使用自适应跟踪算法和仿真对象模型篮球

文摘

自适应对象模型方法是一种有效的方法来开发动态和可配置的自适应软件。元模型的特点,描述开车和运行时反射。首先,自适应对象模型的核心思想是解释;然后,五个模式建立自适应对象模型的元模型体系结构,模型引擎,支持工具进行了分析;和篮球跟踪算法的自适应对象模型进行了探讨。其次,提出了一种二维联合信息策略来提高跟踪效果。当篮球是一个非常复杂的环境中,总是会有一些颜色信息的背景是一样的目标,影响篮球跟踪的影响。因此,本文提出一种基于直方图的意义Camshift跟踪方法,通过实时。篮球运动与背景相比直方图,不断调整篮球运动跟踪模型。这两个方法可以更好地建立篮球自适应的跟踪模型对象,减少背景信息的干扰,实现目标的稳定跟踪的影响。 The simulation experiment results show that the method proposed in this paper can effectively improve the accuracy of the basketball goal model and achieve stable tracking of the goal.

1。介绍

自适应对象模型是知识工程的一个研究热点。它是一种知识表示模型。知识表示方法,描述了对象的结构和功能。这方便的知识表示方法产生的知识对象模型基于知识表示内阁。综合利用生产信息将谓词逻辑语义网络和其他推理机制,从而形成一个灵活multiparadigm控制推理系统。该系统不仅具有较高的推理效率和解决问题的能力强,适用于解决复杂问题,也便于实现各种学习功能和探索知识的自动获取。

自适应对象模型是一个抽象的问题域的元模型。它是一个模型,用于描述和定义模型。它是第一个对象的抽象模型的问题域在更高水平上形成一个模型所描述的类;后第二次文摘(1,2),形成一个元模型所描述的元类,急性中耳炎使用元数据来描述一个新的或修改系统的配置信息、解释和执行对象模型建立与元数据(3在运行时)。模型的解释是使用运行时反射技术元数据映射到运行时对象模型的描述。通过将元数据存储在数据库或XML格式文件而不是写在代码中,当业务需求改变时,只需要修改元数据描述,反映在运行时要求的变化和改变你的方式编写代码来适应不断变化的用户需求。简单地说,改变相应的对象模型将改变系统行为(4,5]。终端用户驱动的发展为用户提供一个更强的能力来创建、定制、扩展系统;缩短开发和减少用户和开发人员之间的沟通困难,领域专家可以专注于与丰富的领域知识建立业务模型(6,7]。虽然急性中耳炎方法有许多优点,也有缺点。例如,对象模型难以建立和理解的变化所带来的开发方法急性中耳炎。应用程序开发人员不直接开发系统,但提供开发工具领域专家构建对象模型,并提供解释。机制是解释和执行对象模型,自动生成应用程序系统(8,9]。智能视觉监控系统集成目标模型的形状信息,可以探测和跟踪多个目标。它不仅可以实时监视人类的目标,也分析了人类的姿势和收集大量与人类有关的信息10,11]。智能监控是在复杂的环境中,如城市交通、超市、人机交互、行为分析。通过这种智能监控系统,multiangle监测目标可以实现,目标是实时跟踪,检测到和异常行为,然后各种突发事件报道的管理系统,极大地提高公共场所的安全系数(12,13]。通过相机和电脑的合作,实现移动目标的识别和检测,和目标不断跟踪。计算机分析图像信息返回的篮球实时收集装置,以获得目标的运动特征(14,15]。通过深入研究视觉目标跟踪理论,取得了显著的研究成果的分析和理解目标运动行为,智能交通监控场景篮球,和聪明的目标识别16,17]。运动目标的跟踪定位的位置通过分析篮球运动目标图像序列信息。首先,目标区域位于移动目标检测方法,通过提取目标信息,建立目标模型。然后,篮球图像序列信息和目标模型集成定位移动目标的位置,在篮球和目标运动特征图像序列进行了分析和预测。实现目标的精确定位是在篮球图像序列(18,19]。到目前为止,有许多类型的目标跟踪方法。根据篮球图像序列的目标的数量,可以分为单目标跟踪和多目标跟踪。根据移动目标的特点,他们可分为刚性和非刚性的目标跟踪。目标跟踪的主要思想仍然是基于目标匹配的概念,主要包括基于形状的目标跟踪算法,地区,颜色和特征点(20.,21]。移动目标跟踪过程可以记录实时目标运动的特点。运动特征结合过滤器可以预测目标在下一时刻的位置,从而提高目标跟踪的鲁棒性,所以可以跟踪目标在实际的应用程序。该算法结合过滤应用程序(22,23]。不断深入研究的目标识别和跟踪领域,出现了许多创新的算法,如基于机器学习的目标识别和跟踪算法(24),将目标跟踪转换成一个分类问题。样本训练学习(25,26),然后使用分类器识别候选目标获取目标位置信息(27],它打破了传统的改进算法,构建准确、复杂目标模型来提高跟踪精度。而不是专注于建设稳定、有效的分类器提高目标识别和跟踪算法的性能(28,29日],也注入新的思想目标识别和跟踪的研究方向,这个方法需要与大量的样品支持,获得一种有效的分类器,和一个非常大的数据量是必需的(30.,31日]。无论如何提高目标跟踪算法,实时、准确性和稳定性总是三个重要指标来衡量移动目标跟踪的影响(32,33]。对于篮球目标复杂的背景,背景一直有一些干扰目标模型的色度信息。提出了一种融合目标重要Camshift跟踪算法,通过加权色调的作用显著提高目标识别的过程中,软化语气明显的影响,因此抑制目标识别的背景区域,通过实时对比目标和背景区域直方图模型来确定目标的色调。另一方面,目标模型的准确性和目标跟踪的稳定性大大提高,通过调整目标模型。

