Design of a Robust Adaptive Neural Tracking Controller

A robust neural tracking controller is designed based on the conic sector theory. An adaptive dead zone scheme is employed to enhance robustness of the system. The proposed algorithm does not require knowledge of either the upper bound of disturbance or the bound on the norm of the estimate parameter. A complete convergence proof is provided based on the sector theory to deal with the nonlinear system. Simulation results are presented to control a two-link direct drive robot and show the performance of the tracking controller.     

互质因子摄动下的最优鲁棒稳态跟踪控制器设计

研究了存在未知外部干扰时的互质因子摄动系统的鲁棒稳态追踪问题.利用Youla参数化方法，提出了一个最坏情况稳态绝对误差的精确计算公式.该公式使得最优稳态跟踪控制器设计问题等价于保证系统鲁棒稳定时e1的最优鲁棒控制器设计问题.     

基于一阶不确定项估计律的机械臂鲁棒控制研究

针对多自由度机械臂控制系统的模型参数误差、关节摩擦力以及外部输入扰动等不确定项,设计了一类一阶误差估计律;结合基于机构动力学名义模型的输入输出反馈线性化控制算法,对六自由度刚性机械臂的时变轨迹跟踪控制进行了研究,理论上证明了设计的鲁棒控制器是全局渐进稳定的.仿真结果表明该控制策略对系统的各类不确定项具有很好的鲁棒性,能够实现高精度的轨迹跟踪控制.     

一类具有不确定的互联大系统分散鲁棒输出跟踪控制器设计

针对一类具有不确定的互联大系统，研究了使受控系统鲁棒稳定和渐近跟踪参考输入的分散鲁棒跟踪控制器的设计问题，并对具有分散反馈控制器的闭环大系统，给出了其鲁棒稳定以及渐近跟踪的证明。     

一种机器人轨迹的鲁棒跟踪控制

把基于拉格朗日方程的n关节机器人动力学模型,转化成了一线性状态方程.基于这种线性状态方程,利用李雅普诺夫函数方法分别针对机器人标称模型和有外界不确定性干扰时,设计前馈控制器和反馈控制器,使得机器人的实际运动轨迹在标称模型下,指数收敛于所给定的期望运动轨迹;在有外界不确定性干扰时,它与期望轨迹的误差是终值有界的.并且,针对后者所提出的控制律进行仿真.仿真结果表明,这种连续鲁棒控制律对于机器人系统存在外界不确定性干扰时是十分有效的.     

Incremental Focus of Attention for Robust Vision-Based Tracking

We present the Incremental Focus of Attention (IFA) architecture for robust, adaptive, real-time motion tracking. IFA systems combine several visual search and vision-based tracking algorithms into a layered hierarchy. The architecture controls the transitions between layers and executes algorithms appropriate to the visual environment at hand: When conditions are good, tracking is accurate and precise; as conditions deteriorate, more robust, yet less accurate algorithms take over; when tracking is lost altogether, layers cooperate to perform a rapid search for the target and continue tracking.Implemented IFA systems are extremely robust to most common types of temporary visual disturbances. They resist minor visual perturbances and recover quickly after full occlusions, illumination changes, major distractions, and target disappearances. Analysis of the algorithm's recovery times are supported by simulation results and experiments on real data. In particular, examples show that recovery times after lost tracking depend primarily on the number of objects visually similar to the target in the field of view.     

一种快速跟踪的鲁棒自校正控制器

本文给出了保证自校正控制器鲁棒稳定的充分条件,所得结论用于对时变参数非最小相位系统的自校正控制,可使输出尽量快速地跟踪设定值。文中给出数字仿真示例。     

一种RBF网络结构调整的稳健增量学习方法

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的,给出了一种RBF网络增量学习算法.算法首先对初始数据集进行聚类得到初始的RBF网络结构,然后采用GAP-RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习.RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响,增强了其增量学习的稳健性.IRIS数据集和雷达实测数据集仿真实验表明,算法具有较好的增量学习能力.     

基于粗糙集理论的RBF神经网络剪枝算法

分析了满足给定学习误差要求的最小结构神经网络的各种实现方法.把粗糙集理论引入神经网络的结构构造中;提出了一种基于粗糙集理论的RBF神经网络剪枝算法,并将这种算法与现有剪枝算法相比较.最后将该算法应用于热工过程中过热气温动态特性建模.仿真结果表明基于该算法的神经网络模型具有较高的建模精度以及泛化能力.     

A Modified Backpropagation Training Algorithm for Feedforward Neural Networks*

In this paper, a new efficient learning procedure for training single hidden layer feedforward network is proposed. This procedure trains the output layer and the hidden layer separately. A new optimization criterion for the hidden layer is proposed. Existing methods to find fictitious teacher signal for the output of each hidden neuron, modified standard backpropagation algorithm and the new optimization criterion are combined to train the feedforward neural networks. The effectiveness of the proposed procedure is shown by the simulation results. *The work of P. Thangavel is partially supported by UGC, Government of India sponsored project.     

基于人工鱼群算法的鲁棒PID控制器参数整定方法研究

本文首先分析了采用极小--极大原理设计鲁棒PID控制器的方法,指出这是一类复杂非线性且非单鞍点的优化命题,常规优化算法通常不能有效的求解.随后提出了采用人工鱼群算法进行参数整定的方法.最后对典型问题进行了仿真研究.结果表明,人工鱼群算法具备分布并行的寻优能力,对初值不敏感,能够快速对鲁棒PID的参数进行整定,整定后的PID控制器具有良好的控制效果.     

