利用滑模的思想设计了一种单变量滑模控制器，滑模控制本质上是一种非线性控制，它可以根据系统当前的状态有目的地不断变化，迫使系统按照预定“滑动模态”的状态轨迹运动，具有快速响应和强鲁棒性的特点。

针对传统容积卡尔曼滤波(CKF)在面对系统模型失配和状态突变滤波精度下降的问题,将强跟踪滤波器(STF)和高阶容积卡尔曼滤波(HCKF)相结合,提出一种简化高阶强跟踪容积卡尔曼滤波(RHSTCKF)算法.该算法具有比传统CKF更高的滤波精度,并且利用滤波模型的特点,简化HCKF的计算步骤,同时在HCKF中引入多重渐消因子增强算法的自适应性和应对状态突变的能力.将所提算法应用到SINS/GPS组合导航系统中进行仿真实验,结果表明,RHSTCKF可以准确估计出突变状态的真实值,能够抑制滤波器状态异常的干扰,滤波性能明显优于HCKF,能够提高组合导航系统的自适应性和定位精度.

针对生猪多目标跟踪过程中猪舍内光照情况复杂、生猪间遮挡等问题，改进了传统多运动目标跟踪算法，开发了一套基于计算机视觉技术的目标跟踪系统。改进了前景检测方法，将灰度差分、S通道差分和帧间差分所获取的差分图像相融合。利用阴影与背景的颜色差异性和纹理相似性消除阴影的影响，得到完整的前景图像，提高了前景提取的准确度。改进均值漂移算法实现对目标生猪运动行为的准确跟踪，改进的算法融入了目标生猪的初始位置与颜色信息，修正了目标直方图模型，提高了跟踪的准确率。不同品种、不同光照条件下生猪的运动行为跟踪实验的结果表明，运动目标检测方法能够有效消除阴影对跟踪的影响，同时验证了算法的稳定性，跟踪准确率大于85%。

光伏电池最大功率跟踪仿真

基于matlab的自适应强跟踪卡尔曼算法，基于实例模型的matlab程序

太阳能板跟踪系统设计: 太阳能渐渐成为21世纪的一个主要能源，石油和天然气的资源几乎耗尽，将只会成为能源供应的次要部分。因此目前对太阳能的兴趣并不足为奇。已经完成了一些关于太阳能电池和太阳能面板的工作。但是，这些只能在准确放置在与太阳垂直的角度的最佳性能时操作。遗憾的是，这种情况在我们的纬度中是不常见的，除非太阳能面板可以跟着太阳旋转。太阳能面板系统的效能可以改善，如果太阳能面板可以追踪太阳并且尽可能长时间地保持在最有利的入射角。 硬件: K1 – 电源接口(12伏直流) K5, K2 – 光敏电阻组接口 K3, K4 – 12伏直流电动机接口 预调电位器P1、P2、P3和P4，根据光敏电阻组的入射光线来校准。 太阳能跟踪系统设计操作流程: 所需的电路相当简单。它使用一个窗口比较器，只要两个光敏电阻组接收到同样的光线，则保持电机空闲。一半工作电压被应用到A1的非反相输入和A2的反相输入。当太阳的位置发生变化时，折射到光敏电阻组R1和R2的光线将不同，他们互相倾斜成一个角度。在这种情况下，窗口比较器的输入电压偏离电源电压的一半，于是比较器的输出提供信息到电机，造成顺时针或逆时针方向旋转。桥接电路中的场效应晶体管T1-T8迎合电机的转向。场效应晶体管的二极管有助于抑制电机转动时产生的电压峰值(反电势)。具体见附件内容。 太阳能板跟踪系统电路设计附件内容截图:

基于matlab的运动目标检测与跟踪算法研究视频讲解 项目简介：https://blog.csdn.net/babyai996/article/details/124091328 项目下载：https://download.csdn.net/download/babyai996/83434868

人工智能_项目实践_上市公司财务数据_筛选识别上市公司财务数据指标进行跟踪分析和研究，识别真伪 上市公司财务造假预测

DeepLabCut：无需标记的深度学习(动物)姿态估计与行为跟踪 www.deeplabcut.org DeepLabCut 是一个工具箱，用于对执行各种任务的动物进行无标记姿势估计。 阅读下面的简短开发和应用摘要。 :purple_heart: DeepLabCut 现在支持多动物姿态估计（测试版）。 安装：如何安装 DeepLabCut 文档：DeepLabCut 过程 项目管理的管道和工作流程概述。 有关分步用户指南，请同时阅读 Nature Protocols 论文！ 演示代码 我们提供了几个 Jupyter Notebook：一个引导您完成演示数据集以测试您的安装，另一个 Notebook 从一开始就在您自己的数据上运行 DeepLabCut。 我们还向您展示了如何在 Docker 和 Google Colab 上使用代码。 为什么要使用 DeepLabCut？ 2018 年，我们展示了跟踪跟踪、到达小鼠体内以及产卵过程中各种果蝇行为的能力（详见 Mathis 等人）。 然而，没有任何特定内容使工具箱仅适用于这些任务和/或物种。 该工具箱已经（由我们和其