李文静
- 作品数：3 被引量：22H指数：3
- 供职机构：合肥工业大学计算机与信息学院更多>>
- 发文基金：国家自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于RBF神经网络的机器人的路径跟踪控制被引量：4
- 2015年
- 文章针对双轮移动机器人的路径跟踪问题,提出了基于反演法的运动学控制和滑模动力学控制相结合的控制算法,运动学控制器解决位姿和跟踪速度之间的控制关系,动力学控制器解决机器人的姿态和控制电压之间的控制关系;为了减小传统运动学控制器的跟踪误差、提高路径跟踪控制的特性,采用RBF神经网络对控制器的不确定参数进行在线自适应学习。仿真结果表明,文中提出的基于RBF神经网络自适应算法比传统控制算法具有更优越的跟踪效果。
- 杨兴明李文静朱建
- 关键词：移动机器人神经网络滑模控制动力学模型
- 基于滑模控制器的四旋翼飞行器控制被引量：10
- 2016年
- 文章针对四旋翼飞行器的飞行控制设计了滑模控制器。针对飞行器的高度控制,设计了一种基于滑模控制方法的控制器,并根据李雅普诺夫稳定性理论证明了飞行器系统的所有信号最终是一致有界的;针对飞行器的姿态控制设计了滑模控制器,并对其进行了稳定性证明,且针对该控制器产生较大抖振的问题提出了采用双幂次趋近率的改进方法。仿真结果证明了设计的控制器能较好地控制四旋翼飞行器。
- 杨兴明李文静
- 关键词：四旋翼飞行器滑模控制抖振
- 融合感知损失的生成式对抗超分辨率算法被引量：8
- 2019年
- 目的现有的基于深度学习的单帧图像超分辨率重建算法大多采用均方误差损失作为目标优化函数,以期获得较高的图像评价指标,然而重建出的图像高频信息丢失严重、纹理边缘模糊,难以满足主观视觉感受的需求。同时,现有的深度模型往往通过加深网络的方式来获得更好的重建效果,导致梯度消失问题的产生,训练难度增加。为了解决上述问题,本文提出融合感知损失的超分辨率重建算法,通过构建以生成对抗网络为主体框架的残差网络模型,提高了对低分率图像的特征重构能力,高度还原图像缺失的高频语义信息。方法本文算法模型包含生成器子网络和判别器子网络两个模块。生成器模块主要由包含稠密残差块的特征金字塔构成,每个稠密残差块的卷积层滤波器大小均为3×3。通过递进式提取图像不同尺度的高频特征完成生成器模块的重建任务。判别器模块通过在多层前馈神经网络中引入微步幅卷积和全局平均池化,有效地学习到生成器重建图像的数据分布规律,进而判断生成图像的真实性,并将判别结果反馈给生成器。最后,算法对融合了感知损失的目标函数进行优化,完成网络参数的更新。结果本文利用峰值信噪比(PSNR)和结构相似度(SSIM)两个指标作为客观评价标准,在Set5和Set14数据集上测得4倍重建后的峰值信噪比分别为31. 72 d B和28. 34 d B,结构相似度分别为0. 892 4和0. 785 6,与其他方法相比提升明显。结论结合感知损失的生成式对抗超分辨率重建算法准确恢复了图像的纹理细节,能够重建出视觉上舒适的高分辨率图像。
- 杨娟李文静汪荣贵薛丽霞
- 关键词：超分辨重建卷积神经网络
