基于自适应Lempel-Ziv复杂度的情感脑电信号特征分析

脑电信号是研究人类情感的主要手段之一。将Lempel-Ziv复杂度算法应用在脑电情感分类方面,并对其进行相应改进。针对脑电信号变化微弱的情况,在二值化过程对原有二值化方法进行改进,采用自适应方法调整信号分段区域,提取脑电情感数据特征,刻画了相邻点之间的相互关系和细节信息。探究不同情感状态下、不同电极复杂度的变化规律,采用SVM进行特征分类,验证了所提取特征的质量和有效性。     

基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征分析

运动想象脑电信号特征提取是脑机接口研究领域的重要问题,提出一种基于多尺度Lempel-Ziv复杂度的运动想象脑电信号特征提取算法.该算法是传统二值化Lempel-Ziv复杂度算法的改进,它将脑电信号分成多个不同幅值范围的区域,根据信号在各区域间的上升和下降趋势,对脑电信号进行二值化处理得到Lempel-Ziv复杂度.本...     

宏观交通运输系统的复杂度与可预测性

宏观交通运输系统复杂度与可预测性的关系需要定量描述。为测度宏观交通运输系统的复杂性,引入符号动力学的Lempel-Ziv算法。针对该算法的应用误区,提出改进的“通用试凑算法”。应用ARIMA模型,对宏观交通量时间序列进行模型估计和预测。计算5个实测时间序列的复杂度和预测误差,通过其结果比较,推论出一个假设:宏观交通运输系统的复杂度与可预测性存在负相关关系。     

基于盒维数与L-Z复杂度的雷达复合干扰特征提取方法

针对射频噪声信号和距离欺骗干扰信号的叠加、秉积和卷积3种形式复合的雷达复合干扰信号,提取了盒维数与L-Z复杂度特征,并对盒维数特征的抗噪性能进行了理论推导.通过仿真实验,求得了不同干噪比(Jam-ming-to-noise ratio,JNR)下的L-Z复杂度与盒维数特征分布.最后采用二维特征联合识别方法,对3种雷达复合干扰信号进行了识别,JNR为0 dB时识别概率达到85%以上.     

基于流形学习和稀疏约束的快速特征提取算法

针对稀疏保持投影算法在特征提取过程中无监督和L1范数优化的计算量较大的问题,提出一种基于流形学习和稀疏约束的快速特征提取算法。首先通过逐类PCA构造级联字典,并基于该字典通过最小二乘法快速学习稀疏保持结构;其次构造用于描述不同子流形距离的局部类间散度函数;然后整合所学习到的稀疏表示信息和局部类间散度信息以达到既考虑判别效率又保持稀疏表示结构的目的;所提算法最终转化为一个求解广义特征值问题。在公共人脸数据库(Yale,ORL和Extended Yale B)中 的 测试结果验证了该方法的可行性和有效性。     

基于动态递归神经网络的一类非线性不确定系统的自适应观测器

针对一类非线性不确定系统，当其状态不可测时，在基于动态递归神经网络的观测器中，对用来抑制不确定性、保证观测器鲁棒观测的控制项进行恰当的设计。仿真结果证实了该设计的有效性。     

基于DTCWT的运动想象脑电特征提取

针对脑电信号采用单一特征识别存在自适应性差和识别率低等问题,提出一种基于双树复小波(DTCWT)的多特征融合的左右手运动想象脑电特征提取方法。对原始脑电信号进行DTCWT变换提取最佳时频段;对所提取的信号频段进行希尔伯特变换与Lempel-Ziv复杂度计算,将得到的时-频域特征与非线性特征组合为特征向量;采用线性判别分析(LDA)完成运动想象任务的分类。实验采用BCI CompetitionⅢ竞赛数据对该方法进行验证,仿真结果表明其识别准确率明显提高,最高可达89.84%。     

基于3D特征动态融合的点云特征提取网络

针对目前用于点云配准的点云特征提取方法并未充分提取点云中的有效信息等问题,提出了一种基于3D特征动态融合的点云特征提取网络（3D feature dynamic fusion and residual u-net,DFRUNet）。该网络通过3DFDF(3D feature dynamic fusion)模块将编码和解码模块的特征动态融合,以充分提取点云中的有效信息;同时采用SE-Res(squeeze and excitation residual)模块来提取点云特征,通过动态调整显著区域的权重,对该区域特征进行重点提取,以提高所提取特征的质量。将网络所提取特征映射到高维空间中,采用随机采样一致性（random sample consensus,RANSAC）算法完成点云配准。实验结果表明,在3DMatch数据集上,该算法特征匹配召回率（feature-match recall,FMR）达到了96.3%,相较于经典的FCGF算法提高了0.011。配准召回率（registration recall）达到了82.2%,提高了0.014。该方法充分提取了点云中的有效信息,达到了更高的召回率...     

基于半监督学习的动态神经网络结构设计

针对神经网络初始结构的设定依赖于工作者的经验、自适应能力较差等问题,提出一种基于半监督学习(SSL)算法的动态神经网络结构设计方法。该方法采用半监督学习方法利用已标记样例和无标记样例对神经网络进行训练,得到一个性能较为完善的初始网络结构,之后采用全局敏感度分析法(GSA)对网络隐层神经元输出权值进行分析,判断隐层神经元对网络输出的影响程度,即其敏感度值大小,适时地删减敏感度值很小的神经元或增加敏感度值较大的神经元,实现动态神经网络结构的优化设计,并给出了网络结构变化过程中收敛性的证明。理论分析和Matlab仿真实验表明,基于SSL算法的神经网络隐层神经元会随训练时间而改变,实现了网络结构动态设计。在液压厚度自动控制(AGC)系统应用中,大约在160 s时系统输出达到稳定,输出误差大约为0.03 mm,与监督学习(SL)方法和无监督学习(USL)方法相比,输出误差分别减小了0.03 mm和0.02 mm,这表明基于SSL算法的动态网络在实际应用中能有效提高系统输出的准确性。     

判定非确定离散事件系统稳定性的多项式复杂度算法

本文讨论基于非确定自动机,形式语言模型的非确定离散事件系统稳定性的多项式算法.在引入拟距离的概念之后.根据拟距离形式化地定义了非确定离散事件系统稳定性.以往判定非确定离散事件系统稳定性的算法基于系统的观测器实现,该观测器在结构上具有指数复杂度,因此本文分析系统结构和观测器结构之间的关系,基于对系统状态对的讨论,提出了判定系统稳定性的有效多项式搜索算法.     

