基于高阶近似的链路预测算法

目前大部分链路预测算法只研究了节点与邻居节点之间的一阶相似性，没有考虑节点与邻居的邻居节点之间的高阶相似性关系。针对此问题，提出一种基于高阶近似的链路预测算法（LP-HOPA）。首先，求出网络的归一化邻接矩阵和相似度矩阵；其次，利用矩阵分解的方法将相似度矩阵进行分解，得到网络节点的表示向量以及其上下文的表示向量；然后，通过高阶网络表示学习的网络嵌入更新（NEU）算法对原始相似度矩阵进行高阶优化，并利用归一化的邻接矩阵计算出更高阶的相似度矩阵表示；最后，在四个真实的数据集上进行大量的实验。实验结果表明，与原始链路预测算法相比，大部分利用LP-HOPA优化后的链路预测算法准确率提升了4%到50%。此外，LP-HOPA算法能够将基于低阶网络局部结构信息的链路预测算法转换为基于节点高阶特征的链路预测算法，在一定程度上肯定了基于高阶近似链路预测算法的有效性和可行性。     

非线性系统高阶迭学习算法

结合迭代学习控制算法中的开环和闭环方案，本文针对更一般的非线性系统，讨论高阶算法的广泛适用性。理论和仿真结构表明了高阶算法的输出跟踪和干扰抑制方面的有效性。     

多注意力机制融合低高阶特征的神经推荐算法

针对因子分解机仅提取低阶组合特征的局限性，提出了一种基于多注意力机制融合低阶和高阶组合特征的深度神经推荐算法（deep neural recommendation method,DeepNRM）。分别运用因子分解机和多层前馈神经网络从稀疏及稠密特征中提取低阶和高阶组合特征；采用注意力网络和多头自注意力机制从低阶和高阶组合特征中自动选取关键特征；将低、高阶组合特征根据重要性进行融合共同进行推荐。算法模型在MovieLens和Criteo公共数据集上进行了实验验证，消融和对比实验结果表明，提出的算法模型与基准模型相比在AUC指标上分别有1.964个百分点和0.773个百分点的提升。     

高阶Hopfield神经网求解合取范式可满足性问题

本文提出用高阶Ｈｏｐｆｉｅｌｄ神经网络求解ＳＡＴ问题，给出了连续及离散高阶神经网络模型与相应的离散快速求解算法，证明了网络的稳定性，并用实验证明了该方法的可行性，且将该算法与Ｌｏｃａｌ Ｓｅａｒｃｈ算法进行了比较。     

高阶各向异性扩散小波收缩图像降噪算法

证明一种高阶各向异性扩散与小波收缩的等价性,并根据等价性利用高阶各向异性扩散与小波收缩的优势,提出高阶各向异性扩散小波收缩降噪算法。该算法在低频部分采用经典的非线性扩散方法进行扩散,在高频部分采用高阶各向异性扩散方法进行小波收缩。实验结果表明,高阶各向异性扩散小波收缩算法的计算复杂性介于高阶各向异性扩散与小波收缩算法之间,降噪能力高于这2种方法。     

高阶旋转体时域有限差分法

旋转体时域有限差分法(BOR FDTD)是模拟电磁波与旋转对称目标体相互作用的一种高效算法,但目前的BOR FDTD对时间和空间的差分精度均只有二阶.通过把电磁场各分量作泰勒展开,并结合麦克斯韦方程,提出了BOR FDTD的三种高阶算法.相对于目前的BOR FDTD,三种高阶算法均不增加存储量.通过模拟简谐波与介质球的相互作用并和理论值作比较,证实了高阶算法在提高计算精度方面的有效性.此外还分析了三种高阶算法的优、缺点,给出了关于高阶算法应用的建议.     

一种基于高阶统计量的不变量图像识别算法

提出了一种基于高阶统计量的图像识别算法。利用投影将图像数据变换到一维空间，降低了计算的复杂度。通过计算投影数据的高阶统计量，构造出具有比例和平移不变性的图像特征。为得到旋转不变性，提出了一种基于循环相关的算法，从而得到该图像真正具有不变性的特征。还提出了一种改进的整体平均算法，使得该不变量计算速度大为提高。通过仿真对比，指出算法是有效的。     

