无条件稳定的显式降维非线性有限元

针对传统降维非线性有限元计算速度与精确度难以兼顾的问题,提出了一种无条件稳定的显式迭代算法。基于泰勒展开式得到速度、加速度的三阶精度差分表达式从而获得新的有限元显式迭代方程,并分析其单自由度系统下的传递矩阵谱半径。改进迭代方程使谱半径始终小于1从而满足无条件稳定的要求。实验表明,改进后的显式迭代算法在等效阻尼比的精度上优于中心差分法和隐式迭代法;在降维非线性有限元模型计算中的计算耗时优于隐式迭代方法,提高了降维非线性有限元的迭代计算速度。模型在降维后维度数值较高时,仍能维持良好的计算耗时和帧率,保证了模型的精确度。     

基于BP算法的无模型自适应迭代学习控制

为了改善针对一般非线性离散时间系统的控制性能,引入"拟伪偏导数"概念,给出了般非线性离散时间系统沿迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适应迭代学习控制方案.仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性.     

非线性离散动态系统优化与参数估计集成的多模型方法

在非线性系统分时段线性化多模型基础上,给出了非线性离散动态系统优化与参数估 计集成的多模型方法,并论证了算法的最优性和收敛性.在存在模型-实际差异的情况下,从分 时段线性化多模型出发通过迭代运算可得到实际非线性离散动态系统的真实最优解.仿真结果 表明了算法的有效性和实用性.     

半车非线性悬架的非平稳随机振动及控制

研究了1/2车非线性悬架模型在路面随机激励下的非平稳振动响应,并基于随机最优控制理论对其进行主动控制.首先利用等效线性化方法将具有非线性阻尼及迟滞刚度的非线性悬架模型线性化,然后将主动、被动悬架非平稳随机响应进行比较,结果表明非线性主动悬架的性能要优于被动悬架.最后,通过Monte-Carlo数值模拟验证了理论结果.     

非线性非仿射离散时间系统的两阶段最优迭代学习控制

针对非仿射非线性离散时间系统, 基于一种新的沿迭代轴的动态线性化技术, 提出了双层最优迭代学习控制算法. 双层意味着分别设计了两个最优学习层, 迭代的改进控制输入序列和学习增益. 其主要特点是控制器的设计和收敛性分析只依赖于动态系统的 I/O 数据. 换句话说, 不需要知道系统的任何其他信息就可以很容易的选取控制器参数. 仿真研究表明了提出的算法沿迭代轴具有几何收敛性, 这一特点在快速路交通迭代学习控制中具有重要的工程意义.     

基于迭代扩张状态观测器的数据驱动最优迭代学习控制

针对一类带扰动有限时间内重复运行的离散时间非线性非仿射不确定系统,本文提出了一种基于迭代扩张状态观测器的数据驱动最优迭代学习控制方法.首先,提出了改进的迭代动态线性化方法,将被控系统线性化为与控制输入有关的仿射形式,并将不确定性合并到一个非线性项中;然后,设计了迭代扩张状态观测器对非线性不确定项进行估计,作为对扰动的补偿;最后,设计了性能指标函数,通过最优技术,提出了参数迭代更新律和最优学习控制律.本文通过数学分析,证明了跟踪误差的有界收敛性.仿真结果验证了方法的有效性.所提出的新型迭代动态线性化方法可很大程度上降低线性化后的控制增益的动态复杂性,使其易于估计.所提出的迭代扩张状态观测器可以在重复中学习,对非重复扰动可进行有效的估计.此外,本文控制器的设计与分析是数据驱动的控制方法,除了被控系统的输入输出数据以外,不需要任何其他模型信息.     

一种通用的雷达海杂波计算机仿真模型

针对雷达海杂波相干视频散射模型,给出了一种通用的计算机仿真模型.提出用迭代算法和随机向量法完成无记忆非线性变换过程,产生非高斯相干随机序列.其中迭代算法用来计算非线性变换过程中高斯序列相关性的变化,而随机向量法用来完成线性变换, 仿真实验数据证明利用这种方法可精确地产生具有指定概率密度和功率谱的非高斯随机序列,逼真地复现既包含振幅又包含相位的雷达海杂波相干视频散射信号.同时给出了迭代算法使用过程中的注意问题及海杂波模型仿真的过程和结果.     

利用协方差信息设计的线性离散时间预报器

文中导出了利用线性系统协方差信息的一个离散时间一步预报算法。此算法适用于观测噪声是高斯白噪声的情况。信号是非平稳式平稳的随机过程。信号的自协方差函数是用离散时间系统的一个半退化核表示的。用半退化核可以把随机过程的一般协方差函数表示为非随机函数的有项之和。     

离散时间Itˆo 型跳变系统Lyapunov 方程的有限次迭代求解算法

针对离散时间Itˆo 型马尔科夫跳变系统Lyapunov 方程的求解给出一种迭代算法. 经证明, 在误差允许的范围内, 该算法可以在确定的有限次数内收敛到系统的精确解, 收敛速度较快, 具有良好的数值稳定性, 并且该算法为显式迭代, 可避免迭代过程中求解其他矩阵方程对结果精度产生的影响. 最后通过一个数值算例对该算法的有效性进行了验证.

