system 0 引言 随着生产的发展和科学技术的进步，移动机器人系统在工业、建筑、交通等实际领域具有越来越广泛的应用和需求。进入21世纪，随着移动机器人应用需求的扩大，其应用领域已从结构化的室内环境扩展到海洋、空间和极地、火山等环境。较之固定式机械手，移动机器人具有更广阔的运动空间，更强的灵活性。移动机器人的研究必须解决一系列问题，包括环境感知与建模、实时定位、路径规划、运动控制等，而其中运动控制又是移动机器人系统研究中的关键问题。故结合WMR动力学建模理论的研究成果，对基于动力学模型的WMR运动控制器设计理论和方法的研究进展进行研究。 1 WMR动力学建模 有关WMR早期的研究文献通常针对WMR的运动学模型。但对于高性能的WMR运动控制器设计，仅考虑运动学模型是不够的。文献[1]提出了带有动力小脚轮冗余驱动的移动机器人动力学建模方法，以及WMR接触稳定性问题和稳定接触条件。文献[2]提出一种新的WMR运动学建模的方法，这种方法是基于不平的地面，从每个轮子的雅可比矩阵中推出一个简洁的方程，在这新的方程中给出了车结构参数的物理概念，这样更容易写出从车到接触点的转换方程。文献[3]介绍了与机器人动作相关的每个轮子的雅可比矩阵，与旋转运动的等式合并得出每个轮子的运动方程。文献[4]基于LuGre干摩擦模型和轮胎动力学提出一种三维动力学轮胎/道路摩擦模型，不但考虑了轮胎的径向运动，同时也考虑了扰动和阻尼摩擦下动力学模型，模型不但可以应用在轮胎/道路情况下，也可应用在对车体控制中。在样例中校准模型参数和证实了模型，并用于广泛应用的“magic formula”中，这样更容易估计摩擦力。在文献[5]中同时考虑运动学和动力学约束，其中提出新的计算轮胎横向力方法，并证实了这种轮胎估计的方法比线性化的轮胎模型好，用非线性模型来模拟汽车和受力计算，建立差动驱动移动机器人模型，模型本身可以当作运动控制器。 2 WMR运动控制器设计的主要发展趋势 在WMR控制器设计中，文献[6]给出了全面的分析，WMR的反馈控制根据控制目标的不同，可以大致分为3类：轨迹跟踪（Trajectory tracking）、路径跟随（Path following）、点镇定（Point stabilization）。轨迹跟踪问题指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随给定的参考轨迹。路径跟随问题是指在惯性坐标系中，机器人从给定的初始状态出发，到达并跟随指定的几何 收稿日期：2008-05-19；修回日期：2008-07-16 作者简介：张洪宇（1978-）男，国防科学技术大学在读硕士生，从事模式识别与智能系统研究。 ，
模态参数辨识方法——综述
模态参数辨识方法综述 摘要：本文对模态分析和模态参数识别进行了综述，对当前识别方法的原理、识别精度及适用条件进行阐述和比较，提出环境激励下模态参数识别方法需解决的关键问题及模态分析在缺陷检测和结构优化中作用。 关键词：模态分析模态参数识别模态分析与缺陷检测结构工作模态 0引言 模态分析是将线性时不变系统振动微分方程组中的物理坐标变换为模态坐标，使方程组解耦，成为一组以模态坐标及模态参数描述的独立方程，坐标变换的变换矩阵为振型矩阵，其每列即为各阶振型。模态是机械结构的固有振动特性，每一个模态具有特定的固有频率、阻尼比和模态振型。这些模态参数可以由计算或试验分析取得，这样一个计算或试验分析过程称为模态分析。振动模态是弹性结构固有的、整体的特性。如果通过模态分析方法搞清楚了结构物在某一易受影响的频率范围内，各阶主要模态的特性，就可能预知结构在此频段内，在外部或内部各种振源作用下实际振动响应，而且一旦通过模态分析知道模态参数并给予验证，就可以把这些参数用于（重）设计过程，优化系统动态特性，或者研究把该结构连接到其他结构上时所产生的影响。模态分析的最终目标是识别出系统的模态参数，为结构系统的振动分析、振动故障诊断和预报、结构动力特性的优化设计提供依据。 解析模态分析可用有限元计算实现，而实验模态分析则是对结构进行可测可控的动力学激励，由激振力和响应的信号求得系统的频响函数矩阵，再在频域或转到时域采用多种识别方法求出模态参数，得到结构固有的动态特性，这些特性包括固有频率、振型和阻尼比等。有限元法是当前分析机械结构模态的主要方法，很多学者研究了单裂缝和多裂缝缺陷对不同结构动态特性的影响，但这些研究仅局限于出现缺陷结构的当前状态，考虑到缺陷在机械结构使用过程中的扩展，提出了模态分析与缺陷扩展理论相结合的方法分析缺陷的发展趋势，便于机械结构剩余寿命的评估，使已达到设计寿命的结构在失效前仍然发挥其功能，节约了经济成本。 一般模态识别方法是基于实验室条件下的频率响应函数进行的参数识别方法，它要求同时测得结构上的激励和响应信号。但是，在许多工程实际应用中，工作条件和实验室条件相差很大，对一些大型结构无法施加激励或施加激励费用很昂贵，因此要求识别结构在工作条件下的模态参数。工作模态参数识别方法与传统模态参数识别方法相比有如下特点：一、仅
遗传算法工具箱识别(GA)Bouc-Wen模型参数辨识_识别
Bouc-Wen模型因数字处理方便简单而得到较为广泛的应用，力可以表示为： 利用遗传算法工具箱（GA）对Bouc-Wen模型进行参数识别。 实验数据来源于对磁流变阻尼器（MR damper）进行性能测试，试验获得的数据包括力F，位移x，采用频率已知，速度和加速度可以由位移求导得出。 参数识别出现程序如下：（文件名：Copy_0_of_BoucWen） function j=myfung(x) y0=[0]; yy=y0; tspan=[]'; s=[]'; v=[]'; Ft=[]'; rr=max(size(s));%计算数据个数 i=1; while (i