信息與系統(tǒng)科學(xué)相關(guān)工程與技術(shù)

熊偉清，魏平

周樹德，孫增圻

李培華

原魁，李園，房立新

王田苗，孟偲，裴葆青，等

蒲亦非，王衛(wèi)星

張福海，付宜利，王樹國(guó)

孫明軒，畢宏博

郭偉斌，陳勇

張勇，鞏敦衛(wèi)，張婉秋

范九倫，雷博

楊波，敬忠良

韓守東，趙勇，陶文兵，等

顧鑫，王海濤，汪凌峰，等

王相海，方玲玲，叢志環(huán)

賈鶴鳴，張利軍，程相勤，等

席裕庚，李德偉

侯忠生，許建新

張強(qiáng)，郭寶龍

柴天佑

王永忠，梁彥，趙春暉，等

李樹濤，魏丹

王永忠，梁彥，潘泉，等

岳峰，左旺孟，王寬全

周東華，胡艷艷

?

信息與系統(tǒng)科學(xué)相關(guān)工程與技術(shù)

二進(jìn)制蟻群進(jìn)化算法

熊偉清，魏平

摘要：從生物進(jìn)化角度將群體中的每只昆蟲看成一個(gè)神經(jīng)元，彼此之間通過(guò)隨機(jī)、松散的連接組成一個(gè)神經(jīng)網(wǎng)絡(luò)；然后類似于人工神經(jīng)網(wǎng)絡(luò)模擬螞蟻群體智能，提出了一個(gè)二元網(wǎng)絡(luò)。由于采用二進(jìn)制編碼對(duì)單個(gè)螞蟻的智能行為要求比較低，對(duì)應(yīng)的存儲(chǔ)空間相對(duì)較少，使得算法的效率有較大的提高。通過(guò)測(cè)試函數(shù)優(yōu)化和多維0/1背包問(wèn)題結(jié)果表明該算法具有較好的收斂速度和穩(wěn)定性，非常好的求解結(jié)果。 分布估計(jì)算法是進(jìn)化計(jì)算領(lǐng)域新興起的一類隨機(jī)優(yōu)化算法，是當(dāng)前國(guó)際進(jìn)化計(jì)算領(lǐng)域的研究熱點(diǎn)。分布估計(jì)算法是遺傳算法和統(tǒng)計(jì)學(xué)習(xí)的結(jié)合，通過(guò)統(tǒng)計(jì)學(xué)習(xí)的手段建立解空間內(nèi)個(gè)體分布的概率模型，然后對(duì)概率模型隨機(jī)采樣產(chǎn)生新的群體，如此反book=34,ebook=38復(fù)進(jìn)行，實(shí)現(xiàn)群體的進(jìn)化。分布估計(jì)算法中沒(méi)有傳統(tǒng)的交叉、變異等遺傳操作，是一種全新的進(jìn)化模式；這種優(yōu)化技術(shù)能夠通過(guò)概率圖模型對(duì)變量之間的關(guān)系進(jìn)行建模，從而能有效的解決多變量相關(guān)的優(yōu)化問(wèn)題。根據(jù)概率模型的復(fù)雜性，該文按照變量無(wú)關(guān)、雙變量相關(guān)、多變量相關(guān)等三類分別介紹相應(yīng)的分布估計(jì)算法。作為一篇綜述性文章，該文旨在全面系統(tǒng)的向國(guó)內(nèi)讀者介紹這一新技術(shù)，并總結(jié)分布估計(jì)算法的研究現(xiàn)狀和未來(lái)的研究方向。 該文主要針對(duì)經(jīng)典的Mean Shift跟蹤算法均勻剖分整個(gè)顏色空間造成許多空的直方圖區(qū)間以及不能準(zhǔn)確表達(dá)目標(biāo)顏色分布的缺點(diǎn)，提出了一種改進(jìn)算法。該改進(jìn)算法首先對(duì)目標(biāo)的顏色進(jìn)行聚類分析，根據(jù)聚類結(jié)果通過(guò)矩陣分解和正交變換自適應(yīng)地剖分目標(biāo)的顏色空間從而確定對(duì)應(yīng)于每一聚類的子空間。在此基礎(chǔ)上定義了一種新的顏色模型，該模型統(tǒng)計(jì)落入每一顏色子空間的像素的加權(quán)個(gè)數(shù)并用高斯分布建模每一個(gè)子空間的顏色分布，并推導(dǎo)了一種相似性度量來(lái)比較目標(biāo)和候選目標(biāo)的顏色模型之間的相似程度。最后基于該顏色模型提出了改進(jìn)算法。