数据丢失情况下的最小二乘参数辨识算法

现有系统参数辨识方法大多是建立在输入输出数据可以完全测量和完全获取的基础上,而在实际系统中,由于传感器故障或网络传输机构故障,使得数据丢失现象经常发生。研究一类线性系统在输入或输出数据丢失情况下的系统辨识问题,并将数据丢失现象描述为随机伯努利序列,在此基础上提出新的辨识算法来估计数据丢失情况下系统的参数。最后,通过仿真示例验证所提算法对数据丢失的影响。结果表明,所提出的算法相较于递推最小二乘法有更好的收敛性。     

迭代学习控制在GTAW焊接过程中的应用研究

针对相同工件的批量焊接,并且焊接轨迹相同的情况下,焊接过程具有极高的重复性。提出了基于迭代学习控制(ILC)的脉冲气体钨极氩弧焊(GTAW)焊接过程跟踪控制方法。根据GTAW焊接的动态过程模型,设计了GTAW焊接过程控制的ILC算法,并对算法的收敛性进行了证明。研究结果表明,ILC可以有效地利用焊接过程中的重复信息,经过60次迭代学习后,焊接系统输出可以较好的达到期望轨迹,并获得较高的控制精度,验证了方法的有效性。与PID控制相比ILC控制器不但可以获得较好的跟踪效果,而且还能有效抑制外部扰动的作用,具有较强的鲁棒性。     

数据丢失下多智能体系统迭代学习跟踪控制

考虑数据丢失下非线性多智能体系统的一致性跟踪问题。假设多智能体系统使用固定网络通信拓扑结构,由于通信网络自身限制导致多智能体系统中存在数据丢失现象。将数据丢失现象描述为取值0/1的随机伯努利序列,设计分布式一致性跟踪误差,提出该系统在数据丢失下的P型迭代学习控制算法。采用压缩映射的方法给出收敛性条件,并在理论上分析了跟踪误差的收敛性。仿真结果表明,提出的算法可以实现该系统在有限时间区间上对期望轨迹的完全跟踪,验证了算法的有效性。     

基于模型参考神经网络自适应异步电机无速度传感器矢量控制系统的研究

针对在传统的异步电机矢量控制系统中采用编码器、光电码盘等速度传感器来对转速进行检测给系统带来的一些缺陷,该文将模型参考方法和神经网络相结合,提出了一种模型参考BP神经网络的无速度传感器异步电机矢量控制方案,并设计了速度辨识环节.同时对系统进行了仿真和实验,结果表明:该方法具有较强的抗干扰能力,受电机参数影响小,能较好地估计电机转子的转速.     

VHDL与数字电路设计

介绍VHDL语言所具有的强大设计功能和广泛的应用领域,并将其运用于具体数字电路设计.通过对设计结果的分析,阐述了VHDL在数字电路设计中的优越性.并指出VHDL在电子电路设计中的缺点及其未来的发展方向.     

基于迭代学习的配料电机振幅控制

针对具有较强重复性的工业配料称量过程,提出采用迭代学习算法对电振机的振幅进行控制。设计了电振机振幅控制的迭代学习控制器,并分析了控制算法的收敛性。该方法控制器的设计不需要系统的模型信息,利用配料过程的重复性通过学习可以实现给料速度的精确控制。仿真实验由电振机实验装置与MATLAB仿真软件平台组成,仿真结果表明,与PID控制相比ILC控制器不但可以获得较好的跟踪效果,而且还可以有效抑制负载扰动的作用,具有较强鲁棒性。该方法计算量较小、便于实现,适合工业实际控制系统的应用。     

一种数据丢包情况下的交叉口排队长度均衡控制方法

针对交通数据在传输过程中随机丢包造成交通拥堵的问题,提出一种新的交叉口排队长度均衡控制方法。考虑到交叉口交通控制的重复特性和强非线性,将无模型自适应迭代学习控制方案应用于交叉口排队长度控制中,通过实时调整各交叉口的信号配时方案来调节路口车辆的排队长度,实现各交叉口排队长度的均衡。针对道路交通网络控制中排队长度差值数据在传输过程中存在的丢包现象,将数据丢失现象描述为概率已知的伯努利序列,提出数据丢失情况下的补偿算法,即利用上次迭代的输出数据、伪梯度的估计值和控制输入差值对丢失数据进行补偿,解决存在数据丢包情况下多交叉口排队长度均衡控制问题。仿真结果表明,该方法在数据丢包的情况下迭代100次左右能够收敛于期望值并达到期望控制效果,验证了补偿算法的有效性。     

基于二维系统的迭代学习事件触发鲁棒控制

本文研究了二维系统框架下,带有事件触发机制的不确定离散系统迭代学习鲁棒控制问题.首先为了减少迭代过程中控制信号的更新次数,构建了一种沿迭代轴的事件触发机制,并提出了基于事件触发机制的迭代学习控制算法.基于二维系统理论,将迭代学习过程转化为等价二维Roesser系统.构造李雅普诺夫函数,结合线性矩阵不等式(LMI)技术,给出了系统渐近稳定的充分条件,进一步得到了控制器增益的求取方法.最后仿真结果验证了提出的事件触发机制的有效性.     

输出饱和多智能体系统的迭代学习趋同跟踪控制

针对带有输出饱和的多智能体系统有限时间趋同跟踪控制问题,提出了一种分布式迭代学习控制算法.首先假设多智能体系统具有固定拓扑结构,且仅有部分智能体可获取到期望轨迹信息.基于输出约束条件构造一致性跟踪误差,在此基础上设计了P型迭代学习控制率.然后采用压缩映射方法给出了一个算法收敛的充分条件,并在理论上证明了跟踪误差的收敛性.最后,将理论结果推广至具有随机切换拓扑结构的多智能体系统中.仿真结果验证了所提出算法的有效性.     

深度残差神经网络高分辨率遥感图像建筑物分割

针对高分辨率遥感图像建筑物分割问题,提出一种Encoder-Decoder的深度学习框架,建立输入图像到分割结果之间的端对端的分割模型。其中Encoder以残差网络为基础,自动提取建筑物的特征;Decoder采用反卷积实现对特征图的上采样,从而完成对建筑物的分割;同时引入批量规范化处理,降低了神经网络权重训练过程中的梯度竞争,从而减小了神经网络的训练难度。实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息,降低复杂道路等干扰的影响,提升建筑物的分割精准度,算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为：0.837、0.892和0.630;F值分别为：0.851、0.879和0.730。同时,多分辨率条件下的分割实验结果表明,该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力。