BP网络在嵌入式大气数据传感系统中的应用

研究了BP人工神经网络在嵌入式大气数据传感系统中的应用.提出了以BP网络为基础的动、静压和修正参数的改进算法,并对其应用Matlab软件进行了验证.改进算法首先应用广义逆矩阵简化方程组,然后应用BP网络求解非线性方程.计算结果表明,改进算法在精度、可靠性等方面可以满足系统的设计要求.在实时性上由于改进算法避免了迭代运算,达到同样的精度所需要的计算时间只相当于原有算法的5%,比迭代方法具有更大实时性优势.     

带控制时滞广义系统的PID型迭代学习算法

研究了一类线性时滞广义系统的迭代学习控制问题.针对广义系统的特点,引入选代学习控制方法,给出了线性时滞广义系统的PID型选代学习算法.结合矩阵广义逆理论,利用λ范数和Bellman引理,并从理论上给出了算法收敛性的完整证明.研究结果表明,只要充分利用广义系统的特点,寻找合适的收敛性分析方法,便可解决控制时滞广义系统的收敛性问题,对时滞广义系统速代学习控制问题的研究具有重要的理论意义与应用价值.     

基于共轭梯度的极速学习机

极速学习机(ELM)由于具有较快的训练速度和较好的泛化能力而被广泛的应用到很多的领域,然而在计算数据样例个数较大的情况下,它的训练速度就会下降,甚至会出现程序报错,因此提出在ELM模型中用改进的共轭梯度算法代替广义逆的计算方法。实验结果表明,与求逆矩阵的ELM算法相比,在同等泛化精度的条件下,共轭梯度ELM有着更快的训练速度。通过研究发现:基于共轭梯度的极速学习机算法不需要计算一个大型矩阵的广义逆,而大部分广义逆的计算依赖于矩阵的奇异值分解(SVD),但这种奇异值分解对于阶数很高的矩阵具有很低的效率;因为已经证明共轭梯度算法可通过有限步迭代找到其解,所以基于共轭剃度的极速学习机有着较高的训练速度,而且也比较适用于处理大数据。     

改进的广义预测算法在过热气温控制中的应用

针对传统广义预测控制算法（GPC）的计算量大这一缺陷,结合隐式广义预测算法（IGPC）和基于柔化矩阵的广义预测算法,通过辨识参数和输入增量引入柔化系数矩阵进行约束的方法对原算法进行改进,算法只精确计算当前时刻的控制作用而对未来时刻的控制序列进行离线近似计算.该算法简单,不必求解丢番图（Diophantine）方程和矩阵求逆,减小了在线计算量,确保了系统的快速性,并能够将输入很好地控制在约束范围之内,并具有良好的控制性能.同时隐式广义预测算法对模型的阶次、参数的变化都有较好的鲁棒性,能适应电厂过热汽温的控制.     

基于粒子群优化算法的广义逆控制分配方法

为了获取具有最高分配效率的加权矩阵,将粒子群算法应用于广义逆控制分配法设计,通过计算不同广义逆阵所能有效分配的转矩可达集体积,来选择具有最高分配效率的加权矩阵。以某飞机的控制效率矩阵进行基于广义逆分配法分配器设计,通过粒子群算法对加权矩阵进行寻优,有效地选取了具有最优分配效率的广义逆阵,显著地提高了分配器的分配效率。     

行对称矩阵广义逆的快速求解公式

对行对称矩阵的QR分解进行了研究,在此基础上给出了求行对称矩阵广义逆的快速求解公式,并给出了证明。将QR分解方法应用于该类行对称矩阵的广义逆的求解过程,既利用了QR分解保证足够的精度,又可大大降低求解一类具有该结构矩阵的广义逆的计算量和存储量。     

基于稳定平台的广义预测控制算法

广义预测控制算法(GPC)大都属于间接算法,即通过辨识被控对象的参数,进行多步预测和在线滚动优化来设计控制律,所以需要求解逆矩阵,计算量大。提出一种改进的广义预测控制算法,这是一种直接算法,直接估计控制器的参数,避免求逆矩阵。这种控制器能任意逼近多自由度稳定平台这种不确定对象,不用知道系统的精确结构,同时由于预测控制的加入,使系统在线计算方便,控制质量提高了。通过MATLAB软件的仿真结果可以看出,传统的PID对于不确定对象不能很好的解决,而采用提出的改进广义预测控制算法,系统的鲁棒性和快速性都得到了改善,并且具有较好的控制效果。     

广义预测控制的一种改进算法

针对传统广义预测控制算法的计算量这一缺陷,提出了一种基于γGPC的改进算法.该算法简单,不必求解Diophantine方程和逆矩阵.仿真结果还表明,该算法增强了系统的鲁棒性,具有良好的控制性能.     

基于广义逆矩阵的B样条曲线节点消去算法研究

为了能运用广义逆矩阵理论来研究B样条曲线的节点消去问题，以解决在B样条曲线曲面拟合过程中产生的冗余节点数据，提出了一种基于广义逆矩阵的B样条曲线节点消去算法，该算法首先利用广义逆矩阵在处理奇异性问题上的独特作用来获得B样条曲线的节点可以消去的充要条件；然后在此基础上，又提出了消去多个节点的算法，算法对每个可以消去的节点都可计算相应的广义逆矩阵，而且仅进行一次矩阵的相乘即可得到由消去这个节点而产生的新的控制顶点和节点。实验表明，该算法的精度优于或近似于现有的Tiller算法，而时间效率则同于或近似于Tiller的算法。由于通过调整算法中的误差阈值，可以有效地控制消去节点后的曲线与原来曲线的误差，因此算法可以用于工程实践。     

