在这项研究中，研究了具有参数不确定性和时变传输延迟的离散时间网络控制系统（NCS）的事件触发的保证成本控制问题。 首先，提出了一种离散NCS的事件触发方案。 然后采用时延系统的方法，建立了具有参数不确定性和状态时滞的事件触发控制系统的统一模型。 通过将Laypunov泛函方法与线性矩阵不等式（LMI）技术一起使用，为存在可接受的保证成本控制器建立了充分的条件，从而确保特定的二次成本函数具有所有可接受的不确定性的上限。 拟议的稳定性和稳定条件是在LMI的框架内制定的，可以通过使用现有的优化技术来有效地解决。 最后，通过数值算例和实际算例表明，在所提出的事件触发方案下，保留了在不损害闭环系统稳定性的前提下减少控制网络中通信流量的优点。

核主元分析KPCA的降维特征提取以及故障检测应用-data.rar 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑      核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical engineering science, 2004, 59: 223-234. 1. KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算 function model = kpca_train % DESCRIPTION % Kernel principal component analysis % %       mappedX = kpca_train % % INPUT %   X            Training samples %                N: number of samples %                d: number of features %   options      Parameters setting % % OUTPUT %   model        KPCA model % % % Created on 9th November, 2018, by Kepeng Qiu. % number of training samples L = size; % Compute the kernel matrix K = computeKM; % Centralize the kernel matrix unit = ones/L; K_c = K-unit*K-K*unit unit*K*unit; % Solve the eigenvalue problem [V,D] = eigs; lambda = diag; % Normalize the eigenvalue V_s = V ./ sqrt'; % Compute the numbers of principal component % Extract the nonlinear component if options.type == 1 % fault detection     dims = find) >= 0.85,1, 'first'); else     dims = options.dims; end mappedX  = K_c* V_s ; % Store the results model.mappedX =  mappedX ; model.V_s = V_s; model.lambda = lambda; model.K_c = K_c; model.L = L; model.dims = dims; model.X = X; model.K = K; model.unit = unit; model.sigma = options.sigma; % Compute the threshold model.beta = options.beta;% corresponding probabilities [SPE_limit,T2_limit] = comtupeLimit; model.SPE_limit = SPE_limit; model.T2_limit = T2_limit; end复制代码2. KPCA的测试过程： （1）获取测试数据（工业过程数据需要利用训练数据的均值和标准差进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）计算非线性主成分（即降维结果或者特征提取结果） （5）SPE和T2统计量的计算 function [SPE,T2,mappedY] = kpca_test % DESCRIPTION % Compute the T2 statistic, SPE statistic,and the nonlinear component of Y % %       [SPE,T2,mappedY] = kpca_test % % INPUT %   model       KPCA model %   Y           test data % % OUTPUT %   SPE         the SPE statistic %   T2          the T2 statistic %   mappedY     the nonlinear component of Y % % Created on 9th November, 2018, by Kepeng Qiu. % Compute Hotelling's T2 statistic % T2 = diag)*model.mappedX'); % the number of test samples L = size; % Compute the kernel matrix Kt = computeKM; % Centralize the kernel matrix unit = ones/model.L; Kt_c = Kt-unit*model.K-Kt*model.unit unit*model.K*model.unit; % Extract the nonlinear component mappedY = Kt_c*model.V_s; % Compute Hotelling's T2 statistic T2 = diag)*mappedY'); % Compute the squared prediction error SPE = sum.^2,2)-sum; end复制代码 3. demo1: 降维、特征提取 源代码 % Demo1: dimensionality reduction or feature extraction % ---------------------------------------------------------------------% clc clear all close all addpath) % 4 circles load circledata % X = circledata; for i = 1:4     scatter:250*i,1),X:250*i,2))     hold on end % Parameters setting options.sigma = 5;   % kernel width options.dims  = 2;   % output dimension options.type  = 0;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % Principal contribution rate % Train KPCA model model = kpca_train; figure for i = 1:4     scatter:250*i,1), ...         model.mappedX:250*i,2))     hold on end 复制代码（2）结果 （分别为原图和特征提取后的图） demo1-1.png demo1-2.png 4. demo2: 故障检测（需要调节核宽度、主元贡献率和置信度等参数来提高故障检测效果） （1）源代码 % Demo2: Fault detection % X: training samples % Y: test samples % Improve the performance of fault detection by adjusting parameters % 1. options.sigma = 16;   % kernel width % 2. options.beta          % corresponding probabilities % 3. options.cpc  ;        % principal contribution rate % ---------------------------------------------------------------------% clc clear all close all addpath) % X = rand; Y = rand; Y = rand 3; Y = rand*3; % Normalization % mu = mean; % st = std; % X = zscore; % Y = bsxfun,st); % Parameters setting options.sigma = 16;   % kernel width options.dims  = 2;   % output dimension options.type  = 1;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % principal contribution rate % Train KPCA model model = kpca_train; % Test a new sample Y [SPE,T2,mappedY] = kpca_test; % Plot the result plotResult; plotResult; 复制代码（2）结果（分别是SPE统计量和T2统计量的结果图） demo2-1.png demo2-2.png    附件是基于KPCA的降维、特征提取和故障检测程序源代码。如有错误的地方请指出，谢谢。 Kernel Principal Component Analysis .zip KPCA