實(shí)驗(yàn)表明，基于該顏色模型的改進(jìn)算法比經(jīng)典的Mean Shift算法具有更好的性能，而跟蹤時(shí)間與經(jīng)典算法大致相同。 多移動(dòng)機(jī)器人系統(tǒng)具有廣泛的應(yīng)用前景，也是近年來(lái)機(jī)器人研究的熱門課題之一。該文對(duì)國(guó)內(nèi)外近年來(lái)關(guān)于多移動(dòng)機(jī)器人系統(tǒng)的研究工作進(jìn)行了總結(jié)和分析，重點(diǎn)介紹了多機(jī)器人系統(tǒng)的任務(wù)規(guī)劃、運(yùn)動(dòng)規(guī)劃、協(xié)調(diào)控制等問(wèn)題的研究發(fā)展現(xiàn)狀。最后指出了多移動(dòng)機(jī)器人系統(tǒng)研究急需解決的若干重要問(wèn)題。 首先，詳細(xì)介紹和分析了國(guó)內(nèi)外仿壁虎機(jī)器人的研究現(xiàn)狀。然后，討論比較了仿生壁虎機(jī)器人所涉及的關(guān)鍵技術(shù)的優(yōu)缺點(diǎn)。最后，在前面分析比較基礎(chǔ)上對(duì)未來(lái)的發(fā)展趨勢(shì)進(jìn)行了預(yù)測(cè)。 研究目的是提出并論述數(shù)字圖像的分?jǐn)?shù)階微分掩模及其數(shù)值運(yùn)算規(guī)則。首先，從信號(hào)處理角度論述了數(shù)字圖像分?jǐn)?shù)階微分掩模的特性。其次，詳細(xì)論述了在X軸負(fù)、X軸正、Y軸負(fù)、Y軸正、左下對(duì)角線、左上對(duì)角線、右下對(duì)角線、右上對(duì)角線8個(gè)相互中心對(duì)稱的數(shù)字圖像n×n分?jǐn)?shù)階微分掩模的構(gòu)造。最后，論述了數(shù)字圖像分?jǐn)?shù)階微分掩模的數(shù)值運(yùn)算規(guī)則。計(jì)算機(jī)數(shù)值實(shí)驗(yàn)結(jié)果表明，對(duì)于紋理細(xì)節(jié)信息豐富的圖像信號(hào)而言，分?jǐn)?shù)階微分對(duì)灰度變化不大的平滑區(qū)域中的紋理細(xì)節(jié)信息的提取效果明顯優(yōu)于整數(shù)階微分運(yùn)算。 針對(duì)自由漂浮空間機(jī)器人工作時(shí)需保證載體姿態(tài)穩(wěn)定的問(wèn)題，提出了一種笛卡兒空間內(nèi)載體姿態(tài)無(wú)擾的自由漂浮空間機(jī)器book=35,ebook=39人非完整路徑規(guī)劃方法。首先，基于自由漂浮空間機(jī)器人特征方程和角動(dòng)量守恒方程得到廣義雅可比矩陣；其次，出于路徑規(guī)劃的需要，分析了載體姿態(tài)無(wú)擾的自由漂浮空間機(jī)器人可達(dá)工作空間；最后，引入相關(guān)系數(shù)，設(shè)計(jì)了笛卡兒空間內(nèi)的無(wú)擾向量合成算法。仿真得到的路徑規(guī)劃結(jié)果表明機(jī)械臂末端達(dá)到目標(biāo)點(diǎn)的同時(shí)確保了載體姿態(tài)無(wú)擾動(dòng)，從而驗(yàn)證了所提方法的可行性和有效性。 針對(duì)重復(fù)時(shí)變系統(tǒng)，提出學(xué)習(xí)辨識(shí)方法用于估計(jì)系統(tǒng)的時(shí)變參數(shù)。討論了有限時(shí)間作業(yè)區(qū)間上重復(fù)運(yùn)行的時(shí)變系統(tǒng)以及周期時(shí)變系統(tǒng)兩種情形。文中給出最小二乘學(xué)習(xí)算法的推導(dǎo)過(guò)程，并分析了所提算法的收斂性。結(jié)果表明，當(dāng)重復(fù)持續(xù)激勵(lì)條件成立時(shí)，提出的學(xué)習(xí)算法具有重復(fù)一致性，能夠給出時(shí)變參數(shù)的完全估計(jì)。通過(guò)數(shù)值算例進(jìn)一步驗(yàn)證了學(xué)習(xí)算法的有效性。 