改进型的动态矩阵控制

本文在分析了七十年代出现的动态矩阵控制算法的基础上,发现该算法在克服干扰的定值调节方面质量不高,从而提出了变预估修正系数的改进算法。并且通过理论分析和实际应用证实了这种改进的正确性和优越性。在过程控制实验室的温度装置上进行的实时控制试验,表明了这种改进算法有较大的实用价值。     

自适应修正Smith算法在时滞系统中的应用

传统的Smith预估补偿控制要求较高的对象模型精度，为了提高系统的鲁棒性，提出了一种改进的Smith预估器。该算法根据历史预估结果动态地对预估输出进行修正，从而提高预估精度。将其应用于大时滞温控系统，取得了准确的预估输出和良好的控制品质。算法实现简单、应用灵活、适应性强，可以应用于其他有滞后影响的场合。     

基于ITAE指标的改进型SMITH预估器在再热汽温调节中的应用

针对锅炉再热汽温对象的滞后特征,深入分析了Smith预估原理,提出了一种改进的SMITH预估控制器。并基于ITAE优化准则给出了改进Smith预估控制器的参数整定方法.在实际应用中证实了这种改进后的预估控制器具有较快的响应速度,展示了其良好的抗干扰能力和鲁棒性。     

基于ITAE指标的改进型SMITH预估器在再热气温调节中的应用

针对锅炉再热汽温对象的滞后特征,深入分析了Smith预估原理,提出了一种改进的SMITH预估控制器。并基于ITAE优化准则给出了改进Smith预估控制器的参数整定方法．在实际应用中证实了这种改进后的预估控制器具有较快的响应速度,展示了其良好的抗干扰能力和鲁棒性。     

一种改进的Smith预估控制器

针对工业过程滞后对象控制的问题，深入分析了Smith预估原理，提出了一种改进的Smith预估控制器。并基于ITAE优化准则给出了改进Smith预估控制器的参数整定方法.仿真验证了这种改进后的预估控制器具有较快的响应速度，展示了其良好的抗干扰能力和鲁棒性。该预估控制器具有一定的工程实用推广价值.     

一种改进的比例导引规律的设计与仿真

由于经典比例导引规律对大气层外高性能目标的命中精度不理想,文中就此问题提出了一种改进的比例导引规律.该导引规律的改进之处有两点:①提出了目标飞行弹道的预估算法,保证了导弹对目标位置和速度的实时预估,解决了红外导引头带宽限制的问题;②以减小脱靶量为指标,提出了较优导航比例系数的搜索算法,解决了弹体可用过载限制的问题.仿真结果表明,这种改进的比例导引规律对高性能目标能够取得较高的命中精度,相比经典的比例导引规律有很大的性能改善.     

一种改进的Smith预估控制器

针对工业过程滞后对象控制的问题,深入分析了Smith预估原理,提出了一种改进的Smith预估控制器.并基于ITAE优化准则给出了改进Smith预估控制器的参数整定方法.仿真验证了这种改进后的预估控制器具有较快的响应速度,展示了其良好的抗干扰能力和鲁棒性.该预估控制器具有一定的工程实用推广价值.     

基于传感器网络的水下声音源定位方法研究

提出一种分层结构的自组织无线传感器网络(WSN)用于水下声音源的定位研究,可以广泛应用于军事、民用监控等场景;在修正的声音源衰减模型基础上,提出一种改进的非线性最小二乘算法以及极大似然算法用于水下声音源定位;仿真试验对比研究了两种算法在不同的传感器节点以及背景噪声情况下对预估定位误差的影响;试验结果表明了这种分层结构的WSN用于水下声音源定位是可行的,同时验证了最小二乘算法以及极大似然两种算法定位的有效性。     

一类大时间滞后系统的预估

本文研究一类具有大纯时间滞后系统的预估.所述系统的动态特性能用包含中间测量的 链形模型描述.在这种模型的基础上,作者构造了充分利用测量信息的预估算法.该算法已 在一个化工过程控制中成功应用.     

智能控制与复合控制在二阶时变纯滞后对象的应用研究

针对二阶时变纯滞后对象难以控制的问题,提出了采用改进Smith预估器提高系统的稳定性和鲁棒性;采用CMAC和PID并行控制的算法来提高动态性能;以CMAC神经网络作为一个前馈控制器,通过对PID控制器输出的学习,实现二阶变时滞系统的自适应稳定控制。仿真实验表明,这种复合控制方法保留了Smith算法与CMAC神经网络和PID算法的各自特长,具有学习速度快,适应能力强、动态性能好的优点,具有良好的稳定性控制效果。     

量子小波神经网络及其在漏钢预报中的应用

针对传统神经网络收敛速度慢,收敛精度低,以及用于模式识别泛化能力差的问题。提出了将量子神经网络与小波理论相结合的量子小波神经网络模型。该模型隐层量子神经元采用小波基函数的线性叠加作为激励函数,称之为多层小波激励函数,这样隐层神经元既能表示更多的状态和量级,又能提高网络收敛精度和速度。给出了网络学习算法。并以之在漏钢预报波形识别中的应用验证了该模型和学习算法的有效性。     

Asymptotic behavior of the extended Kalman filter as a parameter estimator for linear systems

The extended Kalman filter is an approximate filter for nonlinear systems, based on first-order linearization. Its use for the joint parameter and state estimation problem for linear systems with unknown parameters is well known and widely spread. Here a convergence analysis of this method is given. It is shown that in general, the estimates may be biased or divergent and the causes for this are displayed. Some common special cases where convergence is guaranteed are also given. The analysis gives insight into the convergence mechanisms and it is shown that with a modification of the algorithm, global convergence results can be obtained for a general case. The scheme can then be interpreted as maximization of the likelihood function for the estimation problem, or as a recursive prediction error algorithm.     