非线性系统学习控制理论的发展与展望

论述了学习控制的基本理论问题,给出了与学习控制系统的基本定义,着重讨论了学习控制方法产生的历史背景、目前非线性系统学习控制的研究状况,提出了一些有待继续研究的问题。     

Finite-Time Stabilization of Nonlinear Systems With Parametric and Dynamic Uncertainties

In this note, non-smooth finite-time stabilization of nonlinear systems with parametric and dynamic uncertainties is investigated. To solve this problem, the input-to-state stability property is used to characterize unmeasured dynamic uncertainties. A constructive partial-state control design is proposed on the basis of involved combined use of Lyapunov, backstepping and input-to-state stability techniques. Under small-gain type local conditions, a solution for the finite-time regulation of a class of uncertain nonlinear systems is obtained     

Robust Optimization-Based Iterative Learning Control for Nonlinear Systems With Nonrepetitive Uncertainties

This paper aims to solve the robust iterative learning control(ILC)problems for nonlinear time-varying systems in the presence of nonrepetitive uncertainties.A new optimization-based method is proposed to design and analyze adaptive ILC,for which robust convergence analysis via a contraction mapping approach is realized by leveraging properties of substochastic matrices.It is shown that robust tracking tasks can be realized for optimization-based adaptive ILC,where the boundedness of system trajectories and estimated parameters can be ensured,regardless of unknown time-varying nonlinearities and nonrepetitive uncertainties.Two simulation tests,especially implemented for an injection molding process,demonstrate the effectiveness of our robust optimization-based ILC results.     

Fourier-Neural-Network-Based Learning Control for a Class of Nonlinear Systems With Flexible Components

This paper considers an output feedback learning control for a class of uncertain nonlinear systems with flexible components. The distinct time delay caused by system flexibility leads to the phase lag phenomenon and low system bandwidth. Therefore, the tracking problem of such systems is very difficult and challenging. To improve the tracking performance of such systems, an iterative learning control scheme using the Fourier neural network (FNN) is presented in this paper. This scheme uses only local output information for feedback. FNN employs orthogonal complex Fourier exponentials as its activation functions and the physical meaning of its hidden-layer neurons is clear. The FNN-based learning controller introduced here relies on the frequency-domain method, which converts the tracking problem in the time domain into a number of regulation problems in the frequency domain. A novel phase compensation method is introduced to deal with the phase lag phenomenon, so that the bandwidth of the closed-loop system is increased. Experiments on a belt-driven positioning table are conducted to show the effectiveness of the proposed controller.     

一类确定性多变量非线性系统的自适应控制

本文研究了可用确定性多变量Hammerstein模型描述的一类多变量非线性系统的自适应控制,基于对一步最优控制律所产生的闭环系统的稳定性条件的分析,提出了一种适用于线性部分为具有任意关联矩阵的非最小相位系统的简单次优控制律及相应的直接自适应控制算法,并证明了算法的全局收敛性.     

一种新的加权动态网格汉字特征抽取方法

为了更有效地提取手写汉字的特征,提高识别精度,本文提出了一种利用非线性归一化过程产生的坐标变换信息来提取手写汉字有效特征的方法。该方法通过非线性归一化获得各有效像素点在原汉字图像及规整后汉字图像中的坐标变换关系,在原图像上抽取各点特征,在归一化图像上进行网格的均匀划分和特征统计并形成用于分类的特征向量。该方法有效克服了以往先进行归一化预处理方法和动态网格方法的一些不足,兼顾了与传统结构特征提取方法的有效结合。针对HCL2000脱机手写汉字库大字符集样本的实验结果表明,该特征提取方法可有效提高识别精度和特征抽取速度。     

非线性系统的再励学习控制研究

研究了一种带有的CMAC神经网络的再励学习（RL）控制方法,以解决具有高度非线性的系统控制问题。研究的重点在于算法的简化以及具有连续输出的函数学习上。控制策略由两部分构成;再励学习控制器和固定增益常规控制器。前者用于学习系统的非线性,后者用于稳定系统。仿真结果表明,所提出的控制策略不仅是有效的,而且具有很高的控制精度。     

Robust Discrete-Time Iterative Learning Control for Nonlinear Systems With Varying Initial State Shifts

This note is concerned with the robust discrete-time iterative learning control (ILC) design for nonlinear systems with varying initial state shifts. A two-gain ILC law is considered using a 2-D analysis approach. Sufficient conditions are derived to guarantee both convergence of the learning process for fixed initial condition and boundedness of the tracking error for variable initial condition. It is shown that the error data with anticipation in time can well handle the varying initial state shifts in discrete-time ILC.      

Digital Identification of Nonlinear Dynamic Systems

An algorithm for designing conditional regression models of nonlinear dynamic systems is described. The complexity of the model is evaluated using the properties of data digital representation. The identification algorithm automatically chooses a structure for a system. Algorithms for complete and incomplete experiments are described. An example is given.