研究了基于機(jī)器視覺(jué)導(dǎo)航的田間自主移動(dòng)除草機(jī)器人。采用模糊控制方法引導(dǎo)除草機(jī)器人沿著農(nóng)作物行自動(dòng)行走。根據(jù)導(dǎo)航角和導(dǎo)航距的參數(shù)特性選擇了隸屬函數(shù)，建立了兩種拄制規(guī)則庫(kù)，并探討了兩種控制效果。試驗(yàn)表明，模糊控制方法能夠使機(jī)器人甲穩(wěn)運(yùn)動(dòng)。在直行階段，控制規(guī)則1有較高的控制精度?？刂埔?guī)則2能使機(jī)器人更好地通過(guò)彎道，對(duì)42.2°的彎道，機(jī)器人的行走準(zhǔn)確率達(dá)到74.58％。 針對(duì)現(xiàn)有微粒群優(yōu)化算法難以兼顧進(jìn)化速度和求解質(zhì)量這一難題，提出一種基于單純形法的改進(jìn)微粒群優(yōu)化算法（Simplex Method Based Improved Particle Swarm Optimization，SM-IPSO）。該算法采用多個(gè)優(yōu)化種群，分別在奇數(shù)種群和偶數(shù)種群上并行運(yùn)行微粒群算法和單純形法，并通過(guò)周期性遷移相鄰種群間的最優(yōu)信息，達(dá)到微粒群算法和單純形法的協(xié)同搜索：?jiǎn)渭冃谓柚⒘Ｈ核惴ㄌ鼍植渴諗奎c(diǎn)，微粒群依靠單純形提高局部開發(fā)能力。為強(qiáng)化兩種算法所起作用，一種改進(jìn)的微粒速度逃逸策略和Nelder-Mead單純形法也被提出。最后，在Linux集群系統(tǒng)上運(yùn)行所提算法，通過(guò)優(yōu)化五個(gè)典型測(cè)試函數(shù)驗(yàn)證了算法的有效性。 一維最小誤差閾值法假設(shè)了目標(biāo)和背景的灰度分布服從混合正態(tài)分布?？紤]到噪聲等因素對(duì)圖像質(zhì)量的影響，該文在二維灰度直方圖上，基于二維混合正態(tài)分布假設(shè)，給出一維最小誤差閾值法的二維推廣表達(dá)式。為了提高算法的運(yùn)行速度，也給出了快速遞推算法。實(shí)驗(yàn)表明，二維最小誤差閾值法是一個(gè)有效的圖像分割算法，能夠更好地適應(yīng)目標(biāo)和背景方差相差較大的圖像及噪聲圖像的分割問(wèn)題。 提出一種新的基于梅花形采樣離散小波框架的圖像融合算法。首先論證多維完全重構(gòu)濾波器組采樣矩陣的可替換性，由此book=36,ebook=40推導(dǎo)出梅花形采樣離散小波框架并分析其特性；然后將該框架應(yīng)用到多尺度圖像融合方案得到一種低冗余近似移不變的融合算法；最后對(duì)融合算法進(jìn)行實(shí)驗(yàn)分析并與已有算法比較。實(shí)驗(yàn)結(jié)果表明該文算法可以快速獲取高質(zhì)量的融合圖像。 提出了一種交互式的快速圖像分割方法。該方法通過(guò)使用高斯超像素來(lái)構(gòu)建Graph Cuts模型以實(shí)現(xiàn)加速。首先，利用融合了邊緣置信度的快速均值漂移算法，將原始圖像高效地預(yù)分割為多個(gè)具有準(zhǔn)確邊界的同質(zhì)區(qū)域，并將這些區(qū)域描述為超像素，用于構(gòu)建精簡(jiǎn)的加權(quán)圖。然后，使用區(qū)域的彩色高斯統(tǒng)計(jì)對(duì)超像素進(jìn)行特征描述，并在信息論空間中對(duì)高斯距離度量進(jìn)行設(shè)計(jì)。另外，為了準(zhǔn)確而精煉地對(duì)先驗(yàn)知識(shí)進(jìn)行參數(shù)化學(xué)習(xí)，本文還使用了分量形式的期望最大化混合高斯（Component-wise expectation-maximization for Gaussian Mixtures，CEMGM）算法對(duì)用戶交互進(jìn)行聚類。