一个智能控制系统,使用自适应对象模型是将对象模型方法篮球运动跟踪技术和模糊理论。我们使用移动教学机器人左右轮行走马达控制对象,确保两个轮子都是同步的,当走在一条直线。执行任务规划。在复杂的环境中,目标的问题损失Camshift算法上加以改进。Camshift跟踪在一个复杂的背景使背景有很大影响目标模型的建立。模型是容易混入大量的背景信息和目标直方图。模型结合Camshift跟踪算法,并通过不断更新目标模型分析目标直方图的特点和背景直方图,从而大大提高目标跟踪的影响,并通过实验方法证明是有效的。

2。篮球跟踪结构层次结构基于自适应对象模型

对象模型是建立在两个步骤。首先,建立对象的层次结构模型,然后建立对象的知识库模型根据层次结构关系图。架构图如图1。

根据abstract-concrete关系,描述的对象是三个层次从上到下。换句话说,通过语义连接,对象是抽象为三个水平从下到上。每一层的对象,根据整体与部分之间的关系,对象分解成其组成部分使用语义网络表示方法,和每个部分可以继续细分,直到不可分割或根据需要解决的问题。分解后,每个组件的高级低级对象的对象和相应的组件也应该符合抽象的一对一的关系。

大多数面向对象技术是一个静态方法,建立对象模型。它使用类来描述对象模型在设计阶段,然后由程序员在实现阶段实现。以这种方式建立的对象模型是静态的,在运行时不能改变。当出现新的实体或生成新属性,和业务规则发生了变化,代码将被重写,甚至编译和版本更新。急性中耳炎方法的元数据描述了对象的属性和业务规则。元数据是一个实例级的概念,解释,并在运行时执行。使用上面的推理方法,模糊知识库中知识可以渗透到推理过程。推理引擎,根据系统模糊控制的法律,许多计算程序和编译程序交换信息的接口。

2.1。模糊决策的输出特性校正量

控制系统的性能之间的关系和控制对象的输出特性可以通过输出错误。c(nT)和误差变化量d(Nt)和其他输出状态测量和修正量问确定(Nt)所需的控制效果。如果II用于校正,所描述的性能测量语言变量如表所示1。然后,输出校正量可以通过以下公式表示:

2.2。控制量修正

获得输出响应修正量的模糊决策模块输出特性的修正量。这个修正量需要转换成输入校正量应用于过程实现所需的系统性能。我们建立的系统是一个单一的输入。输出系统,输入和输出改变之间的关系表达式可以表示为

2.3。自适应对象模型引擎

解释器模式定义的语法表示给定的语言,提供了一个解释建筑模式来构建相应的结构的描述元模型,并解释模式解释结构由建设模式。元模型的解释包括两个方面:一是模型引擎实例化元数据来生成特定实体的属性,关系,另一种是解释业务规则在运行时连接业务规则和实体。也就是说,对象的属性和操作分离,单独定制,并在运行时生成一个完整的实例化对象。通过改变实体或业务规则在运行时,系统的灵活性和适应性。该模型引擎通过解释元模型来创建它。实现模型。自适应学习系统的一般模型为主要参考模型和考虑因素,满足研究需要在每个模型中,自适应对象模型设计,如图2。