一种高效的图像插值算法

介绍了一种基于像素点的颜色绝对误差的图像插值算法。该算法将高阶算法与低阶算法相结合,以接近低阶算法的运算开销,获得了高阶算法的插值质量。     

全相似高阶规范割算法研究

已有的高阶算法中,构建相似模型时仅使用少量超边构建稀疏相似模型,同时高阶相似模型仅考虑使用单阶的高阶相似关系.为解决这两个问题,以规范割算法为基础,采用直推式学习技术,从标准化和非标准化拉氏矩阵两个角度分别构建全相似高阶模型和全相似多阶相似模型.根据规范割算法构建直推式学习框架,然后展示该框架如何在算法中训练全相似关系.研究结果显示,在所提出的算法中超边之间的全相似关系能以一个简洁的形式应用.以此为基础,将多阶全相似关系进行融合,提出融合多阶信息的全相似多阶相似模型.将构建的全相似高阶相似模型和全相似多阶相似模型应用到规范割算法框架中,提出全相似高阶规范割算法和全相似多阶规范割算法.在两种高阶相似模型中,全相似张量采用稀疏张量逆的形式,并且该逆矩阵可以转换为规范割框架中稀疏张量特征分解问题.将所提出的算法应用于运动分割,并与现有的高阶算法进行对比,实验结果显示,所提出的算法具有一定的优势.     

基于高阶一致性学习的聚类集成算法

现有的大部分关于聚类集成的研究主要关注有效的集成算法的设计。为解决由于基聚类器的质量高低不一、低质量的基聚类器对聚类集成性能产生影响的问题，从数据发掘的角度出发，以基聚类器为基础挖掘数据的内在联系，提出一种高阶信息融合算法——基于高阶一致性学习的聚类集成（HCLCE）算法，从不同的维度表示数据之间的联系。首先，将每种高阶信息融合成一个新的结构化的一致性矩阵；然后，再对得到的多个一致性矩阵进行融合；最后，将多种信息融合为一个一致性的结果。实验结果表明，与次优的LWEA(Locally Weighted Evidence Accumulation)算法相比，HCLCE算法的聚类准确率平均提升了7.22%，归一化互信息（NMI）平均提升了9.19%。可见，HCLCE能得到比聚类集成算法和单独使用一种信息更好的聚类结果。     

非线性系统的神经网络学习控制

主要控制了一类非线性系统的神经网络学习控制问题。讨论了以迭代学习方式训练的神经网络学习控制器，在满足一定条件，可以实现一定时间内的系统输出跟踪。     

抑制初态误差影响的自适应迭代学习控制

针对一类参数化高阶不确定非线性连续系统, 设计迭代学习控制算法, 以解决随机初态对系统跟踪性能产生负面影响的问题. 结合滑模控制思想以及部分限幅参数学习律, 控制算法在预设时间段内抑制随机初态偏差对系统跟踪性能的影响. 经过预设时间后, 随着迭代次数的增加, 系统的跟踪误差及其各阶导数一致收敛到零. 且在整个运行时间段内, 系统各个变量一致有界. 此外, 本文回避了非参数化不确定非线性系统在放宽迭代初值假设时常使用的Lipschitz假设条件, 而采用类Lyapunov函数分析法设计迭代学习控制器. 理论证明和仿真结果都说明了该算法的有效性.     

Iterative Learning Control for Nonlinear Systems: A Bounded‐Error Algorithm

This paper presents a nonlinear iterative learning control (NILC) for nonlinear time‐varying systems. An algorithm of a new strategy for the NILC implementation is proposed. This algorithm ensures that trajectory‐tracking errors of the proposed NILC, when implemented, are bounded by a given error norm bound. A special feature of the algorithm is that the trial‐time interval is finite but not fixed as it is for the other iterative learning algorithms. A sufficient condition for convergence and robustness of the bounded‐error learning procedure is derived. With respect to the bounded‐error and standard learning processes applied to a virtual robot, simulation results are presented in order to verify maximal tracking errors, convergence and applicability of the proposed learning control.     

非线性系统迭代跟踪控制的批次遗忘学习算法

针对P型迭代学习算法对初始偏差和输出误差扰动敏感,以及PD型迭代学习算法容易放大系统噪声,降低系统鲁棒性的问题,研究了具有任意有界扰动及期望输出的重复运行非线性时变系统的PD型迭代学习跟踪控制算法.利用迭代学习过程记忆的期望轨迹、期望控制以及跟踪误差,给出基于变批次遗忘因子的学习控制器设计,并借助λ范数理论和Bellman-Gronwall不等式,讨论保证闭环跟踪系统批次误差有界的学习增益存在的充分必要条件,及分析控制算法的一致收敛性.本算法改善了系统的鲁棒性和动态特性,单关节机械臂的跟踪控制仿真验证了方法的有效性.     