最后，在改進(jìn)的加權(quán)圖模型中應(yīng)用Graph Cuts方法，獲得最終的分割結(jié)果。通過(guò)使用不同的彩色圖像進(jìn)行分割實(shí)驗(yàn)比較，仿真結(jié)果表明本文的方法在準(zhǔn)確性和高效性方面都具有很好的性能。 提出了一種新的基于特征不確定性度量的多特征融合跟蹤算法。首先，針對(duì)粒子濾波跟蹤算法中特征鑒別能力較弱且粒子分布相對(duì)分散時(shí)容易造成目標(biāo)丟失的事實(shí)，本文定義了一種新的特征不確定度量方法，該度量可以在線調(diào)整不同類型特征對(duì)跟蹤結(jié)果的貢獻(xiàn)。同時(shí)，針對(duì)乘性和加性特征融合跟蹤算法方法中存在的缺陷，提出了一種自適應(yīng)的多特征融合方法，融合的結(jié)果既突出了狀態(tài)后驗(yàn)分布中目標(biāo)真實(shí)狀態(tài)對(duì)應(yīng)的峰值，又對(duì)噪聲不敏感，從而提高了目標(biāo)跟蹤的魯棒性。各種場(chǎng)景下的實(shí)驗(yàn)結(jié)果比較表明：新的融合跟蹤算法比單特征跟蹤、乘性融合跟蹤和加性融合跟蹤有著更好的穩(wěn)定性和魯棒性。 近年來(lái)，實(shí)時(shí)監(jiān)控下多目標(biāo)跟蹤作為智能交通系統(tǒng)（Intelligent Transportation System，ITS）的重要組成部分受到關(guān)注。傳統(tǒng)多目標(biāo)跟蹤方法通常具有處理速度慢、容易對(duì)交叉行進(jìn)車輛產(chǎn)生誤匹配等問(wèn)題。本文首先對(duì)基于貝葉斯規(guī)則的車輛視頻復(fù)雜背景的建模及運(yùn)動(dòng)目標(biāo)的檢測(cè)進(jìn)行研究，在此基礎(chǔ)上提出一種基于Mean Shift粒子濾波（Mean Shift Particle Filter，MSPF）的多目標(biāo)跟蹤算法，首先對(duì)每一目標(biāo)車輛在下一幀可能出現(xiàn)的范圍進(jìn)行預(yù)測(cè)，對(duì)單目標(biāo)和多目標(biāo)情況采用不同的檢測(cè)策略，避免了全局搜索，提高了跟蹤速度；通過(guò)構(gòu)造基于最新觀測(cè)信息的重要性密度函數(shù)，提高了MSPF算法在復(fù)雜背景情況下追蹤部分遮擋及交叉車輛的準(zhǔn)確性和魯棒性。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了所提出算法的有效性。 為實(shí)現(xiàn)欠驅(qū)動(dòng)無(wú)人水下航行器（Unmanned Underwater Vehicle，UUV）在末知海流干擾作用下的二維航跡跟蹤控制，提出一種基于工程解耦思想設(shè)計(jì)的非線性迭代滑模航跡跟蹤控制器。基于虛擬向?qū)У姆椒?，建立UUV空間航跡跟蹤誤差方程；采用迭代方法設(shè)計(jì)非線性滑?？刂破鳎瑹o(wú)需對(duì)UUV模型參數(shù)不確定部分和海流干擾進(jìn)行估計(jì)，避免了舵的抖振現(xiàn)象以及減小了穩(wěn)態(tài)設(shè)差與超調(diào)問(wèn)題。仿真實(shí)驗(yàn)表明，設(shè)計(jì)的控制器對(duì)欠驅(qū)動(dòng)UUV系統(tǒng)的模型參數(shù)攝動(dòng)及海流干擾變化不敏感、且設(shè)計(jì)參數(shù)易于調(diào)節(jié)，可以實(shí)現(xiàn)三維航跡的精確跟蹤。 通過(guò)引入最優(yōu)控制理論和Lyapunov方法，預(yù)測(cè)控制的理論研究在最近十多年中發(fā)展迅速，取得了豐碩成果。該文總結(jié)了預(yù)測(cè)控制定性綜合理論的基本思路，回顧了近十年關(guān)于具有穩(wěn)定性和性能保證的預(yù)測(cè)控制的主要研究成果，并根據(jù)近年來(lái)預(yù)測(cè)控制研究的發(fā)展趨勢(shì)，指出高效預(yù)測(cè)控制的研究己逐漸成為這一領(lǐng)域研究的熱點(diǎn)。 