第一部分是由用户模型和学习行为。用户模型描述用户的个人特征,如描述学习者的基本信息(姓名、性别、出生日期、电话号码、电子邮件、教育水平、职业)、学习风格、认知水平和爱好,学习行为记录,和学习者的学习历史(例如,媒体的类型,学习者对学习资源的访问,学习时间,和访问的数量);系统可以根据用户不断更新用户模型的学习历史。

第二部分是域模型,它描述了领域知识的结构,包括概念和概念之间的联系。每个概念可以有不同的属性和相同的概念与属性可以在不同的数据类型。概念之间的联系是一个对象,连接两个或两个以上的概念,具有独特的识别值和属性。

第三部分是自适应模型,它定义了一组规则用于访问域模型的各个部分根据用户模型中的信息,以及如何修改用户模型。这些规则反映课程教学设计的理念。

第四部分是自适应引擎,这对应于系统的实现;选择、组装和礼物页面根据用户模型;执行自适应规则;的修改和维护,实现用户模型根据用户的学习行为的历史。

第五部分是表示模型,基于用户模型,领域模型,实现自适应和自适应模型显示的内容、导航和序列通过自适应引擎。内容显示可以显示不同的媒体类型的学习内容(如篮球、图片和文本),事实,或抽象特征根据用户的学习风格。第二个是导航系统是基于学习风格,认知水平和兴趣。爱好分为全局导航和局部导航。全球导航的主要领域知识树结构。树状结构可以显示完整的课程的知识体系,和学习状态标志显示当前学习者知识的掌握。

3所示。篮球运动的跟踪算法基于自适应对象模型

3.1。Camshift篮球目标跟踪基于二维联合特征模型

一种改进的基于chromaticity-differential二维联合Camshift方法提出了功能模型。根据图像的色度信息,提取图像的微分信息,chromaticity-differential二维联合直方图模型建立了目标。自微分信息可以反映图像的详细信息和像素分布的相对位置信息,联合模型可以有机结合的两个特性来描述目标模型更严格,从而提高目标识别的准确性和有效区分目标和背景在图像扩大算法的适用范围。流程图如图3。

在上述目标跟踪过程中,跟踪目标的大小和方向更新如下:

因为微分信息能反映目标的详细信息和像素的相对位置信息,在目标识别过程中,图像的色度信息和微分信息一起工作,从而克服的缺陷识别不准确造成的仅仅依靠色度信息和目标的背景。

3.2。基于卓越直方图Camshift篮球跟踪

一般来说,如果目标不是一个单一的颜色,目标将包含多个颜色级别,通常只有一个或几个层次的色度地区易受干扰的背景色调。换句话说,将会有一个部分或一小部分的色调区域显著不同色调的背景,和这些颜色可以作为识别特征的目标。加强这些特征在识别过程中所扮演的角色将提高目标识别的准确性。为此,saliency-weighted直方图用于建立目标模型。使用above-weighted直方图模型实现Camshift目标跟踪可以提高跟踪算法的性能。具体算法描述如下:(我)步骤1:建立一个目标区域的直方图模型。(2)步骤2:将目标区域扩展到周围的0,1次边长成为背景区域,并建立直方图模型的背景区域。(3)步骤3:计算不同级别的色调区域的特点,并建立一个加权直方图模型的目标。(iv)第四步:执行根据目标hue-weighted直方图反向投影模型,并建立一个概率地图投影的图像跟踪。假设点(x,y)与色调的位置坐标像素特征值u在跟踪的图像;然后,灰色的价值P(x,y)这个点的概率地图投影 (v)第五步:根据投影图像的灰度值,计算零时刻和搜索窗口的一阶矩: (vi)第六步:回到步骤1到目标区域,再决定和重建目标的加权直方图模型实现的下一帧图像的目标识别和跟踪。

它可以看到从上面的跟踪过程中,当目标的背景不断变化是由于运动,所选的背景区域也不断变化,不同音调的特点也会改变;因此,在建立加权目标直方图模型,体重也不断调整,和目标直方图模型也及时更新,可适应不同背景下的目标识别和跟踪的要求。也就是说,识别和跟踪的过程中,它总是可以保证当前突出的色彩识别过程中起着重要作用,从而削弱的影响微不足道的色调,有效地抑制干扰背景区域的目标识别和提高目标识别和跟踪性能。

