一种计算传递矩阵H-范数的快速方法---矩阵广义符号函数法

本文提出一种基于矩阵广义符号函数的传递函数阵Ｈ∞范数的快速计算方法，这一方法避免了以往方法中必须采用的哈密顿阵的特征值计算问题，大大加快了计算速度。     

基于l∞范数和l1范数最小化的二自由度最优鲁棒跟踪控制

研究了具有乘摄动模型不确定性并存在未知干扰系统的最优鲁棒跟踪控制问题,采用二自由度控制器结构Youla参数化方法将最优鲁棒跟踪控制问题转化为两个相互独立的优化问题,跟踪问题和鲁棒设计问题,跟踪问题以l∞范数为性能指标通过极小化跟踪误差的最大幅值实现最优跟踪控制;鲁棒性设计问题中,将模型不确定性视为一种外界干扰,通过极小化干扰到误差的灵敏度函数的l1范数使得干扰对跟踪误差的影响最小,通过截断处理,上述两种优化问题均可化为标准线性规划问题,给出了截断阶数与逼近误差之间的关系,仿真结果表明新方法的有效性。     

一种新的多模型模糊自适应控制算法

模仿人的决策思路，对多模型对象提出一种新的自适应控制算法。在建立起对象的有限个模型并离线设计好对应的控制器后，算法通过在线计算模型匹配程度和控制权重来适应对象模型参数的突变。仿真结果表明，该算法简单有效，跟踪迅速，鲁棒性强。     

时延离散系统最优模型匹配：范数准则法

本文对具有时间延迟的离散系统的模型匹配问题进行了研究，将模型匹配问题转变为Hankel范数空间的最优问题，从而获得了系统完全和不完全模型匹配问题的解决，文中也讨论了1∞范数空间的情况。     

非最小相位不稳定对象的鲁棒最优模型匹配

研究了单输入单输出(SISO)线性时不变系统的鲁棒最优模型匹配问题.采用二自由度的控制器,对于被控对象具有乘性摄动时,充分考虑控制器的自由参数,将问题转化成有约束的H∞控制问题,使闭环系统既是H∞范数意义下的最优模型匹配,又具有更大的鲁棒稳定性.最后,通过解两个H∞范数的最优内插问题,给出了一种新的设汁方法来确定控制器的参数.该方法简单、直接,对非最小相位系统和不稳定系统均适用.     

离散H∞滤波系统最优范数计算的特征值算法

基于Riccati方程解的存在条件，建立了离散系统H∞江波问题的最优范数γopt与相关的Hamiltonian差分方程一阶特征值，以及矩阵广义特征值问题一阶特征值之间的对应关系，根据这一关系可以用求解特征值问题的算法计算最优H∞范数，由于仅需计算一阶特征值，所以可用扩展Wittrick-Williams算法求解这一问题。     

优化H-范数的新技术与鲁棒设计

本文提出了一种全新的Ｈ∞－优化方法：梯度方法。这种优化方法非常灵活，适用范围极广，可用于对系统矩阵中的一般参数进行优化选择，可将Ｈ∞－范数与其它范数加权，构成复合的目标函数，还可处理极点配置等限制条件下的Ｈ∞－优化问题。梯度方法的主要思想就是通过与Ｈ∞－范数直接相关的Ｈａｍｉｌｔｏｎ矩阵定义目标函数ρ（ε，ｐ）具有ｌｉｍρ（ε，ｐ）＝１／‖Ｔ（ｓ，ｐ）‖∞。其中ｐ可为系统矩阵中的任何可变参数。ρ（     

伺服-调节组合最优自适应控制

建立起最小方差和动态最优的组合自适应控制,对随机伺服系统同时实现随机调节和伺服跟踪的最优控制,整个控制算法呈递推形式,计算量较小。算法的收敛性讨论说明其具有良好的鲁棒性。     

一种机器人自适应阻抗控制算法

本文针对参数未知及负载不确定下的机器人运动控制问题，提出了一种形式非常简洁的自适应阻抗控制算法，它能使机器人系统跟踪目标阻抗并保证跟踪误差的渐近稳定性及机器人与外界整体系统的稳定性，本文还就无直接力反馈控制方法进行了讨论。     

判别外观模型下的寻优匹配跟踪算法*

针对模型匹配跟踪算法易受遮挡、复杂背景等因素影响的问题,提出判别外观模型下的寻优匹配跟踪算法.首先,提取前5帧图像的局部特征块,建立由特征块组成的训练样本集,并利用颜色、纹理特征进行聚类组建判别外观模型.然后,利用双向最优相似匹配方法进行目标检测.为了解决复杂背景干扰,提出前景划分方法约束匹配过程,得到更准确的匹配结果.最后,定期将跟踪结果加入聚类集合以更新外观模型.实验表明,由于利用多帧训练的判别外观模型及双向最优相似匹配方法,算法在局部遮挡、复杂背景等条件下的跟踪准确率较高.     