給出了數(shù)據(jù)驅(qū)動(dòng)控制理論和方法相關(guān)問(wèn)題的定義，從控制理論、實(shí)際應(yīng)用和歷史發(fā)展趨勢(shì)三個(gè)角度闡述了數(shù)據(jù)驅(qū)動(dòng)控制的存在背景，說(shuō)明了數(shù)據(jù)驅(qū)動(dòng)控制理論和方法的適用條件。綜述了已有數(shù)據(jù)驅(qū)動(dòng)控制方法的本質(zhì)內(nèi)容和發(fā)展歷程，從數(shù)據(jù)利用的角度指出了已存在的數(shù)據(jù)驅(qū)動(dòng)控制方法的區(qū)別和應(yīng)用環(huán)境，并對(duì)數(shù)據(jù)驅(qū)動(dòng)控制理論的發(fā)展進(jìn)行了展望。 針對(duì)同一場(chǎng)景多聚焦圖像的融合問(wèn)題，提出了一種基于非采樣Contourlet變換（Nonsubsampled Contourlet Transform，NSCT）圖像融合算法。并對(duì)經(jīng)NSCT分解得到的不同頻域子帶系數(shù)，分別討論了低頻子帶系數(shù)和各帶通方向子帶系數(shù)的選擇方案。在選擇低頻子帶系數(shù)時(shí)，提出了一種基于圖像局部區(qū)域梯度能量和“加權(quán)平均”相結(jié)合的系數(shù)選擇方案，從而不僅能夠恰當(dāng)?shù)剡x擇融合后圖像的NSCT系數(shù)，還能夠有效地抑制噪聲對(duì)融合圖像質(zhì)量的影響；在選擇帶通方向子帶系數(shù)時(shí)，充分利用了NSCT的方向特性以及各尺度子帶圖像與源圖像尺寸大小相同的特性，給出了非采樣Contourlet域方向?qū)Ρ榷鹊母拍睿⑻岢隽艘环N基于方向?qū)Ρ榷鹊南禂?shù)選擇方案。采用了多聚焦圖像進(jìn)行仿真實(shí)驗(yàn)，并對(duì)融合結(jié)果進(jìn)行了主客觀評(píng)價(jià)。實(shí)驗(yàn)結(jié)果表明，相比于傳統(tǒng)的基于小波變換的圖像融合算法，該算法能夠有效避免"人為"效應(yīng)或高頻噪聲的引入，得到具有更好視覺(jué)效果和更優(yōu)量化指標(biāo)的融合圖像。 從控制系統(tǒng)的觀點(diǎn)描述了生產(chǎn)制造全流程的控制與運(yùn)行管理流程，分析了表征產(chǎn)品的質(zhì)量、產(chǎn)量、成本、消耗等相關(guān)的綜合生產(chǎn)指標(biāo)與控制系統(tǒng)動(dòng)作之間的聯(lián)系，回顧了涉及的控制與優(yōu)化的研究成果。從基于數(shù)學(xué)模型、基于數(shù)據(jù)和基于模型與數(shù)據(jù)相結(jié)合的角度綜述了控制與優(yōu)化方面的研究現(xiàn)狀。在此基礎(chǔ)上分析了生產(chǎn)制造全流程優(yōu)化控制對(duì)過(guò)程控制與運(yùn)行優(yōu)化、以及控制系統(tǒng)實(shí)現(xiàn)技術(shù)的挑戰(zhàn)，分析了實(shí)現(xiàn)生產(chǎn)制造全流程優(yōu)化控制應(yīng)開展的研究?jī)?nèi)容。 提出了一種基于多特征自適應(yīng)融合的核跟蹤框架。利用目標(biāo)特征的子模型集合構(gòu)造了目標(biāo)的多特征描述，通過(guò)線性加權(quán)方法將目標(biāo)的多個(gè)特征集成在核跟蹤方法中。根據(jù)各個(gè)特征子模型與當(dāng)前日標(biāo)及背景的相似性，提出了一種基于Fisher可分性度量book=38,ebook=42的權(quán)值自適應(yīng)更新機(jī)制；同時(shí)為了克服模型更新過(guò)程中的漂移，基于子模型的可分性提出了一種選擇性更新策略，實(shí)現(xiàn)了在變化場(chǎng)景下的魯棒跟蹤?