在VC++中利用多线程实现图像采集与通信

在远程图像监控系统中,利用图像采集卡、采用多线程方法实现实时图像采集和通信,并通过实例阐述了实现过程。     

人工神经网络在伺服最优鲁棒控制中的应用

提出了一种基于神经网络的伺服最优鲁棒控制，介绍了利用神经网络的学习特性对被控对象的模型不确定性进行补偿和控制。仿真结果表明，所控制器优于一般伺服控制的性能，并有较强的鲁棒性。     

基于高斯势函数网络的自适应PID控制系统

提出一类基于GPFN(Gaussian Potential Function Networds)网络的自适应PID控制系统。该控制系统由两个GPFN网络组成,一个完成PID学习控制器,另一个完成未知被控对象模型的建立。为加快网络学习过程,提出了广义递归最小二乘(GRLS)学习算法,并推导了控制器网络所需的学习信号。仿真结果表明了该方法的有效性。     

旋翼飞行机械臂建模及动态重心补偿控制

旋翼飞行机械臂是将多关节机械臂固连在旋翼飞行平台上而组成的一种面向主动任务操作的特殊系统,其飞行平台和机械臂之间存在强耦合特性.本文针对机械臂的规划运动对飞行平台的干扰问题,建立了系统运动学和动力学模型,并通过动态计算系统重心位置坐标,设计出基于backstepping的动态重心补偿控制方法,针对补偿项测量噪声问题设计了二阶低通滤波器,并使用Lyapunov稳定性理论证明了系统的稳定性.仿真和实验均验证了在相同的参数条件下,具有动态重心补偿项的控制算法比没有重心补偿项的控制算法在轨迹跟踪和姿态稳定方面具有明显优势.     

基于参数不敏感设计的网络拥塞控制算法

本文提出了一种新颖的主动队列管理(active queue management,AQM)策略一间隔随机早期检测(interval random earlv detection,IRED).与传统的RED机制不同,IRED的参数设计中,平均队长的门限值一最小阈值和最大阈值从固定不变的单值,变为了一个阈值区间.相对于RED的单值固定阈值的设计,IRED的适应能力和鲁棒性得到增强,在大多数的网络环境下能够保持良好的性能,特别是在网络状态出现波动和突变时,其性能比传统的AQM算法更佳.本文进一步采用了TCP-AQM的动态模型分析了使用IRED控制器的拥塞控制系统的稳定性,分析了系统的稳定裕度,并给出了稳定裕度与控制增益的关系式,从而提出了一种根据期望稳定裕度来设计阈值区间的系统化方法.最后.在NS-2仿真平台上,通过与RED和Gentle-RED种算法比较,证明IRED优越性,特别是在变负载的网络环境下的良好性能.     

基于滑模观测器的永磁同步电机变结构鲁棒控制

提出一种由一个变结构控制器和一个滑模观测器组成的控制系统,用于永磁同步电机的无传感器鲁棒控制.首先利用Lyapunov稳定性原理分析得到观测器的收敛条件及自适应率,并证明了其稳定性,然后以转速误差为参量建立滑模面,构造出变结构速度控制器,推导出自适应速度控制律,并得到速度控制的参考电流和参考电压.该方案的控制性能不依赖于电机参数和干扰变化,具有较强的鲁棒性.仿真结果验证了该方案的有效性与正确性.     

支持向量机处理大规模问题算法综述

支持向量机在处理大规模问题时存在训练时间过长和内存空间需求过大的问题.分析了支持向量机在处理大规模问题时存在的局限性;对利用支持向量机处理大规模问题的各种算法进行了分类,并对每种算法的研究状况进行了较全面而深入的综述;对该领域内值得进一步研究的问题进行了讨论.     

基于支持向量机逼近的内模控制系统及应用

针对同步发电机组汽门系统, 文章研究了一种基于支持向量机逼近的内模控制系统. 所研究的控制系统包括两个主要部分: 支持向量机逼近逆控制器、内模框架下的不确定性补偿. 由基于泰勒扩展的输入输出逼近模型计算逆控制律, 并由非线性系统辨识来实现. 同时, 采用一个鲁棒滤波器实现内模框架下的不确定性补偿. 针对汽门系统的仿真实验验证了该控制系统的优良性能.     

基于粗糙集约简的神经网络集成及其遥感图像分类应用

为降低集成特征选择方法的计算复杂性,提出了一种基于粗糙集约简的神经网络集成分类方法。该方法首先通过结合遗传算法求约简和重采样技术的动态约简技术,获得稳定的、泛化能力较强的属性约简集;然后,基于不同约简设计BP网络作为待集成的基分类器,并依据选择性集成思想,通过一定的搜索策略,找到具有最佳泛化性能的集成网络;最后通过多数投票法实现神经网络集成分类。该方法在某地区Landsat 7波段遥感图像的分类实验中得到了验证,由于通过粗糙集约简,过滤掉了大量分类性能欠佳的特征子集,和传统的集成特征选择方法相比,该方法时间开销少,计算复杂性低,具有满意的分类性能。     

发电机组的一种多模型自学习控制

针对发电机组励磁与汽门的综合控制,研究了一种多模型自学习控制(MMSC).首先,建立机组不同工况下的样本数据并归纳模糊控制器(FLC)规则,随后采用模糊聚类算法将样本约简为典型工况,并得到对应于典型工况的模型库与控制器库.MMSC的控制量为多个FLC输出的加权集成,而加权系数由模型匹配程度决定.采用学习能力强的支持向量机来实现FLC的自学习和在线优化.仿真实验验证了MMSC的控制性能和效果.