基于反步法非线性纯反馈系统的控制器设计

针对由于非线性纯反馈系统存在非仿射性结构使得用以往的坐标变换难以设计出控制器的问题,提出了一种新的坐标变换,并引入了一阶控制输入的辅助系统来处理非线性纯反馈系统。首先,结合新提出的坐标变换,计算出新状态方程;然后,基于反步法在每一步中设计出正定的Lyapunov函数;最后,通过设计虚拟控制器和实际的辅助控制器使得Lyapunov的导数负定,这样从理论上解决了非线性纯反馈系统的跟踪问题。仿真实验表明所设计的辅助控制器能使得纯反馈闭环系统所有状态信号有界,控制输出能跟踪到给定信号,跟踪误差渐近地趋于稳定,从而达到要求。     

基于自适应模糊补偿的不确定性机器人CNF控制

为解决不确定性因素对机器人系统的影响,实现不确定性机器人系统准确跟踪参考输入的能力,研究了自适应模糊控制和组合非线性反馈(CNF)控制相结合的策略。提出了一种基于自适应模糊补偿的机器人CNF控制器。核心是将系统的不确定性利用自适应模糊控制进行在线逼近,作为CNF控制器的补偿项,充分利用两种控制方法的优势,降低不确定性因素对系统性能的影响。通过反馈线性化技术与Lyapunov理论,证明了闭环系统的收敛性;最终仿真结果证实了此方法的有效性。     

Lp范数压缩感知图像重建优化算法

目的 压缩感知理论中的重构算法作为关键技术之一,在科学研究方面起到了关键的作用。常用的重构算法包括L₀范数的非凸优化算法和L₁范数的凸优化算法,但它们的缺点是重构精度不高,运算时间很长。为了克服这一缺陷,提高现有基于L_p范数的压缩感知图像重构算法的重建精度和算法效率,本文提出改进算法。方法 针对拉格朗日函数序列二次规划（SQP）方法中海瑟（Hesse）矩阵不正定导致计算量很大的问题,引入价值函数,修正Hesse矩阵的序列二次规划方法并结合图像分块压缩感知技术,提出了一种基于L_P范数压缩感知图像重构算法。结果 在采样率同为40%情况下,本文算法下的信噪比为34.28 dB,高于BOMP（block orthogonal matching pursuit）算法信噪比2%,高于当罚函数作为修正方法时的13.2%。本文算法计算时间为190.55 s,快于BOMP算法13.4%,快于当罚函数作为修正方法时的67.5%。采样率同为50%的情况下,本文算法下的信噪比为35.42 dB,高BOMP算法信噪比2.4%,高于当罚函数作为修正方法时信噪比12.8%。本文算法的计算时间是196.67 s,快于BOMP算法68.2%,快于81.7%。在采样率同为60%的情况下,本文算法的信噪比为36.33 dB,高于BOMP算法信噪比3.2%,高于当罚函数作为修正方法时信噪比8.2%。本文算法计算时间为201.72 s,快于BOMP算法82.3%,快于当罚函数作为修正方法时86.6%。在采样率为70%的情况下,本文算法信噪比38.62 dB,高于BOMP算法信噪比2.5%,高于当罚函数作为修正方法时信噪比9.8%。本文算法计算时间为214.68 s,快于BOMP算法88.12%,快于当罚函数作为修正方法时的91.1%。实验结果显示在相同的采样率的情况下,本文改进算法在重构精度和算法时间上均优于BOMP算法等其他算法。并且采样率越高,重构图像精度越来越高,重构算法时间越来越短。结论 通过实验对本文算法、BOMP重构算法等其他算法在信噪比和算法计算时间进行对比,在不同采样率下,本文算法都明显优于其他两种算法,而且在采样率仅为20.5%时,信噪比高达85.154 3 dB,重构图像比较清晰。本文算法的最大优点在于采用了分块压缩感知技术,提高图像重构效率,降低了重构时间,缺点是在图像采样率比较低的情况下,存在图像干扰块效应。接下来研究方向是如何在采样率低的情况下,高精度地还原图片,消除图像干扰块效应。     

考虑相依边负载的相依网络鲁棒性研究

针对现实中不同网络之间的连接边存在负载传递和容量约束的现象,提出了一种考虑相依边负载的相依网络级联失效模型,并将该模型运用到地铁公交相依网络上,分析不同交通网络之间的换乘所带来的负载分配问题。该模型综合考虑了相依边过载失效、相依节点故障和非最大连通子图节点损失的失效情况。通过调节攻击比例,分析不同负载重分配策略、不同的网络耦合方式与组合模式、网络的相依程度、不同边攻击方式下对相依网络鲁棒性的影响。结果表明:剩余容量分配策略能有效缓解相依边的过载失效,小世界网络组成的相依网络鲁棒性更好;提高耦合程度和子网络的平均度能有效提高相依网络的抗毁性;相较于相连边,攻击相依边对网络的鲁棒性影响更大。     

带有输入饱和及输出受限非仿射系统固定时间跟踪控制

针对具有量化输入饱和及输出受限的非线性非仿射系统,提出固定时间自适应神经网络跟踪控制方法.引入中值定理解决系统具有非仿射结构的问题;基于反步法,使用Barrier Lyapunov函数约束系统输出,并利用RBF神经网络逼近未知函数;根据固定时间控制理论设计输入信号,该输入信号由滞后量化器量化,以降低控制信号的通信速率,并保证该系统在满足量化输入饱和及输出受限的条件下,系统可以在固定时间内跟踪上期望信号,且该系统收敛时间与初始状态无关.最后通过Matlab仿真软件验证所设计控制器的有效性.