图4显示了自学的仿真流程图模拟和演示模板库的更新策略。这个过程相当于一个篮球跟踪评价体系。评价体系可以评估每一帧的跟踪结果目标(例如,跟踪成功,模板的判断,和跟踪状态判决),然后选择一个合适的模板的模板库。我们的算法是一个自动的过程学习和健壮的判断。我们可以把算法分为三个流程(跟踪状态学习和判断,学习和跟踪结果的判断,和阻塞的学习和判断)。第一步可以自动确定跟踪过程稳态跟踪,逐步改变状态跟踪,或突然改变状态跟踪。每个跟踪状态都有自己的更新策略。第二步是添加空间约束来选择和确定跟踪结果。学习和跟踪结果的判断这个过程是必要的。因为真正的场景是非常复杂和变量,任何跟踪算法都或多或少地跟踪失败。 The third step is to add occlusion learning and judgment to prevent the wrong template from being entered into the template library.

根据分析结果和跟踪状态,我们可以自适应地选择相应的更新策略。如果判断是正确的跟踪和目标之间的匹配模板是足够高,不需要更新模板。如果跟踪误差判断,应该采用不同的更新策略。在一个稳定的状态,如果确定正确的轨道,我们不会将所有当前帧添加到模板库;相反,我们选择样品不太相似的模板库。在逐渐改变状态,如果判断的结果是正确的,目标和历史模板之间的相似性低于目标和瞬时模板之间的相似性。历史模板不描述当前目标的特点,需要更新。状态的突然改变,没有历史模板符合当前的目标。因此,我们不能把当前模板库的框架。

4所示。实验验证

为了验证自适应对象模型的有效性,Meanshift算法,基本Camshift算法,multifeature Camshift融合跟踪算法(14)相比,本文算法进行实验分析。其中,multifeature融合Camshift算法使用颜色、边缘梯度和纹理自适应加权融合构建一个联合概率分布图,实现目标跟踪。选择篮球作为目标进行跟踪,这非常类似于内阁的背景的颜色,它是不容易区分的滚动过程篮球从左到右。高,进一步研究多目标跟踪的准确性会导致更好的准确性分数。得分最高的是1,没有最低分数。正确的跟踪算法如图5。

上述不同的跟踪方法的跟踪性能比较如表所示2。

定位偏差表2指的是像素之间的距离目标区域的中心位置位于中心位置的跟踪算法和跟踪的目标。背景比率是指背景的百分比在目标区域定位跟踪算法。从实验对比结果可以看出,本文中描述的算法有最小定位偏差和最小的比例的背景目标区域的位置。因此,在上面的比较方法,本文中描述的方法最好的跟踪性能。

每个实验包括一个训练阶段和测试阶段。在训练阶段,假设相应的信息,如入口和出口的位置,出口速度和时间价值。在测试阶段,算法分析了三个不同的渠道的比较结果。巴塔查里亚在图的价值62.98是58410,,所以不可能直接判断,这两个目标是相同的目标。图7取决于色相的结果H组件的颜色直方图。图8表明,饱和的颜色直方图年代组件和明度的颜色直方图V组件一般不用作匹配特性。图9是篮球的亮度传递函数的结果跟踪1和篮球跟踪2。亮度传递函数有助于完成篮球跟踪匹配和亮度转换。

此外,实时性能是一个重要的指标来衡量目标跟踪性能。表3显示了上述三种算法时间消耗的。

从表可以看出3,传统的Camshift跟踪算法消耗的最短时间,主要是因为其目标相对简单的模型建立和计算的数据量相对较小;Camshift multifeature融合跟踪算法消耗时间最长,主要是因为方法需要连续计算的颜色,质地,和边缘特征图像中极大地增加计算的数据量。对于本文中的算法,与传统的Camshift算法相比,添加背景统计直方图的过程,不提取其他辅助功能。目标模型通过这个方法增加了消费时间,但是时间消耗的增加并不是很大。从表中可以看出,对于单帧图像目标跟踪,本文的跟踪算法消耗在20 ms,可满足实时要求的普通目标跟踪系统。