     

基于加权最小二乘的卡尔曼滤波算法

为了将卡尔曼滤波(KF)应用于非线性系统中,利用了离散采样点将非线性模型线性化.通过加权最小二乘原理.得到近似的线性化模型,再将KF算法应用于这个线性模型中.结果表明,加权最小二乘与KF结合的方法在非线性模型中的计算结果同扩展卡尔曼滤波(EKF)算法接近,且不需要EKF那样求偏导就能很容易地应用到非线性系统中.这种方法实现容易,预测可靠,具有实际应用的价值.     

Data-driven policy iteration algorithm for continuous-time stochastic linear-quadratic optimal control problems

This paper studies a continuous-time stochastic linear-quadratic (SLQ) optimal control problem on infinite-horizon. Combining the Kronecker product theory with an existing policy iteration algorithm, a data-driven policy iteration algorithm is proposed to solve the problem. In contrast to most existing methods that need all information of system coefficients, the proposed algorithm eliminates the requirement of three system matrices by utilizing data of a stochastic system. More specifically, this algorithm uses the collected data to iteratively approximate the optimal control and a solution of the stochastic algebraic Riccati equation (SARE) corresponding to the SLQ optimal control problem. The convergence analysis of the obtained algorithm is given rigorously, and a simulation example is provided to illustrate the effectiveness and applicability of the algorithm.     

Non-stationary response of large, non-linear finite element systems under stochastic loading

A very efficient and straightforward numerical procedure for the computation of statistical second moment characteristics of large, non-linear finite element systems under stochastic loading is presented. For the modeling of both the loading and the response of the system an orthogonal series expansion of the corresponding covariance matrix, the so-called Karhunen-Loève expansion is applied, allowing to incorporate potentially available statistical data of an excitation process directly into the analysis. The non-linear equation of motion is linearized by the method of equivalent statistical linearization. According to the present capabilities of this linearization technique, one-dimensional hysteretic elements are used for modeling the non-linear system behavior. The mode acceleration method is applied in order to reduce significantly the size of the system equation and thus increasing the computational efficiency of the proposed procedure. Contrary to methodologies based on state space formulations, this procedure relies on deterministic step by step integration, implying that the dimension of the system equation is the same as in a purely deterministic analysis.     

基于环境状态分布优化的POMDP值迭代求解算法

基于点的值迭代算法是一类解决POMDP问题的有效算法,PBVI是基于点集的经典算法,但是其算法效率较为低下。FSVI使用内在的MDP最优策略来降低算法复杂度,但求解大规模问题的效果较差。为解决上述问题,提出了基于环境状态分布优化的前向搜索值迭代算法（PBVI-OSD）,通过基于权重值的Q^MDP选出最佳的动作,基于信念状态和转换函数选取最大可能的状态,基于动作和状态从观察中随机选取一个观察概率大于阈值的观察,由此获得更具探索价值的后继信念点集,提升值迭代收敛的质量。在四个基准问题上的实验表明,相比于FSVI和PBVI,PBVI-OSD能保证收敛效率,特别是在大规模问题上能收敛到更好的全局最优解。     

Online policy iteration algorithm for optimal control of linear hyperbolic PDE systems

In this paper, the linear quadratic (LQ) optimal control problem is considered for a class of linear distributed parameter systems described by first-order hyperbolic partial differential equations (PDEs). Reinforcement learning (RL) technique is introduced for adaptive optimal control design from the design-then-reduce (DTR) framework. Initially, a policy iteration (PI) algorithm is proposed, which learns the solution of the space-dependent Riccati differential equation (SDRDE) online without requiring the internal system dynamics of the PDE system. To prove its convergence, the PI algorithm is shown to be equivalent to an iterative procedure of a sequence of space-dependent Lyapunov differential equations (SDLDEs). Then, the convergence is established by showing that the solutions of SDLDEs are a monotone non-increasing sequence that converges to the solution of the SDRDE. For implementation purpose, an online least-square method is developed for the approximation of the solutions of the SDLDEs. Finally, the proposed design method is applied to the distributed control of a steam-jacketed tubular heat exchanger to illustrate its effectiveness.     

基于并行Kleinman 迭代算法的Markov 跳变系统优化??∞ 控制

基于Kleinman 迭代算法的框架, 提出两种数值迭代算法, 用于解决连续时间Markov 跳变系统的优化??_∞ 控制器设计问题. 首先, 给出“ 直接并行Kleinman 迭代算法”, 并从正实算子的收敛性证明该算法的收敛性; 然后, 基于直接并行Kleinman 迭代算法, 提出一种更加广义的迭代算法结构, 即“ 广义并行Kleinman 迭代算法”, 并论述其包含的4 种情形; 最后, 通过数值示例验证了所提出算法的有效性.