；谠撐乃岫嗵卣鞲櫩蚣?，利用目標(biāo)的顏色特征與LBP（Local Binary Pattern）紋理特征具體實(shí)現(xiàn)了多特征自適應(yīng)融合的核跟蹤方法，實(shí)驗(yàn)驗(yàn)證了文方法的有效性。 在傳統(tǒng)采樣過(guò)程中，為了避免信號(hào)失真，采樣頻率不得低于信號(hào)最高頻率的2倍。然而對(duì)于數(shù)字圖像、視頻的獲取，依照香農(nóng)（Shannon）定理會(huì)導(dǎo)致海量采樣數(shù)據(jù)，大大增加了存儲(chǔ)和傳輸?shù)拇鷥r(jià)。近年來(lái)，一種新興的壓縮傳感理論為數(shù)據(jù)采集技術(shù)帶來(lái)了革命性的突破，得到了研究人員的廣泛關(guān)注。壓縮傳感采用非自適應(yīng)線性投影來(lái)保持信號(hào)的原始結(jié)構(gòu)，能通過(guò)數(shù)值最優(yōu)化問(wèn)題準(zhǔn)確重構(gòu)原始信號(hào)。壓縮傳感以遠(yuǎn)低于奈奎斯特頻率進(jìn)行采樣，在壓縮成像系統(tǒng)、模擬/信息轉(zhuǎn)換、生物傳感等領(lǐng)域有著廣闊的應(yīng)用前景。本文主要介紹了壓縮傳感的基本理論及相關(guān)應(yīng)用，并對(duì)其研究前景進(jìn)行了展望。 提出了一種基于自適應(yīng)混合高斯模犁的時(shí)空背景建模方法，有效地融合了像素在時(shí)空域上的分布信息，改善了傳統(tǒng)的混合島斯背景建模方法對(duì)非平穩(wěn)場(chǎng)景較為敏感的缺點(diǎn)。首先利用混合高斯模型學(xué)習(xí)每個(gè)像素在時(shí)間域上的分布，構(gòu)造了基于像素的時(shí)間域背景模型，在此基礎(chǔ)上，通過(guò)非參數(shù)密度估計(jì)方法統(tǒng)計(jì)每個(gè)像素鄰域內(nèi)表示背景的高斯成分在空間上的分布，構(gòu)造了基于像素的空間域背景模型；在決策層融合了基于時(shí)空背景模型的背景減除結(jié)果。為了提高該文時(shí)空背景建模的效率，提在了一種新的混合高斯模型高斯成分個(gè)數(shù)的自適應(yīng)選擇策略，并利用積分圖實(shí)現(xiàn)了空間域背景模型的快速計(jì)算。通過(guò)在不同的場(chǎng)景下與多個(gè)背景建模方法比較，實(shí)驗(yàn)結(jié)果驗(yàn)證了該文算法的有效性。 作為一維Otsu法的推廣，二維Otsu法綜合考慮了像素點(diǎn)的灰度信息及其鄰域灰度的均值信息，可以有效地濾除噪聲。其快速算法采用遞歸的方式構(gòu)建查找表，將算法的時(shí)間復(fù)雜性由O（L4）降到O（L2）。提出基于分解的閾值選取算法，求解兩個(gè)一維Otsu法的閾值來(lái)替代原始的二維Otsu法的最佳閾值。指出在原算法的假設(shè)成立的條件下，該方法可以得到與原二維Otsu法相同的分割閾值，而算法的時(shí)間復(fù)雜性可以進(jìn)一步降低到O（L）。而在實(shí)際中，原算法的假設(shè)一般不成立。該文的實(shí)驗(yàn)結(jié)果表明此時(shí)該閾值選取方法也可以在保證原二維Otsu算法良好的抗噪性的前提下，計(jì)算閾值所需的時(shí)間更短、空間更小，且閾值化結(jié)果也可以達(dá)到或優(yōu)于二維Otsu算法的結(jié)果。 提出了一種全新的分類框架，將故障診斷方法整體分為兩大類，即定性分析的方法和定量分析的方法。對(duì)現(xiàn)有的方法在此框架下進(jìn)行了劃分，并詳細(xì)介紹了每種方法的基本思想、研究進(jìn)展和典型應(yīng)用，其中重點(diǎn)討論了數(shù)據(jù)驅(qū)動(dòng)的方法。最后，簡(jiǎn)述了故障預(yù)測(cè)的研究現(xiàn)狀，并探討了故障診斷研究存在的問(wèn)題和未來(lái)的發(fā)展方向。

