一种新的多渐消因子容积卡尔曼滤波

将强跟踪思想引入容积卡尔曼滤波（cubature Kalman filter，CKF），建立强跟踪CKF能有效克服CKF在模型不确定、状态突变等情况下，滤波性能下降的问题。通过分析现有多渐消因子计算方法，发现它们均只利用了协方差矩阵的对角线元素，并没有考虑各个状态之间的相关性，不能充分发挥多渐消因子的优势。为此，本文提出渐消因子矩阵，基于正交原理推导渐消因子矩阵的求解方法，提出多渐消因子强跟踪CKF算法。多渐消因子强跟踪CKF算法突破了传统多渐消因子为向量的限制，也不再要求渐消因子取值要大于1。仿真验证了算法具有更好的滤波精度何鲁棒性，能更好的满足工程应用的要求。     

考虑节点过载的碳排放空间关联系统级联失效模型

为提高突发事件级联失效对现实碳排放关联系统破坏程度的评估可信性，在传统复杂网络的"负载-容量"级联失效模型基础上，考虑个体成员对负载的冗余能力，提出一种过载失效概率，构建了考虑节点过载状态的级联失效模型，并基于节点特性提出了6种过载节点负载分配策略。仿真结果表明：在过载节点负载分配策略中，综合分配策略整体上较优，能够有效控制级联失效的规模，增加网络鲁棒性；在一定范围内提升过载参数有助于降低级联失效的影响，但提升到一定程度时改善效果不明显；在不同负载分配策略下，剩余系数存在一个最优值，容量可调参数存在最优区间，可以使碳排放关联网络保持较好鲁棒性的同时，花费较小的构建成本，其中紧密度分配策略对应的网络构建成本较高。     

基于非线性干扰观测器的自动弹仓终端滑模控制

针对某自动弹仓位置控制过程中的负载变化和不确定性干扰，设计了基于干扰观测器和非奇异快速终端滑模的复合控制策略，建立了自动弹仓的不确定性动力学模型。干扰观测器用于估计系统复合干扰，估计值用于补偿滑模控制器以增强控制器的鲁棒性和抗干扰能力。运用Lyapunov准则证明了系统闭环稳定。所提算法和PID算法的对比实验结果显示，设计的控制律实现了自动弹仓位置的精确控制，具有良好的鲁棒性，有效提高了自动弹仓的定位稳定性。     

永磁直线电机扰动估计与补偿的位置反步控制

由于永磁直线同步电机直接驱动负载,负载突变、摩擦力和推力波动等各种干扰也将无缓冲地直接作用于电机动子上,如果不加以考虑,将会严重影响伺服系统的精度.为了克服不确定性扰动给永磁直线同步电机位置伺服系统带来的不良影响,提出一种鲁棒反步控制策略.首先,对永磁直线同步电机的数学模型进行分析,将负载阻力、推力波动和摩擦力等作为总干扰;然后,设计一种观测器对总干扰进行估计,将干扰的估计值引入到反步控制律中,起到对扰动进行补偿的作用,并利用Lyapunov函数分析系统的稳定性;最后,通过与不带扰动补偿的反步控制进行仿真比较,结果表明所提出的控制策略能够有效消除不确定性扰动对系统的影响,增强伺服系统的鲁棒性,提高电机位置的跟踪精度.     

基于Spider卷积的三维点云分类与分割网络

针对传统的卷积神经网络（CNN）不能直接处理点云数据，需先将点云数据转换为多视图或者体素化网格，导致过程复杂且点云识别精度低的问题，提出一种新型的点云分类与分割网络Linked-Spider CNN。首先，在Spider CNN基础上通过增加Spider卷积层数以获取点云深层次特征；其次，引入残差网络的思想在每层Spider卷积增加短连接构成残差块；然后，将每层残差块的输出特征进行拼接融合形成点云特征；最后，使用三层全连接层对点云特征进行分类或者利用多层卷积层对点云特征进行分割。在ModelNet40和ShapeNet Parts数据集上将所提网络与PointNet、PointNet++和Spider CNN等网络进行对比实验，实验结果表明，所提网络可以提高点云的分类精度和分割效果，说明该网络具有更快的收敛速度和更强的鲁棒性。     

一种半监督对抗鲁棒模型无关元学习方法

元学习期望训练所得的元模型在学习到的“元知识”基础上利用来自新任务的少量标注样本，仅通过较少的梯度下降步骤微调模型就能够快速适应该任务。但是，由于缺乏训练样本，元学习算法在元训练期间对现有任务过度训练时所得的分类器决策边界不够准确，不合理的决策边界使得元模型更容易受到微小对抗扰动的影响，导致元模型在新任务上的鲁棒性能降低。提出一种半监督对抗鲁棒模型无关元学习（semi-ARMAML）方法，在目标函数中分别引入半监督的对抗鲁棒正则项和基于信息熵的任务无偏正则项，以此优化决策边界，其中对抗鲁棒正则项的计算允许未标注样本包含未见过类样本，从而使得元模型能更好地适应真实应用场景，降低对输入扰动的敏感性，提高对抗鲁棒性。实验结果表明，相比ADML、R-MAML-TRADES等当下主流的对抗元学习方法，semi-ARMAML方法在干净样本上准确率较高，在MiniImageNet数据集的5-way 1-shot与5-way 5-shot任务上对抗鲁棒性能分别约提升1.8%和2.7%，在CIFAR-FS数据集上分别约提升5.2%和8.1%。     

基于改进型模糊线性自抗扰控制器的SCR脱硝系统优化控制

提出了一种改进型模糊线性自抗扰控制器(Fuzzy-MLADRC),该控制器采用高阶惯性环节对对象的大迟延特性进行补偿,并采用模糊规则对控制器参数进行调整.在选择性催化还原(SCR)脱硝系统中对Fuzzy-MLADRC进行了仿真研究,并将其与多种控制器的调节性能进行比较.结果 表明:对于大惯性、大迟延对象,Fuzzy-MLADRC的设定值追踪能力更强;在模型发生失配的情况下,Fuzzy-MLADRC相较于其他控制器具有更好的鲁棒性.