基于状态方程的预测最优控制

本文提出了一种新的预测控制算法——基于状态方程的预测控制算法,推导了预测最优控制律;然后将该算法推广,提出一种关于高维系统的预测指标与状态预测算法以及最优预测控制算法,并给出该算法收敛的充分条件;最后介绍了该算法在导弹飞行控制系统中的应用及仿真结果。     

配电网络系统潮流计算的一种并行算法

In this paper, aiming to the problems, such as slow convergence, long computing time in the tidal current computation of present medium or large -scale distributed power system, one parallel algorithm based on MPI programming model and the character of distributed power system is given. Then the performance analysis is described. And the algorithm has been programmed in MPICH language. At last, the validity of the algorithm is verified by a middle-scale sample computation on 8 CPUs in a small cluster with 128 CPUs.     

均匀颜色空间中的免疫荧光图像分析

分析彩色免疫荧光图像可以获得细胞免疫信息,用于辅助研究和医疗诊断。视觉上图像前景荧光区域和背景之间存在明显的颜色差异,在CIE（L^＊,a^＊,b^＊）均匀颜色空间中利用该颜色差异给出了一种像素生长算法用于获取荧光区域。在区域提取的基础上,根据同一细胞不同区域之间的相关性初步识别细胞并计数。     

Convergence of gradient method for a fully recurrent neural network

Recurrent neural networks have been successfully used for analysis and prediction of temporal sequences. This paper is concerned with the convergence of a gradient-descent learning algorithm for training a fully recurrent neural network. In literature, stochastic process theory has been used to establish some convergence results of probability nature for the on-line gradient training algorithm, based on the assumption that a very large number of (or infinitely many in theory) training samples of the temporal sequences are available. In this paper, we consider the case that only a limited number of training samples of the temporal sequences are available such that the stochastic treatment of the problem is no longer appropriate. Instead, we use an off-line gradient training algorithm for the fully recurrent neural network, and we accordingly prove some convergence results of deterministic nature. The monotonicity of the error function in the iteration is also guaranteed. A numerical example is given to support the theoretical findings.     

反馈非线性系统随机梯度辨识算法及其收敛性

反馈非线性受控自回归系统是由前向通道的受控自回归模型和反馈通道的静态非线性构成, 这类系统经过参数化后得到双线性参数辨识模型. 本文通过对辨识模型中双线性参数乘积项进行分解, 基于梯度搜索原理, 提 出了反馈非线性系统的随机梯度辨识算法. 为了改善随机梯度算法的收敛速度, 引入遗忘因子, 文章给出了遗忘因子随机梯度算法, 利用随机过程理论, 建立了随机梯度算法的参数估计收敛定理, 证明了算法的收敛性. 最后, 通过数值仿真验证了算法的有效性.     

A three level costate prediction method for continuous dynamical systems

In this paper a continuous time version of a previous discrete systems optimisation algorithm is developed. The new algorithm uses prediction of costates within a three level structure to provide an efficient organisation of both the storage and the computation. The algorithm which applies to both linear and nonlinear interconnected dynamical systems has been proved to converge to the optimum. A practical example is given to illustrate the approach. In the example which is of a nonlinear synchronous machine the present approach appears to provide faster convergence and smaller storage than with previous hierarchical and global methods.     

基于改进遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出改进遗传算法。该算法考虑了优化问题的全局性要求—结合区间压缩方法,而这往往比局部最优理论和方法困难的多;同时通过对变异算子改进,对遗传算法早熟收敛性方面得到有效控制,最后,给出算法的收敛性证明及收敛性准则。实验表明该算法是有效的。     

涡流人工势场引导下的RRT*移动机器人路径规划

为了解决快速扩展随机树(RRT)在障碍物密集、通道狭窄的环境中收敛速度缓慢、采样节点密集、路径曲折复杂等问题,围绕RRT的一种常见的变体算法RRT*,设计了一种由人工势场(APF)引导RRT*进行路径规划的方法。首先,使用涡流约束向外发散的斥力场,沿着切向梯度方向形成涡流场,并利用涡流人工势场(VAPF)在RRT*偏向区域中引导采样节点进行偏向采样,以减少执行时间,加快收敛速度;同时,利用节点拒绝技术去除高成本节点和无效节点,生成节点更为集中的轨迹树,降低内存需求;最后,通过修剪路径中的多余节点,并利用涡流势场的特性对路径进行平滑处理,达到路径优化的效果。考虑到RRT类算法具有概率随机性,对RRT算法、改进RRT*算法和VAPF-RRT*算法分别进行了32次对比实验。仿真结果表明,提出的VAPFRRT*算法明显降低了迭代次数,以更少的采样节点和执行时间收敛到更短更平滑的路径,提高了内存利用率,加快了收敛速度。