非仿射非线性多智能体系统迭代学习一致跟踪

为了解决非仿射非线性多智能体系统在给定时间区间上一致性完全跟踪问题,基于迭代学习控制方法设计一种分布式一致性跟踪控制算法.首先,由引入的虚拟领导者与所有跟随者组成多智能体系统的通信拓扑,其中虚拟领导者的作用是提供期望轨迹.然后,在只有部分跟随者能够获得领导者信息的条件下,利用每个跟随者及其邻居的跟踪误差构造每个跟随者的迭代学习一致性跟踪控制器.同时采用中值定理将非仿射非线性多智能体系统转化仿射形式,并基于压缩映射方法证明所提算法的收敛性,给出算法的收敛条件.理论分析表明,在智能体的非线性函数未知情况下,利用所提算法可以使非仿射非线性多智能体系统在给定时间区间上随迭代次数增加逐次实现一致性完全跟踪.最后,通过仿真算例进一步验证所提算法的有效性.     

基于非线性系统相对度的学习控制算法及在非完整移动机器人中的应用

首先提出了一种基于非线性系统对度的迭代学习控制算法,并证明了其收敛性,该算法通过对系统以前的输入和输出跟踪误差信号进行学习来反复调整输入量,使得系统在经过一定次数的学习以后,其实际输出趋于期望输出且其内部状态也具有良好的收敛特性,其次将此算法应用于两轮驱动的移动机器人动力学系统,数值仿真结果表明了这种算法的有效性。     

基于数据驱动的非线性网络系统自适应迭代学习控制

针对非线性网络控制系统中测量数据的量化及随机丢包问题,给出一种基于数据驱动的自适应迭代学习控制算法.该算法能够保证系统在数据量化、随机丢包以及不确定迭代学习长度等因素的影响下,经过有限次迭代后输出轨迹跟踪误差收敛到零;借助伪偏导线性化方法,将非线性系统转换为线形时变系统形式;在线性系统框架下利用前一批次的系统输出信息更新自适应学习增益.与传统迭代学习控制算法不同的是,该算法无需预知迭代长度的先验信息和控制系统模型信息.最后通过Matlab仿真实验验证所提出算法的有效性.     

非线性分布参数系统跟踪控制的学习算法

尝试性地将学习控制方法用于一类非线性分布参数系统的跟踪控制上,分别获得了 系统轨线于L2(Ω)空间,W1,2(Ω)空间中跟踪期望目标的结果.所给的学习算法避免了其收敛 性要依赖于理想输入ud(x,t)这一不确定的条件,且对系统的非线性要求只是定性的而不是 定量的,从而使得控制具有很强的鲁棒性能.     

Selection of the learning gain matrix of an iterative learning control algorithm in presence of measurement noise

Arbitrary high precision output tracking is one of the most desirable control objectives found in industrial applications regardless of measurement errors. The main purpose of this paper is to supply to the iterative learning control (ILC) designer guidelines to select the corresponding learning gain in order to achieve this control objective. For example, if certain conditions are met, then it is necessary for the learning gain to converge to zero in the learning iterative domain. In particular, this paper presents necessary and sufficient conditions for boundedness of trajectories and uniform tracking in presence of measurement noise and a class of random reinitialization errors for a simple ILC algorithm. The system under consideration is a class of discrete-time affine nonlinear systems with arbitrary relative degree and arbitrary number of system inputs and outputs. The state function does not need to satisfy a Lipschitz condition. This work also provides a recursive algorithm that generates the appropriate learning gain functions that meet the arbitrary high precision output tracking objective. The resulting tracking output error is shown to converge to zero at a rate inversely proportional to square root of the number of learning iterations in presence of measurement noise and a class of reinitialization errors. Two illustrative numerical examples are presented.     

Adaptive fuzzy learning control for a class of nonlinear dynamic systems

This paper presents an adaptive iterative learning control scheme that is applicable to a class of nonlinear systems. The control scheme guarantees system stability and boundedness by using the feedback controller coupled with the fuzzy compensator and achieves precise tracking by using the iterative learning rules. In the feedback plus fuzzy compensator unit, the feedback control part stabilizes the overall closed‐loop system and keeps its error bounded, and the fuzzy compensator estimates and compensates for the nonlinear part of the system, thereby keeping the feedback gains reasonably low in the feedback controller. The fuzzy compensator is designed by applying the fuzzy approximation technique to the uncertain nonlinear term to be compensated. In the iterative learning controller, a simple learning control rule is used to achieve precise tracking of the reference signal and a parameter learning algorithm is used to update the parameters in the fuzzy compensator so as to identify the uncertain nonlinearity as much as possible. © 2000 John Wiley & Sons, Inc.