基于GaBP算法的快速潮流计算方法

研究在潮流迭代求解过程中雅可比矩阵方程组的迭代求解方法及其收敛性。首先利用PQ分解法进行潮流迭代求解,并针对求解过程中雅可比矩阵对称且对角占优的特性,对雅可比矩阵方程组采用高斯置信传播算法(GaBP)进行求解,再结合Steffensen加速迭代法以提高GaBP算法的收敛性。对IEEE118、IEEE300节点标准系统和两个波兰互联大规模电力系统进行仿真计算后结果表明：随着系统规模的增长,使用Steffensen加速迭代法进行加速的GaBP算法相对于基于不完全LU的预处理广义极小残余方法(GMRES)具有更好的收敛性,为大规模电力系统潮流计算的快速求解提供了一种新思路。     

一种基于零空间的再分配伪逆算法

由于伪逆法不考虑执行器的位置和速率的限制,因此利用伪逆法设计出的分配器会产生操纵面过早进入饱和的现象,从而使分配器对转矩可达集的分配效率较低.在伪逆法的分配基础上利用控制效率矩阵零空间的特性对分配结果进行二次调节,使伪逆解重新落入执行器的控制子空间,从而避免了分配器过早进入饱和的现象.并提高了分配效率.利用某飞机的数据进行仿真验证,结果显示与伪逆法相比,控制性能有明显改善,提高了分配器的分配效率,且可以对转矩可达集内的转矩实施有效的分配.     

On-line system identification in real time using a minicomputer

The parameters of the dynamic model of a linear system are estimated from the measurements of the input and output data by using the recursive algorithm for matrix pseudoinverse. For measurements contaminated with noise, the stochastic approximation algorithm is employed in conjunction with the matrix pseudoinverse algorithm for obtaining unbiased least-squares estimates. Both the methods are tested on-line in real time using the PDP 11/45 minicomputer while the system is simulated on a TR-20 analogue computer. The results confirm the feasibility of using the algorithms to identify the parameters of a class of industrial processes on-line using a minicomputer. This has special application to the adaptive control of such processes, based on rapid identification of slowly-varying parameters.     

Procedure for manipulator inverse kinematics computation and proper pseudoinverse perturbation

In this article, an efficient procedure for the proper pseudoinverse perturbation and the numerical inverse kinematics computation of robot manipulators is presented. The approach is based on solving a linear system of equations and using an original scheme for the appropriate perturbation of the pseudoinverse matrix in the next iteration. The resultant algorithm is tested on the simulation of an industrial robot manipulator. From the results obtained, it is observed that the proposed approach compares favorably with the approaches using a Gaussian elimination procedure and with pseudoinverse robustness based on a manipulability measure.     

Order-recursive factorization of the pseudoinverse of a covariancematrix

A numerically reliable algorithm is developed to recursively update the square root of a pseudoinverse matrix using the square root of a lower dimension pseudoinverse matrix. The numerical computations are based on a generalized singular value decomposition which is used to do a canonical correlation analysis. An operation count is given for sequential and parallel implementation of a partitioned order-recursive algorithm. These methods are useful for covariance analysis to determine the contributions due to various modeling errors in the design of a Kalman filter     

锥体弹头的嵌入式大气数据传感系统组合算法

嵌入式大气数据传感（FADS）系统空气动力学模型基于钝头体推导,该模型适用于锥头体解算大气数据,但存在一定的模型误差.为消除模型误差,分析了锥头体模型误差产生的机理,提出了一种FADS系统组合算法,并对某一典型锥体弹头进行了仿真验证.仿真结果表明：动静压相对误差在0.05％以内,每组大气数据解算平均耗时在20 ms以内,该算法有效提高了大气数据解算精度和实时性.     

A simple method for finding a basis for the null-space of a matrix

An elementary, but not sufficiently well-known algorithm for finding a basis for the null-space of a matrix is given. Its use is illustrated for the computation of generalized eigenvectors and the matrix pseudoinverse.     

冗余自由度机械手的避障控制

避障碍物一直是冗余自由度机械手的主要应用，本文采用伪逆矩阵法，以障碍物和 机械手之间的距离的函数作为性能指标函数来解冗余自由度机械手逆解，进行避障控制，并 提出一种简单的计算机械手和障碍物之间的距离方法，通过对一个三自由度的平面机械手进 行仿真，验证了算法的正确性．     

飞翼飞行器嵌入式大气数据传感系统算法研究

介绍了嵌入式大气数据传感(FADS)系统的测压孔布局和压力模型;分析了超定线性方程组的解法,并用广义逆矩阵A+计算其最小二乘解;建立了形压系数ε与马赫数M∞、迎角α和侧滑角β的确切的函数模型;提出了故障点的处理方法;并用神经网络实现对动压、静压的求解。计算结果表明:飞翼飞行器的FADS系统的算法能够满足设计要求。     

基于改进衰减记忆滤波的组合导航算法研究

关于优化组合导航系统定位精度问题,由于惯导系统为非线性系统,存在滞后和噪声特性,影响系统定位精度,传统卡尔曼滤波器滤波一段时间后,系统预测误差方差阵逐渐趋于零,状态估计过分依赖旧量测值,从而导致滤波发散,系统定位精度差。目前采用在预测误差方差阵中引入标量衰减因子来抑制发散,但该标量因子是不变量,难以修正所有状态估计异常的情况。为有效提高新量测值对预测值的修正作用,研究了一种改进的衰减记忆滤波算法,通过引入可变加权系数来抑制发散。经数值仿真结果表明,新算法的滤波效果相比卡尔曼滤波和带标量因子的衰减记忆滤波有较明显的改善,提高了系统的定位精度,对工程应用有一定参考价值。