该功能可用于恒速运行的滚动轴承的基于振动的故障诊断。 这是一个三步程序： (i) 倒谱预白化：减少齿轮等其他周期源的贡献。 (ii) 带通滤波：提高 SNR，尤其是在系统谐振附近执行时(iii) 平方包络谱：允许检测以特定循环频率的大分量为特征的（伪）循环平稳贡献此功能与简单的演示一起提供，它与 Octave 完全兼容。 参考文献：Borghesani P. 等人，倒谱预白化在变速条件下轴承故障诊断中的应用，MSSP，2013 年。

本程序于 25/03/2021 修订，由陈志文创建。 @中南大学目的是演示分布式 CCA 解决玩具问题的标准步骤。 disCCA算法已发布： ZW Chen、Y. Cao、Steven X. Ding、K. Zhang、T. Koenings 等，分布式规范相关用于工厂范围过程监控的基于分析的故障检测方法。 IEEE 工业信息学汇刊, 2019, 15(5): 2710-2720.】 这是中南大学、杜伊斯堡-埃森大学和北京科技大学的联合工作。 我的邮箱是zhiwen.chen@csu.edu.cn。 如果您有任何问题，请随时与我联系。

自适应二值化，能有效克服光照不均干扰 opencv 基于vs2010

为了准确地划分运动目标和背景区域,提出一种自适应阈值的运动目标提取算法,对现有基于背景差的提取算法进行改进。本算法将运动目标和背景作为两个聚类,对图像中的点按像素灰度进行分类,以聚类间的方根—算术均值距离最大作为分割阈值选择的准则,使得运动目标提取算法中二值化阈值能够自动更新,从而实现对运动目标的准确完整提取。实验结果表明,该算法能够较准确快速地提取运动目标,并对环境亮度突变、背景存在微小运动等情况具有较好的鲁棒性。

故障检测

基于FPGA实现了一种自适应阈值Harris角点检测，用于解决低成本ARM处理器无法实时检测到目标角点的问题。该算法首先对整帧像素点进行预筛选，将筛选通过的点进行Harris角点检测，通过设置容忍距离剔除伪角点，得到最终角点并通过LCD屏实时显示。采用自适应阈值方法来解决单一阈值不适应于多样化环境的问题，使每帧（分辨率为480×272）都能检测到大约120个角点，在低成本FPGA芯片Spartan6 XC6SLX45上验证实现。实验结果表明，该实现方法处理速度为115 f/s，能高效准确地检测到目标角点，满足精度、稳定性和实时性要求。

大家可以参考一下哦 这个是好东西放大法啊

该程序实现多特征自适应阈值算法，两个matlab文件，一个为函数，该函数求出信号的特征量值并通过梯度下降法训练出其初始阈值，另一个为主函数，调用该函数文件；该程序将几路信号，每一路信号的特征量值及其自适应阈值求出来，并一起画出图来。-