一类MIMO非线性系统的直接自适应模糊滑模控制

针对一类具有下三角形函数控制增益矩阵的非线性系统, 基于滑模控制原理, 并利用Ⅱ型模糊系统的逼近能力, 提出了一种直接自适应模糊滑模控制器设计的新方案. 通过引入积分型李雅普诺夫函数及逼近误差自适应补偿项, 证明了闭环系统是全局稳定的, 跟踪误差收敛到零. 仿真结果表明了该方法的有效性.     

基于网络的控制系统的建模与控制

根据控制在信息网络中作用的特点,首先介绍了基于网络的控制系统的概念,然后从建模和控制两个方面介绍了基于网络的控制系统的研究状况,进一步探讨了基于网络的非线性动态系统建模与控制、系统鲁棒性等有待解决的一些问题,并对此研究作了进一步展望。     

基于Haar小波的队列动态多尺度自适应智能预测

为降低网络拥塞风险和实现对网络队列缓存资源状态预测,基于智能控制技术和多尺度表示方法,通过引进自适应补偿模糊因子,运用Ｈａａｒ小波的优良特性,构造了一类在线无监督学习实时预测补偿模糊神经网络,提出了基于Ｈａａｒ队列动态多尺度融合自适应智能预测方案．仿真表明,该预测策略对于自相似特性数据流在队列缓存动态具有较好的预测能力．     

具有全状态约束和未建模动态的严格反馈系统有限时间自适应动态面控制

针对一类具有全状态约束、未建模动态和动态扰动的严格反馈非线性系统,通过构造非线性滤波器,并利用Young’s不等式,提出一种新的有限时间自适应动态面控制方法.引入非线性映射处理全状态约束,将有约束系统变成无约束系统,利用径向基函数逼近未知光滑函数,利用辅助系统产生的动态信号处理未建模动态.对于变换后的系统,利用改进的动态面控制和有限时间方法设计的控制器结构简单,移去现有有限时间控制中出现的“奇异性”问题,可加快系统的收敛速度.理论分析表明,闭环系统中的所有信号在有限时间内有界,全状态不违背约束条件.数值算例的仿真结果表明,所提出的自适应动态面控制方案是有效的.     

时变内耦合复杂网络的平衡态同步smart变结构控制

当前同步控制问题是复杂网络研究的热点之一. 本文针对具有时变内耦合结构的复杂网络, 利用结点混沌动态的各态历经性, 通过构造合适的滑模面, 提出了smart变结构控制器的设计策略. 该策略可使复杂网络动态行为趋向于所构造的全局吸引区域, 从而最终实现复杂网络在平衡态的渐近同步. 最后, 基于3种不同拓扑结构的Lorenz结点动态的复杂网络进行仿真实验表明该控制方案具有较好的鲁棒性和有效性.     

基于小波包分解的图像清晰度判定

针对微操作机器人在视觉伺服过程中图像清晰度判定问题，提出了基于小波包分解的图像清晰度判定方法。介绍了微操作显微视觉系统的特点，构造了基于小波包重构信号能量的图像清晰度判定特征向量．并建立了线性图像清晰度分类器。采用Fisher准则确定分类器的权向量和分界点阈值。实验数据验证了该分类器的有效性。     

基于扩展三角特征的AdaBoost快速人眼检测算法

首先给出了通过矩形块与三角像素特征块相结合所构造的八种用于眼睛检测的扩展三角特征原型块.考虑扫描块在人脸背景中遍历时眼睛样本图像块数量远少于非眼睛样本块数的实际,提出了一种结合Haar特征和三角特征的AdaBoost快速眼睛检测算法.通过级联分类器的前几层强分类器完成排除大部分非眼睛样本;然后,通过后续强分类器进行判断大部分的眼睛图像块和少量非眼睛图像块.检测时间消耗有所下降,这样可以保证整体的检测速度.实验结果进一步表明该算法具有更好的检测性能,与仅使用Haar特征相比正检率有一定程度提高.      

基于条件高斯分布的未知输入与状态估计算法

针对未知输入同时存在于系统方程和测量方程的直接馈通线性随机系统, 提出了一种同时估计未知输入 和状态的算法. 首先, 通过将未知输入模型描述为有限方差的高斯分布, 利用条件高斯分布的性质, 推导出新的滤波 算法, 以同时得到未知输入估计和状态估计. 其次, 证明了当未知输入的方差趋于无穷大时, 本文提出的算法等价于 已有的递归三步滤波算法. 最后, 分析了本文算法的渐进稳定性条件, 结果表明, 与已有算法相比, 本文的算法适用 范围更广.     

一类非线性时滞系统的自适应动态面控制

本文对于一类含不确定输入时滞和干扰的非线性系统的跟踪控制问题提出了一种自适应动态面控制方案. 利用动态面控制方法避免了传统的后推设计中存在的复杂度爆炸问题. 分别构造了一个滤波器和一个虚拟观测器来产生辅助信号. 采用神经网络来逼近未知的连续函数. 跟踪误差被证明最终收敛到一个足够小的紧集. 给出了一个数字仿真示例验证了理论结果.     

基于加权匹配代价和色彩分割的快速立体匹配

针对现有立体匹配算法复杂、耗时较长的特点,提出了一种基于加权匹配代价和色彩分割的立体匹配算法。算法引入一种基于梯度差算子与绝对差算子加权的匹配代价计算初始视差。根据基于色彩分割的视差假设,采用Mean-Shift算子对图像进行分割,用分割后的图像作为模板优化初始视差。实验结果表明,该算法提高匹配精度和速度,具有良好的实用价值。