间歇过程的优化控制依赖于过程精确的数学模型,数据驱动的建模方法是目前间歇过程模型研究中的热点问题。突破传统数据驱动建模方法中采用均方差(mean squared error,MSE)作为准则函数的思想,提出一种新颖的间歇过程数据驱动建模方法,引入了概率密度函数(probability density function,PDF)控制的概念,构造间歇过程模型误差控制系统,将模型的可调参数作为控制系统的输入,模型误差PDF的形状作为控制系统的输出,从而把开环模型参数辨识问题转化为模型误差PDF形状的闭环控制问题。通过可调参数控制模型误差PDF的空间分布状态,不仅能够保障模型精度,还可控制模型误差的空间分布状态,从而消除模型中的有色噪声。仿真实验表明,基于模型误差PDF形状的间歇过程数据驱动模型具有较好的建模精度、鲁棒性和泛化能力,为间歇过程的数据驱动建模提供了一条新途径。
三维数据直观反映目标或场景的全貌信息,Time of Flight(ToF)深度相机能直接获取目标的三维信息,在机器人定位与导航、三维重建等方面被广泛使用。但因自身结构特点,深度相机获取的原始数据存在多种误差,成像出现畸变。实验对深度相机...
详细信息
三维数据直观反映目标或场景的全貌信息,Time of Flight(ToF)深度相机能直接获取目标的三维信息,在机器人定位与导航、三维重建等方面被广泛使用。但因自身结构特点,深度相机获取的原始数据存在多种误差,成像出现畸变。实验对深度相机测量过程中出现的误差进行分析和总结,提出利用查表法和三次样条插值相结合的方法对非线性的深度偏移进行分段补偿,实现对非线性误差进行补偿。基于针孔模型提出一种数据校正模型,解决了成像过程中数据从球面坐标系转换到直角坐标系时出现的偏差,从而更好地复原真实场景中的深度数据。结果表明校正后的深度偏移和误差得到有效改善。
暂无评论