公共文化服务平台

共 6 条记录，以下是 1-6

全选清除导出

排序方式：

基于UKF的农用履带机器人滑动参数估计被引量：8: 2014年; 为了实时获取农用履带机器人运行过程中履带与地面之间的滑动信息,改善机器人控制精度,在对履带机器人运动学原理进行分析的基础上,推导了机器人运动学方程和非线性测量方程,设计了基于无迹卡尔曼滤波的滑动参数估计系统,实时估计出机器人精确姿态,并根据机器人的运动特性重建不可测的滑动量。实验结果表明:滑动参数估计系统可以提供准确和高更新率的滑动量,为农用履带机器人的精确控制提供依据。; 焦俊汪宏喜陈祎琼储刚秀肖光陆林; 关键词：无迹卡尔曼滤波

基于输入模糊化的农用履带机器人自适应滑模控制被引量：12: 2015年; 针对农用履带机器人控制系统易受到参数慑动和外部扰动影响的特点,将模糊理论与滑模控制结合起来,提出了基于模糊逻辑的自适应滑模控制,以提高控制精度与稳定性。首先,推演了履带机器人运动学模型,分析了模型的特点。其次,设计了一种含有积分项的滑模面,构建了基于等效控制和切换控制的模糊滑模自适应控制,既保留了滑模控制的快速性和鲁棒性,又很好地抑制了抖振。仿真与实验结果表明,与常规的滑模控制方法相比,该控制不仅对外部扰动及参数摄动具有较强的自适应性和鲁棒性,而且具有动态响应快、跟踪性能好的特点,适用于履带机器人控制系统。; 焦俊孔文王强陈黎卿辜丽川高雅; 关键词：模糊滑模控制滑动模态

基于数据中心流量特征的端到端流量估计算法被引量：1: 2017年; 数据中心是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心需要遵循数据中心网络的端到端流量特征。然而直接地测量网络的端到端流量需要耗费巨大的软件成本和硬件成本,并且由于数据中心网络结构的特殊性,传统的计算机网络采用的流量估计方法也无法适用于现有的数据中心网络。为解决以上问题,首先依据数据中心的资源分配和链路利用率情况提取出网络的粗粒度流量特征,在此基础上提出一种基于重力模型和网络层析技术的数据中心端到端流量估计算法。与现有的流量推理算法Tomogravity和ELIA在NS3搭建的不同规模的数据中心网络中进行性能对比,实验结果表明,所提算法能有效地利用提取出的粗粒度流量特征,在保证计算效率的前提下将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求。; 乔焰焦俊饶元; 关键词：数据中心网络网络测量网络层析成像

基于压缩感知的农田温度信息处理被引量：2: 2015年; 由于农田温度信息在离散余弦基(DCT)下的近似稀疏性,采用压缩感知(CS)技术对每块农田温度信息进行压缩和重构,即将温度信息投影到随机高斯观测矩阵,在接收端通过OMP算法重构出每块农田的温度信息。仿真试验结果表明,在较为稳定的网络环境中,CS算法能够以较少的观测值实现对原始信号的精确重建,降低节点能耗,延长网络生命周期。; 焦俊王强范国华王超古冉辜丽川; 关键词：压缩感知离散余弦变换

基于UKF和SMO农用履带机器人滑动参数计算被引量：6: 2015年; 为保证农用履带机器人在农田环境下的稳定行驶,减少滑动现象,提出了基于UKF(Unscented Kalman Filter)和SMO(Sliding Mode Observer)的滑移参数估算方法。利用UKF算法融合机器人的运动方程和测量方程,补偿传感器的测量误差,重建机器人的姿态。建立左、右履带滑动参数和滑移角的滑模观测器,引入双曲正切函数作为滑模观测器的切换函数,减弱滑模观测器符号切换函数引起的抖振,实现对滑动参数的精确估算。仿真和实验结果表明:该方法可以提供准确和高更新率的滑动量,为农用履带机器人的精确控制提供依据。; 焦俊孔文辜丽川王强高雅袁晨晨; 关键词：无迹卡尔曼滤波滑模观测器

重力模型的数据中心网络流量推理算法: 2016年; 数据中心网络是云计算等大型分布式计算服务的基础,有效地设计与管理数据中心网络需要遵循该网络的流量特征。而目前直接对数据中心网络进行端到端地流量测量是非常困难的,间接地通过SNMP数据推理得到端到端流量的方法已在传统计算机网络中得到认可,但无法直接应用于现有的数据中心网络。为了解决以上问题,提出一种基于重力模型的数据中心网络流量推理算法,首先根据数据中心网络流量的条件独立性将网络拓扑分解为若干子集,在此基础上提出相关定理可准确地计算出网络中的粗粒度流量,最后利用重力模型和网络层析技术得到细粒度端到端流量。通过与现有的流量推理算法SRMF和ELIA在NS3搭建的不同规模的数据中心网络中做性能对比,实验结果表明新算法能有效地利用数据中心拓扑结构特点,在保证计算效率的前提下,将计算准确度大幅提升,可满足当前数据中心网络实时获取端到端流量数据的需求,为今后数据中心网络的设计和研究提供了重要参考依据。; 乔焰焦俊饶元; 关键词：数据中心网络网络测量

全选清除导出

共1页<1>

安徽省高校省级自然科学研究项目(KJ2014A074)