關(guān)鍵詞：群體智能；模擬進(jìn)化算法；二元網(wǎng)絡(luò)；蟻群算法；遺傳算法 分布估計(jì)算法；遺傳算法；統(tǒng)計(jì)學(xué)習(xí)；概率模型 目標(biāo)跟蹤；Mean Shift；顏色模型；相似性度量 多機(jī)器人系統(tǒng)；移動(dòng)機(jī)器人；任務(wù)規(guī)劃；運(yùn)動(dòng)規(guī)劃；協(xié)調(diào)控制 仿生機(jī)器人；壁虎；爬壁 分?jǐn)?shù)階微積分；分?jǐn)?shù)階偏微分；分?jǐn)?shù)階梯度向量；模板卷積；紋理細(xì)節(jié)特征 自由漂浮空間機(jī)器人；載體姿態(tài)無(wú)擾；非完整路徑規(guī)劃；笛卡兒空間 學(xué)習(xí)辨識(shí)；最小二乘法；隨機(jī)時(shí)變系統(tǒng)；重復(fù)一致性 除草機(jī)器人；視覺(jué)導(dǎo)航；模糊控制；算法設(shè)計(jì) 并行；微粒群優(yōu)化；單純形法；多種群；速度逃逸 閾值分割；最小誤差閾值法；二維灰度直方圖 圖像融合；小波；框架；濾波器組；梅花形采樣；移不變性 圖像分割；圖切分；超像素；高斯模型；均值漂移；期望最大化算法 目標(biāo)跟蹤；不確定性度量；粒子濾波；多特征融合 視頻車輛；多目標(biāo)跟蹤；Mean Shift粒子濾波；魯棒性 預(yù)測(cè)控制；最優(yōu)控制；穩(wěn)定性；魯棒預(yù)測(cè)控制；控制不變集；集結(jié) 數(shù)據(jù)驅(qū)動(dòng)控制；在線數(shù)據(jù)；離線數(shù)據(jù)；綜述；展望 圖像處理；圖像融合；非采樣Contourlet變換；方向?qū)Ρ榷龋痪植繀^(qū)域梯度能量 生產(chǎn)制造全流程；綜合生產(chǎn)指標(biāo)；運(yùn)行優(yōu)化控制；優(yōu)化控制系統(tǒng) 視覺(jué)跟蹤；多特征融合；選擇性更新；核跟蹤 壓縮傳感；稀疏表示；信號(hào)重構(gòu)；約束等距性；壓縮成像 時(shí)空背景模型；信息融合；混合高斯模型；非參數(shù)密度估計(jì) 圖像分割；Otsu；二值圖像；閾值化；灰度圖像 動(dòng)態(tài)系統(tǒng)；故障診斷；故障預(yù)測(cè)；數(shù)據(jù)驅(qū)動(dòng)