基于压缩感知信号重建的自适应空间正交匹配追踪算法

传统的奈奎斯特采样定理规定采样频率最少是原信号频率的两倍,才能保证不失真的重构原始信号,而压缩感知理论指出只要信号具有稀疏性或可压缩性,就可以通过采集少量信号来精确重建原始信号.在研究和总结已有匹配算法的基础上,提出了一种新的自适应空间正交匹配追踪算法(Adaptive Space Orthogonal Matching Pursuit,ASOMP)用于稀疏信号的重建.该算法在选择原子匹配时采用逆向思路,引入正则化自适应和空间匹配的原则,加快了原子的匹配速度,提高了匹配的准确性,最终实现了原始信号的精确重建.最后与传统MP和OMP算法进行了仿真对比,结果表明该算法的重建质量和算法速度均优于传统MP和OMP算法.     

基于多尺度的轮廓匹配方法

物体的形状轮廓是计算机视觉中一个重要的特征。该文提出了一种基于多尺度下局部特征的描述和动态规划的形状匹配和识别方法。考虑到轮廓在不同尺度下特征点的变化,给出了形状的多尺度描述方法。在轮廓分段匹配过程中,根据噪声和形变的程度不同对局部轮廓分别采用不同尺度滤波,避免了局部形变及噪声导致错误的匹配结果。该算法对于噪声、形变和适度的遮挡有较好鲁棒性,用于行人识别上取得了较好的效果。     

基于三视图的自适应加权迭代匹配筛选算法

针对基于三视图的传统三维重建时特征点匹配后保留正确匹配点对数量过少、由图像噪声、拍摄照片时遮挡和震动等因素引起的匹配误差较大等问题,文章提出了一种自适应加权迭代算法,该算法通过给匹配点对加权进行迭代筛选来实现,可以稳定的获得数量较多、结果较准确的匹配点对,从而精确求解三视图空间约束矩阵三焦点张量.实验证明,文章提出自适...     

基于自适应权重的立体匹配优化算法

为解决现有立体匹配算法对低纹理以及视差不连续区域匹配效果较差的问题,提出一种改进的立体匹配优化算法。在传统自适应权重算法匹配代价的基础上,融合高斯差分图像差分信息,即左右图像高斯差分图的差分,重新定义其初始匹配代价,增加算法在视差不连续区域的鲁棒性,并加入边缘约束和视差边缘约束迭代聚类以及基于高斯差分图的自适应窗口算法,保证改进算法在低纹理区域的匹配性能,消除坏点与视差空洞。将该算法与传统自适应权重匹配算法分别在Middlebury数据集上进行匹配实验,结果表明,该算法平均性能提升了15.05%,明显优于传统自适应权重匹配算法。     

自适应匹配追踪图像去噪算法

针对目前的稀疏去噪算法分解效率低、去噪效果不理想的问题,提出了一种基于自适应匹配追踪的图像去噪算法。该算法首先通过自适应匹配追踪算法求解稀疏系数,然后利用K奇异值分解算法将字典训练成能够有效反映图像结构特征的自适应字典,最后将稀疏系数与自适应字典相结合来重构图像。在重构过程中,将噪声对应的系数去除,最终达到去噪的效果。算法引入Spike-Slab先验来引导稀疏系数矩阵的稀疏性,并利用两个权重矩阵促使去噪模型更加真实。鉴于字典在稀疏算法中的重要性,将自适应字典与DCT冗余字典、Global字典进行比较。实验结果显示,选择自适应字典的去噪结果比传统字典在峰值信噪比上高出约4.5 dB;与目前6种主流的稀疏去噪方法相比,文中提出的方法在3种评价指标上均有不同程度的提高,其中峰值信噪比平均提高了约0.76~6.24 dB,特征相似度平均提高了约0.012~0.082,结构相似性平均提高了约0.015~0.108。对图像去噪算法进行定性的评价,结果显示所提算法保留了更多的有用信息,视觉效果最佳。实验充分证明了自适应匹配追踪图像去噪算法对图像去噪的有效性和鲁棒性。     

基于读分割最优匹配的indels识别算法

高通量测序技术的发展极大地推动了基因组结构变异识别的研究,当前该领域主要是针对覆盖度、双末端读对、或片段组装方法来识别变异,但这些方法的识别结果不够准确、敏感度高、对基因组结构变异的信息（如变异序列,变异坐标等）挖掘不充分.插入和删除类型的结构变异统称为indels,是基因组结构变异种最常见的变异.为此,本文针对indels的精确识别提出了基于split-read思想和动态规划策略的最优序列匹配算法（OptimalSplit-read Matching Algorithm,OSRM）.OSRM算法能将异常read以最少的空位打断比对到参考序列上.首先建立异常read与特定参考序列的匹配得分矩阵,然后建立回溯路径矩阵,最后用以变异特点设计的得分公式,对每条路径进行最优匹配结果的筛选,输出精确识别的indels的坐标及序列,实验结果显示,该方法对小中型的indels有很高的识别性能.此外,与split-read领域最经典的算法Pindel进行了比较,证实了算法在小中型的indels识别方面有更好的效果,可以对更加复杂的情况进行识别.     

基于遗传算法的模型参考自适应控制*

本文以连续搅拌反应釜（ＣＳＴＲ）这一非线性系统为例，介绍了根据参考模型的输出，运用遗传算法对控制的ＰＩＤ参数不断寻优，不断调整，以达到参考模型所要求的控制效果的自适应控制方法，并对改变遗传算法的几个参数对控制效果的影响进行了比较讨论。