Multilayer Feedforward Neural Network Based on Multi-valued Neurons (MLMVN) and a Backpropagation Learning Algorithm

A multilayer neural network based on multi-valued neurons (MLMVN) is considered in the paper. A multi-valued neuron (MVN) is based on the principles of multiple-valued threshold logic over the field of the complex numbers. The most important properties of MVN are: the complex-valued weights, inputs and output coded by the kth roots of unity and the activation function, which maps the complex plane into the unit circle. MVN learning is reduced to the movement along the unit circle, it is based on a simple linear error correction rule and it does not require a derivative. It is shown that using a traditional architecture of multilayer feedforward neural network (MLF) and the high functionality of the MVN, it is possible to obtain a new powerful neural network. Its training does not require a derivative of the activation function and its functionality is higher than the functionality of MLF containing the same number of layers and neurons. These advantages of MLMVN are confirmed by testing using parity n, two spirals and “sonar” benchmarks and the Mackey–Glass time series prediction.     

基于自适应抗差滤波的WSNs节点跟踪算法

针对无线传感器网络定位误差大、有色噪声影响严重等问题,提出一种基于自适应抗差Kalman滤波的无线传感器网络节点跟踪算法.先采用直线拟合削弱初始点位观测值的横向误差,然后通过构造自适应因子和等价权函数来控制未知有色噪声和观测值粗差的影响,并利用观测环境构造可信度因子干预滤波计算.在低速、高速运动模型下,分别以直线运动和...     

改进的Viterbi多目标跟踪算法

使用改进的Viterbi算法用于多目标跟踪,引入测量“门限”,使所跟踪的目标仅与“门限”内的测量值关联。该方法能够减少假设的个数、降低算法的计算负担,有利于对MHT算法进行剪枝和合并。用Kalman 滤波和先验概率计算各目标的最大后验概率。该算法是连续的,能够处理丢失的探测、虚警以及跟踪目标的数量,提供一系列最好的跟踪目标集。     

多输入非线性不确定系统的全局鲁棒自校正控制器的设计

本文讨论了多输入非线性时变不确定系统的鲁棒镇定问题，其中的未知参变量是以线性形式出现的，同时给出了鲁棒可稳定化自校正控制器的设计。     

基于反馈线性化同步伺服电机鲁棒跟踪控制

为了保证具有不确定非线性的PM同步伺服电机驱动系统的稳定性,确保闭环系统的输出准确跟踪期望输出并减少不确定项对该驱动系统的影响,利用Lyapunov稳定性理论,设计了一种基于反馈线性化的鲁棒跟踪控制器,并作了相应的仿真研究。仿真结果表明,该控制器不仅确保闭环系统的输出按指数规律跟踪期望输出,而且保证闭环系统状态的一致最终有界。该控制器设计简单,易于实现,具有很好的实用性。     

机械臂自适应鲁棒轨迹跟踪控制

针对具有外界干扰和不确定性的机械臂轨迹跟踪控制问题,提出了一种自适应鲁棒补偿控制算法,将计算转矩法用于系统标称模型,鲁棒控制用于消除系统不确定性的影响,并通过自适应算法自动调节不确定项,保证系统存在建模误差和外部干扰时的稳定性和动态性能。给出了具体的控制算法设计和系统稳定性、收敛性证明,最后通过仿真实验,表明系统具有跟踪误差快速收敛性以及良好的鲁棒性。     

基于敏感度的YOLO网络集成剪枝算法

深层卷积神经网络所需的计算量和存储空间严重制约了其在资源有限平台上的应用与部署。针对基于单一参数重要性评价或者特征重建的剪枝算法泛化能力较差的问题,提出基于敏感度的集成剪枝算法,利用BN层的缩放因子稀疏YOLO网络中卷积核个数较多的冗余层,结合3种参数重要性评价方法对卷积核做重要性排序,并根据敏感度确定每一层的剪枝比率。实验结果表明,该剪枝算法对于YOLOv3和YOLOv3-tiny网络分别缩减80.5%和92.6%的参数量,并且相比基于网络轻量化方法的剪枝算法提升了网络模型压缩后的检测精度和泛化能力。     

基于改进相关性剪枝算法的BP神经网络的结构优化

BP网络中,隐层神经元的数目直接影响着整个网络的性能和效率,因而对BP网络的结构优化是一个非常重要的环节.本文对相关性剪枝算法进行了改进,采用减法聚类方法确定初始的网络结构,然后再用传统相关性剪枝算法重复优化网络.通过实验结果的分析,验证了改进的神经网络相关性剪枝算法对BP网络结构优化的有效性.     

基于观测器的时滞系统鲁棒控制器的设计

研究了一类不确定时滞系统基于观测器的鲁棒镇定问题,系统的不确定性时变未知且范数有界,目的是设计状态观测器和线性无记忆观测状态反馈控制器,使其能够镇定一类状态和控制输入不确定性时滞系统。基于Lyapunov稳定性理论,采用线形矩阵不等式这一有效工具,给出了系统基于观测状态反馈鲁棒镇定的充分条件,并且利用线形矩阵不等式的解构造了使得系统鲁棒稳定的基于观测状态反馈控制器,所得结果与时滞相关,从而相对减弱了控制器设计的保守性。数值算例表明了所提出的设计方法的有效性。