1058021RV減速器編碼器綜合性能檢測DFS60E-T5AL00720薦系統是解決信息過載的有效方法,在過去二十多年里,研究人員不斷提出新的推薦算法和相關技術,使得推薦系統得到了長足的發展。但是就目前來看,推薦系統相關技術的研究仍有很多問題和挑戰亟需解決。本論文針對現有推薦系統方法對輔助信息的利用和特征提取、多源輔助信息的融合等問題展開研究,重點聚焦于如何高效地提取輔助信息特征以及如何處理多源輔助信息融合問題。論文的主要的研究工作如下:（1）針對輔助信息特征的高效提取問題,本文提出一種基于半自動編碼器的協同過濾推薦算法。算法利用半自動編碼器（Semi-Autoencoder）提取用戶和物品的輔助信息特征,并將提取出來的特征通過映射矩陣分別映射到矩陣分解模型的用戶和物品的隱含向量上,實現特征提取與矩陣分解模型聯合學習,充分發揮輔助信息對矩陣分解模型的補充作用。實驗結果表明本文提出的模型的推薦效果取得了有效的提升,驗證了半自動編碼器提取輔助信息特征的有效性。（2）針對多源輔助信息特征融合問題,本文提出了一種融合交互歷史和輔助信息的深度協同過濾方法。將用戶和物品的交互歷史當做一種輔助信息,使用深層降噪自編碼器提取用戶和物品的輔助信息特征,并把多種提取出來的輔助信息特征當作本文設計的特征融合網絡的輸入,輸出多種輔助信息融合后的特征。設計這個融合網絡的目的是將多種輔助信息特征映射到同一特征空間下,解決了多源輔助信息的融合問題。實驗結果也表明本文提出的模型在有融合網絡時的推薦準確性要比沒有融合網絡時好,、嵌入容量和隱寫安全性或水印魯棒性、水印圖像質量等方面存在不足。因此針對上述問題,本文的主要研究內容包括:首先,提出了一種基于生成對抗網絡的新型端到端隱寫模型IIH-GAN（Image Information Hiding-GAN）。設計基于SE-Res Net塊的編碼器和,通過優化網絡通道之間的相互依賴性及提高全局特征自動選擇的能力,實現更加準確、高質量的信息嵌入和提取;并通過判別器與編碼器-的對抗訓練,保持載體圖像的分布不改變,提高隱寫對抗安全性。為解決對真實場景中的真實圖像進行解碼的問題,我們在編碼器和之間添加了一個四舍五入層。為了彌補基于生成對抗網絡的隱寫在抵抗目前強大的基于深度學習的隱寫分析算法檢測的不足,我們將對抗樣本添加到基于生成對抗網絡的隱寫模型中。其次,提出了一種基于生成對抗網絡的新型端到端魯棒盲水印模型器以及用于抵抗噪聲攻擊的可微分噪聲層,判別器用于保持水印圖像的不可見性。基于編碼器,以及判別器和可微分噪聲層的聯合訓練使得水印的魯棒性大大提高,能夠抵抗各種不同類型以及強度的噪聲攻擊。在噪聲層中,本文考慮了豐富多樣的噪聲攻擊類型以及高強度的噪聲攻擊。對于不可微分的JPEG壓縮噪聲,提出了一種新型的可微分網絡層進行模擬。后,實驗結果證明所設計隱寫模型IIH-GAN相對當前方法在性能方面具有較大改善;并且當添加對抗樣本時,本文算法被基于深度學習的高級隱寫分析模型檢測出來的準確率從97.43%降低到49.29%,從而提高了隱寫安全性。相對于當前基于深度學習的水印方法,不管是針對單一噪聲還是復合噪聲,以及在抵抗高強度噪聲攻擊時,我們提出的IRBW-GAN模型在提升水印嵌入容量的同時顯著提升了水印圖像質量以及水印提取正確率。我們模擬的JPEG壓縮網絡層更接近真實的JPEG壓縮,從而能夠實現更好的抵御圖像壓縮方面的魯棒性。

1058021RV減速器編碼器綜合性能檢測DFS60E-T5AL00720比單個運動機構的移動機器人有更高的性能,其具有較高的穩定性,可適應復雜的外部環境,本文所設計的六腿滾動式奔跑機器人是一種輪式腿型的復合式機器人,但其奔跑運動是交替支撐和彈跳飛行的過程,可以將其視作雙足仿生機器人的奔跑運動。本文以經典的彈簧負載倒立擺為簡化依據,將多自由度、復雜的機器人系統解耦為俯仰和橫滾兩個方向上的運動,用拉格朗日法分別建立動力學模型,并在兩個運動方向上的平衡點處對其進行了線性化,之后轉化為狀態空間方程,對兩個標稱系統進行了可控可觀性分析。針對欠驅動六腿滾動式奔跑機器人的控制問題,考慮存在外部干擾和模型參數不確定的影響,基于動力學模型,在機器人俯仰和橫滾兩個方向上分別提出了魯棒H∞和滑模變結構的控制策略。針對機器人在運動過程中彈性腿的長度變化情況,在俯仰方向上設計了魯棒H∞制器用以補償機器人模型中的參數不確定性,在橫滾方向上設計滑模變結構控制器以提高機器人的快速響應,通過MATLAB進行仿真驗證,結果表明所設計的控制器可對外部干擾進行有效抑制。為進一步對所設計的控制器進行性能分析傳感器、伺服驅動器和伺服直流電機,完成了上位機的調試和下位機軟件的編寫,提出了控制系統總體設計方案,包括系統外設初始化,MPU6050初始化、姿態信息的讀取和編碼器脈沖的讀取,運用C代碼編寫了所設計的控制算法,并在硬件平臺上進行了驗證。