针对高速列车自动驾驶中应用传统自抗扰控制跟踪运行速度时可调参数多且整定困难、跟踪精度较低、抗干扰性较弱的问题,提出基于线性自抗扰(Linear Active Disturbance Rejection Control,LADRC)的速度控制设计方案.首先,以单质点列车模...针对高速列车自动驾驶中应用传统自抗扰控制跟踪运行速度时可调参数多且整定困难、跟踪精度较低、抗干扰性较弱的问题,提出基于线性自抗扰(Linear Active Disturbance Rejection Control,LADRC)的速度控制设计方案.首先,以单质点列车模型为基础,依据LADRC设计实时估计系统未建模动态的线性扩张状态观测器;其次,采用改进指数趋近律的滑模控制(Sliding Mode Control,SMC)优化非线性误差反馈控制律,提高系统的响应速度并削弱抖振;最后,设计滑模线性自抗扰(Sliding Mode Linear Active Disturbance Rejection Control,SM-LADRC)控制器,对速度指令进行追踪,通过数值仿真验证控制器的有效性.实验结果表明,SM-LADRC控制器具有可调参数少且易整定、跟踪精度高、抗扰动性强、响应速度快等优势.展开更多
针对夜间场景下低照度图像整体亮度不足、边缘难以辨识与色彩失真等问题,在HSV色彩空间的基础上,提出一种基于多尺度自引导锐化-平滑图像滤波(Sharpening-Smoothing Image Fil⁃ter,SSIF)的低照度图像增强方法.首先,利用HSV空间色彩亮度...针对夜间场景下低照度图像整体亮度不足、边缘难以辨识与色彩失真等问题,在HSV色彩空间的基础上,提出一种基于多尺度自引导锐化-平滑图像滤波(Sharpening-Smoothing Image Fil⁃ter,SSIF)的低照度图像增强方法.首先,利用HSV空间色彩亮度分离的特性,对V分量使用多尺度自引导锐化-平滑图像滤波,准确估计光照分量进而求得精确的反射分量.其次,针对光照分量分布不均的问题,提出一种二维自适应伽马变换算法并通过大量对比选取最佳参数,对较暗区域亮度进行拉伸,同时抑制较亮区域的亮度,使整体图像光照更加均匀,图像亮度更符合人眼视觉.再次,针对反射分量存在部分边缘模糊与噪声的问题,提出多尺度钝化掩蔽算法,在抑制噪声的同时能够有效增强图像细节信息,提升整体图像动态范围.最后,对S分量使用自适应饱和度增强算法,将增强后的S分量、V分量与保持不变的H分量合并转到RGB图像,并与带色彩恢复的多尺度视网膜增强算法(Multi-Scale Retinex with Color Restoration,MSRCR)中的色彩恢复因子结合得到最终增强图像.实验结果表明:所提低照度图像增强算法的基于精细自然场景统计的图像质量盲评价指标和平均梯度较其他对比算法分别提高了14.62%、32.10%,不仅能够有效地解决图像亮度分布不均问题,而且能够提高图像轮廓细节的丰富程度和对比度,整体效果优于其他对比算法.展开更多
文摘针对高速列车自动驾驶中应用传统自抗扰控制跟踪运行速度时可调参数多且整定困难、跟踪精度较低、抗干扰性较弱的问题,提出基于线性自抗扰(Linear Active Disturbance Rejection Control,LADRC)的速度控制设计方案.首先,以单质点列车模型为基础,依据LADRC设计实时估计系统未建模动态的线性扩张状态观测器;其次,采用改进指数趋近律的滑模控制(Sliding Mode Control,SMC)优化非线性误差反馈控制律,提高系统的响应速度并削弱抖振;最后,设计滑模线性自抗扰(Sliding Mode Linear Active Disturbance Rejection Control,SM-LADRC)控制器,对速度指令进行追踪,通过数值仿真验证控制器的有效性.实验结果表明,SM-LADRC控制器具有可调参数少且易整定、跟踪精度高、抗扰动性强、响应速度快等优势.
文摘针对夜间场景下低照度图像整体亮度不足、边缘难以辨识与色彩失真等问题,在HSV色彩空间的基础上,提出一种基于多尺度自引导锐化-平滑图像滤波(Sharpening-Smoothing Image Fil⁃ter,SSIF)的低照度图像增强方法.首先,利用HSV空间色彩亮度分离的特性,对V分量使用多尺度自引导锐化-平滑图像滤波,准确估计光照分量进而求得精确的反射分量.其次,针对光照分量分布不均的问题,提出一种二维自适应伽马变换算法并通过大量对比选取最佳参数,对较暗区域亮度进行拉伸,同时抑制较亮区域的亮度,使整体图像光照更加均匀,图像亮度更符合人眼视觉.再次,针对反射分量存在部分边缘模糊与噪声的问题,提出多尺度钝化掩蔽算法,在抑制噪声的同时能够有效增强图像细节信息,提升整体图像动态范围.最后,对S分量使用自适应饱和度增强算法,将增强后的S分量、V分量与保持不变的H分量合并转到RGB图像,并与带色彩恢复的多尺度视网膜增强算法(Multi-Scale Retinex with Color Restoration,MSRCR)中的色彩恢复因子结合得到最终增强图像.实验结果表明:所提低照度图像增强算法的基于精细自然场景统计的图像质量盲评价指标和平均梯度较其他对比算法分别提高了14.62%、32.10%,不仅能够有效地解决图像亮度分布不均问题,而且能够提高图像轮廓细节的丰富程度和对比度,整体效果优于其他对比算法.
