简介:为了进一步提高汽车控制系统的动态性能和鲁棒稳定性,从理论上分析并揭示了状态反馈控制中特征向量矩阵的条件数对线性连续定常系统的响应及反馈矩阵Frobenius范数的重要影响。进一步提出以减小特征向量矩阵的条件数为目的来设计状态反馈矩阵。仿真试验结果表明,在相同条件下,特征向量矩阵条件数较小的反馈系统,其暂态过程比较平稳,抗参数摄动的鲁棒性也比较强。这种思想可以应用于具有线性连续定常特性的汽车控制系统中。
简介:本文介绍了一种在线递归投影稀疏矩阵恢复(ReProSMR)算法矩阵时间序列Mt等于稀疏矩阵序列St与非稀疏矩阵序列Lt之和,其中Lt在低维张量空间内随时间缓慢变化ReProSMR算法实时地将观测矩阵Mt分解为非稀疏矩阵Lt和稀疏矩阵StReProSMR算法的一个典型应用场景为监控视频动态背景建模,监控视频的每一帧图像的背景部分由于具有很强的相似性而构成低秩部分,而少量的运动目标构成视频的前景则对应于稀疏部分ReProSMR算法对图像序列进行矩阵低秩稀疏分解,便可成功地将静止的背景和活动的前景分开,从而实现背景动态建模和运动前景识别。ReProSMR算法是递归投影压缩传感(ReProCS)算法引入张量主成分分析后的改进算法实验结果表明,ReProSMR算法的计算效率显著高于ReProCS算法。
简介:近年来,目标显著性检测引起了众多学者的极大关注,并涌出了一些基于低秩矩阵恢复理论的检测方法.在这些方法中,人们一般使用核范数约束低秩部分.但是,由于秩函数是非凸且不连续的,由此导致核范数不能很好地逼近秩函数,使得检测效果往往不佳.为解决上述问题,现提出基于加权Schatten-p范数与低秩树结构的稀疏分解模型.一方面,利用加权Schatten-p范数对图像背景进行低秩约束.另一方面,采用具有树结构稀疏特性的l2,1范数和图像拉普拉斯正则化对显著性目标进行稀疏约束,以此提高显著性检测精准度.经过与4种已有的常用显著性检测方法在3个不同数据库中的实验结果对比,证实现提出的方法具有更好的检测性能.