5。结论

针对目标的问题损失之间的色差小目标和背景,本文提出了建立一个二维联合目标模型的自适应对象模型。建立了微分图像基于原始图像的色度分布信息,详细的目标信息和像素使用微分信息反映的信息。相对位置分布信息是提高目标识别的准确性。使用二维联合特性来构建目标模型,减少了冗余信息生成的独立特性模型。针对目标丢失的问题时,目标是在一个复杂的背景,一个凸起直方图Camshift融合跟踪方法提出了一种自适应对象模型。目标直方图模型和背景的直方图模型自适应对象模型分析了实时调整目标模型。重量是用来更新目标模型。在确定目标的过程,它强调突出色调的作用,有效地减少了背景干扰,准确定位目标。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称他们没有利益冲突的报道。

引用

1. y他潘安、y WuJia和m .杨“在线视觉跟踪通过整合时空线索,”专业计算机视觉,9卷,不。1,第137 - 124页,2015。视图:出版商的网站|谷歌学术搜索
2. m . Bubbs”观察例study-vitamin 25 (OH) D专业篮球运动员的地位及其对运动表现的影响和恢复,”模式识别的字母,12卷,不。1,第803 - 797页,2015。视图:出版商的网站|谷歌学术搜索
3. w·谢,王c, s。郭,硕士。郭,L.-F。朱,“自适应混合研磨过程的软测量模型基于正规化极端学习机和最小二乘支持向量机优化的金色正弦哈里斯鹰优化算法,”复杂性卷,2020篇文章ID 6457517, 26页,2020。视图:出版商的网站|谷歌学术搜索
4. Leizea, h·a·蒙迪扎巴尔d Borro一度,桑切斯和大肠,“可变形物体的实时视觉跟踪机器人协助手术,”IEEE计算机图形学和应用程序,37卷,不。1,56 - 68,2017页。视图:出版商的网站|谷歌学术搜索
5. m . Alipour m .范尼萨贝里,m . Kabganian”Inertia-free非线性姿态跟踪使用adaptive-sliding与扰动补偿控制基于四元数代数,”模拟,卷96,不。1,43-54,2020页。视图:出版商的网站|谷歌学术搜索
6. 李z . k . s .高,k .奈“健壮的对象跟踪基于自适应模板匹配通过融合多种特征,“杂志的视觉传达和图像表示,44卷,不。4、1、2017页。视图:出版商的网站|谷歌学术搜索
7. t·胡j . m .郑,j .互助县”scene-adaptive运动检测模型基于机器学习和数据聚类,“多媒体工具和应用程序,卷74,不。8,2821 - 2839年,2015页。视图:出版商的网站|谷歌学术搜索
8. y徐、h . Lu和d .周”图像匹配优化基于田口方法和自适应空间聚类筛选功能,“模式识别与人工智能》国际期刊上没有,卷。31日。11日,页17550141 - 175501415,2017。视图:出版商的网站|谷歌学术搜索
9. y Kimitoshi、美国Kiyohiro和y隆,“可行性研究的碗筷对象detectionand姿势估计基于模型和3 dedgels表面,”Paladyn行为机器人技术杂志》上》第六卷,没有。1,第1363 - 1361页,2015。视图:谷歌学术搜索
10. m·陈,“顺序轮目标跟踪算法基于自适应SR-CKF,”中国日报的传感器和执行器,30卷,不。8,1220 - 1225年,2017页。视图:谷歌学术搜索
11. j·李和y .问:奈”,自适应跟踪控制的刚性臂机器人基于极端的学习机器,”电机和控制,19卷,不。4、106 - 116年,2015页。视图:谷歌学术搜索
12. 大学张洪波g . h . Wang和曹问:“多目标跟踪的自适应关联算法聚类分析的基础上,“统一体中央研究院,45卷,不。8,953 - 965年,2015页。视图:谷歌学术搜索
13. p . y .太阳、l . r . Lv和清,“移动物体提取基于显著检测和自适应背景模型,”光电子学字母,16卷,不。88年,第70 - 65页,2020年。视图:出版商的网站|谷歌学术搜索
14. D.-P。Tran V.-D。黄平君”,基于跟踪的自适应学习和ReIdentifying对象使用卷积神经网络,”神经处理信件,50卷,不。1,第282 - 263页,2019。视图:出版商的网站|谷歌学术搜索
15. c . Liu和郭y, y z . Wang”优化配置策略,基于改进的萤火虫群优化算法的温度和湿度,”物理学杂志》:会议系列,卷1168,不。5,052055 - 052063年,2019页。视图:出版商的网站|谷歌学术搜索
16. y . p .辽、w x王”,浮选泡沫图像分割基于多尺度边缘增强和自适应谷检测”Guangxue Jingmi Gongcheng /光学及精密工程,24卷,不。10日,2589 - 2600年,2016页。视图:谷歌学术搜索