     

Identification of time delays in linear stochastic systems

This paper presents a new approach to the explicit identification of an input time delay in continuous-time linear systems. The system model is converted to a discrete-time version, assuming that a digital computer is to be used for time delay estimation and control. A recursive identification algorithm based on parallel Kalman filtering and Bayes' estimation is developed. The sampling rate is adapted during the time delay estimation process using the most recent estimate of the time delay. This method assures that the estimate of the time delay approaches the true value with each successive iteration. The proposed method also has the advantage of a fast convergence rate because prior knowledge of the delay, if available, can be effectively utilized.     

基于牛顿迭代法的RFID标签数量估计算法

ALOHA算法是一种被广泛采用的射频识别(RFID)标签防碰撞算法,要提高它的识别效率,算法帧长必须根据标签数量自适应调整,因此标签数量估计的准确性十分重要。针对已有标签估计方案存在的误差大问题,提出一种基于牛顿迭代法的标签数量估计算法(NIATE)。首先,根据标签数量与帧长的数量关系确定一个调节因子;其次,研究标签识别过程中成功时隙占总时隙比例,得到调节因子与所占比例的关系;最后利用牛顿迭代法求解得出准确的标签数量。仿真结果表明,NIATE算法在不同标签数量情况下,相比现有主流算法具有较好的自适应能力,标签估计平均误差更小,从而减少了识别所有标签所需的总时隙数,提高了系统吞吐率。     

牛顿-软阈值迭代鲁棒主成分分析算法

针对鲁棒主成分分析（RPCA）问题，为了降低RPCA算法的时间复杂度，提出了牛顿-软阈值迭代（NSTI）算法。首先，使用低秩矩阵的Frobenius范数与稀疏矩阵的l₁-范数的和来构造NSTI算法的模型；其次，同时使用两种不同的优化方式求解模型的不同部分，即用牛顿法快速计算出低秩矩阵，用软阈值迭代算法快速计算出稀疏矩阵，交替使用这两种方法计算出原数据的低秩矩阵和稀疏矩阵的分解；最后，得到原始数据的低秩特征。在数据规模为5 000×5 000，低秩矩阵的秩为20的情况下，NSTI算法和梯度下降（GD）算法、低秩矩阵拟合（LMaFit）算法相比，时间效率分别提高了24.6%、45.5%。对180帧的视频前景背景进行分离，NSTI耗时3.63 s，时间效率比GD算法、LMaFit算法分别高78.7%、82.1%。图像降噪实验中，NSTI算法耗时0.244 s，所得到的降噪后的图像与原始图像的残差为0.381 3，与GD算法、LMaFit算法相比，时间效率和精确度分别提高了64.3%和45.3%。实验结果证明，NSTI算法能够有效解决RPCA问题并提升RPCA算法的时间效率。     

Control of non-linear stochastic sampled-data systems with non-quadratic criteria by equivalent LQ modelling

The control of non-linear stochastic sampled-data systems with non-quadratic performance criteria is approached by development of an equivalent linear-system/quadratic-criterion model using equivalent linearization. The resulting control algorithm requires updating as the system trajectory evolves due to the dependence of the equivalent LQ model on the trajectory. An example illustrates the method, and provides comparison with the actual optimal control and the simpler standard LQ control (based on neglecting the non-linear and non-quadratic terms altogether).     

牛顿-软阈值迭代鲁棒主成分分析算法

针对鲁棒主成分分析（RPCA）问题,为了降低RPCA算法的时间复杂度,提出了牛顿-软阈值迭代（NSTI）算法。首先,使用低秩矩阵的Frobenius范数与稀疏矩阵的l₁-范数的和来构造NSTI算法的模型;其次,同时使用两种不同的优化方式求解模型的不同部分,即用牛顿法快速计算出低秩矩阵,用软阈值迭代算法快速计算出稀疏矩阵,交替使用这两种方法计算出原数据的低秩矩阵和稀疏矩阵的分解;最后,得到原始数据的低秩特征。在数据规模为5 000×5 000,低秩矩阵的秩为20的情况下,NSTI算法和梯度下降（GD）算法、低秩矩阵拟合（LMaFit）算法相比,时间效率分别提高了24.6%、45.5%。对180帧的视频前景背景进行分离,NSTI耗时3.63 s,时间效率比GD算法、LMaFit算法分别高78.7%、82.1%。图像降噪实验中,NSTI算法耗时0.244 s,所得到的降噪后的图像与原始图像的残差为0.381 3,与GD算法、LMaFit算法相比,时间效率和精确度分别提高了64.3%和45.3%。实验结果证明,NSTI算法能够有效解决RPCA问题并提升RPCA算法的时间效率。