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2007, 33(3): 259-264 入選年份：2012

分布估計(jì)算法綜述

周樹德，孫增圻

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2007, 33(2): 113-124 入選年份：2012

一種改進(jìn)的Mean Shift跟蹤算法

李培華

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2007, 33(4): 347-354 入選年份：2012

多移動(dòng)機(jī)器人系統(tǒng)研究發(fā)展近況

原魁，李園，房立新

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2007, 33(8): 785-794 入選年份：2012

仿壁虎機(jī)器人研究綜述

王田苗，孟偲，裴葆青，等

來(lái)源出版物：機(jī)器人, 2007, 29(3): 290-297 入選年份：2012

數(shù)字圖像的分?jǐn)?shù)階微分掩模及其數(shù)值運(yùn)算規(guī)則

蒲亦非，王衛(wèi)星

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2007, 33(11): 1128-1135 入選年份：2012

一種笛卡兒空間的自由漂浮空間機(jī)器人路徑規(guī)劃方法

張福海，付宜利，王樹國(guó)

來(lái)源出版物：機(jī)器人, 2009, 31(2): 187-192 入選年份：2012

學(xué)習(xí)辨識(shí)：最小二乘算法及其重復(fù)一致性

孫明軒，畢宏博

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2012, 38(5): 698-706 入選年份：2012

基于模糊控制的除草機(jī)器人自主導(dǎo)航

郭偉斌，陳勇

來(lái)源出版物：機(jī)器人, 2010, 32(2): 204-209 入選年份：2013

一種基于單純形法的改進(jìn)微粒群優(yōu)化算法及其收斂性分析

張勇，鞏敦衛(wèi)，張婉秋

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(3): 289-298 入選年份：2013

灰度圖像最小誤差閾值分割法的二維推廣

范九倫，雷博

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(4): 386-393 入選年份：2013

梅花形采樣離散小波框架圖像融合算法

楊波，敬忠良

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2010, 36(1): 12-22 入選年份：2013

基于高斯超像素的快速Graph Cuts圖像分割方法

韓守東，趙勇，陶文兵，等

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2011, 37(1): 11-20 入選年份：2013

基于不確定性度量的多特征融合跟蹤

顧鑫，王海濤，汪凌峰，等

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2011, 37(5): 550-559 入選年份：2013

基于MSPF的實(shí)時(shí)監(jiān)控多目標(biāo)跟蹤算法研究

王相海，方玲玲，叢志環(huán)

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2012, 38(1): 139-144 入選年份：2013

基于非線性迭代滑模的欠驅(qū)動(dòng)UUV三維航跡跟蹤控制

賈鶴鳴，張利軍，程相勤，等

關(guān)鍵詞：欠驅(qū)動(dòng)無(wú)人水下航行器；三維航跡跟蹤；非線性迭代滑模；虛擬向?qū)?/p>

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2012, 38(2): 308-314 入選年份：2013

預(yù)測(cè)控制定性綜合理論的基本思路和研究現(xiàn)狀

席裕庚，李德偉

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2008, 34(10): 1225-1234 入選年份：2013

數(shù)據(jù)驅(qū)動(dòng)控制理論及方法的回顧和展望

侯忠生，許建新

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(6): 650-667 入選年份：2013

基于非采樣Contourlet變換多傳感器圖像融合算法

張強(qiáng)，郭寶龍

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2008, 34(2): 135-141 入選年份：2013

生產(chǎn)制造全流程優(yōu)化控制對(duì)控制與優(yōu)化理論方法的挑戰(zhàn)

柴天佑

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(6): 641-649 入選年份：2013

基于多特征自適應(yīng)融合的核跟蹤方法

王永忠，梁彥，趙春暉，等

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2008, 34(4): 393-399 入選年份：2013

壓縮傳感綜述

李樹濤，魏丹

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(11): 1369-1377 入選年份：2013

基于自適應(yīng)混合高斯模型的時(shí)空背景建模

王永忠，梁彥，潘泉，等

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(4): 371-378 入選年份：2013

基于分解的灰度圖像二維閾值選取算法

岳峰，左旺孟，王寬全

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(7): 1022-1027 入選年份：2013

動(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)

周東華，胡艷艷

來(lái)源出版物：自動(dòng)化學(xué)報(bào), 2009, 35(6): 748-758 入選年份：2013