17. l .钟、l . m . Lu和l .张”直接3 d对象跟踪方法基于动态纹理模型渲染和扩展密集特征字段,“IEEE电路和系统视频技术,28卷,不。9日,第2315 - 2302页,2018年。视图:出版商的网站|谷歌学术搜索
18. c . r . x Wang歌,l .方舟子,“基于自适应图像分割模型调整全球和本地信息,“国际期刊的成像系统和技术,26卷,不。3、179 - 187年,2016页。视图:出版商的网站|谷歌学术搜索
19. j . Li S.-L。Wong和y鑫”,多个对象检测的可变形的部分原因模型和一个R-CNN,”IEEE信号处理信件,25卷,不。2、288 - 292年,2018页。视图:出版商的网站|谷歌学术搜索
20. f . Boumahdi a。r . Chalal, k . Gasmia“SOA $ $ ^ $ $ ^ \ mathrm {+ d} $ $ + d:一个新的设计方法在基于SOA的新标准的决定决策模型和符号(静),“面向服务的计算和应用,10卷,不。1,35-53,2016页。视图:出版商的网站|谷歌学术搜索
21. m·欧y . j . Wang和j .咦,“高清视频的研究和实现基于FPGA的实时边缘检测系统,”物理学杂志》:会议系列,卷1646,不。1,第012153 - 012144页,2020。视图:出版商的网站|谷歌学术搜索
22. w .田、t . a .塞维利亚和d·李,“快,自学室内气流模拟基于原位自适应制表,”《建筑性能模拟,11卷,不。1 - 2、99 - 112年,2018页。视图:出版商的网站|谷歌学术搜索
23. 周x Changyue, t, c .王”的应用scale-adaptive模拟技术基于一个方程湍流模型,”应用数学和力学,36卷,不。1,第130 - 121页,2015。视图:谷歌学术搜索
24. 彭译葶。徐,z的太阳,黄永发。太阳,“改善scale-adaptive模拟技术基于补偿策略,”欧洲Mechanics-B杂志/液体卷,81年,页1 - 14,2020。视图:出版商的网站|谷歌学术搜索
25. x x肖,c·杨,杨,“基于自适应学习投影法对烟雾模拟:基于机器学习的自适应投影方法,”计算机动画和虚拟世界卷,29号3 - 4,pp. e1837-e1845, 2018年。视图:出版商的网站|谷歌学术搜索
26. w·w·f·张,r . w . Wang邓,和y高,“密封结构的可靠性分析机电系统基于克里格模型,”IOP会议系列:材料科学与工程,卷359,不。1,第012062 - 012054页,2018。视图:出版商的网站|谷歌学术搜索
27. 大肠Donmez和a . f . Kocamaz“设计基于决策树的移动机器人控制基础设施和自适应潜力区域方法,”伊朗科学技术学报,电气工程的交易,44卷,不。1,第448 - 431页,2020。视图:出版商的网站|谷歌学术搜索
28. r . Sammouda a . m . s . Al-Salman, a . Gumaei”一种有效的图像去噪方法的无线多媒体传感器网络基于DT-CWT,”国际期刊的分布式传感器网络文章ID 632568卷,2015年,13页,2015。视图:出版商的网站|谷歌学术搜索
29. 周x Chang-Yue, t, c . l .王”的应用scale-adaptive模拟技术基于一个方程湍流模型,”应用数学和力学(英文版),36卷,不。1,第130 - 121页,2015。视图:谷歌学术搜索
30. 任c Pu、b . j ., a . Yu”动态自适应学习算法研究基于t - s RBF模糊神经网络,”杂志在科学和工程计算方法,19卷,不。1,第218 - 209页,2019。视图:出版商的网站|谷歌学术搜索
31. 徐d、z . y .史和z,“模范自由自适应离散积分sliding-mode-constrained-control自治4 wmv停车系统,”IEEE工业电子产品,卷65,不。1,第843 - 834页,2018。视图:出版商的网站|谷歌学术搜索
32. y夏,s, s . Goudos,“多目标跟踪CNN和粒子滤波的相互监督,“个人和无处不在的计算11卷,第276 - 256页,2019年。视图:谷歌学术搜索
33. 李s y, z高,和美国湾,“探索基于视图的深度学习的3 d模型检索,“ACM交易多媒体计算、通信和应用程序,16卷,不。1、21、2020页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020年Tongjin钱学森等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。