两种求解非正定核Laplac-SVR的SMO算法

提出２种用于求解非正定核Ｌａｐｌａｃｅ ＳＶＲ 的序列最小最优化（ＳＭＯ）算法．第１种算法仅针对Ｌａｐｌａｃｅ ＳＶＲ而设计;第２种算法将Ｌａｐｌａｃｅ ＳＶＲ 作为所要解决问题的一种特殊情况,使算法更具通用性．所提出的算法在保证收敛的前提下,使非正定Ｌａｐｌａｃｅ ＳＶＲ 能够达到比较理想的回归精度,具有一定的理论意义和实用价值．

     

一种提高Ｖｉｃｓｅｋ模型收敛效率的新方法

针对Ｖｉｃｓｅｋ模型收敛速度较慢和一致程度较低的问题,利用动态网络的拓扑结构并结合复杂网络中度的概念,提出一种以度为权重提高Ｖｉｃｓｅｋ模型收敛效率的新方法．进一步以动态网络的度的幂指数得到模型的推广形式,该指数的范围为［０,∞）．仿真实验结果表明,改进后模型的收敛效率优于原模型,且收敛效率随着指数的增加而增大．

     

一种用于事件监测的传感器网络拓扑控制策略

针对事件驱动型传感器网络应用系统,基于简化的ＡＯＤＶ（ａｄｈｏｃ ｏｎｄｅｍａｎｄｄｉｓｔａｎｃｅｖｅｃｔｏｒｒｏｕｔｉｎｇ）（Ｓ-ＡＯＤＶ）算法,提出一种结合预先路由和按需路由的混合拓扑控制策略,通过随机选择一部分节点预先运行Ｓ-ＡＯＤＶ算法来减小事件发生时任务节点的初始拓扑建立时延．仿真实验表明,该策略能以较小的能耗代价换取较快的系统响应速度,满足了事件监测类应用的实时性要求．

     

基于博弈论和VMI共享机制协调模型

以供应商和零售商组成的二阶段供应商管理库存（ＶＭＩ）供应链系统为研究对象,考虑随机需求下的ＶＭＩ系统中可能存在的滞销成本或缺货惩罚,建立了传统、Ｓｔａｃｋｅｌｂｅｒｇ博弈、Ｎａｓｈ协商的３种收益共享机制的协调模型,并得出Ｎａｓｈ协商能完美协调分散式ＶＭＩ供应链的结论．最后,通过数值算例对相关结论进行了验证和分析．

     

利用多变量自适应回归样条函数确定ATCS复合分派规则的缩放参数

提出一种利用多变量自适应回归样条函数（ＭＡＲＳ）来确定考虑准备时间的直观延误成本（ＡＴＣＳ）复合分派规则中缩放参数的方法,以优化ＡＴＣＳ分派规则在最小化总加权延误时间（ＴＷＴ）上的效果．通过利用ＭＡＲＳ模型在高维空间上的弹性建模能力,构建调度作业组与缩放参数之间的非线性模型,以便灵活地捕捉更多的局部映射关系．对比实验结果表明,与已有方法相比,该方法可显著地改善ＡＴＣＳ规则在最小化总加权延误时间上的效果,同时降低调度效果的不稳定性．

     

BUCK变换器带恒功率负载反馈精确线性化控制

对BUCK变换器带恒功率负载系统的非线性控制进行了研究.根据恒功率负载的非线性特性,推导出BUCK变换器带恒功率负载的精确线性化反馈控制规律,设计了系统非线性控制器.用SABER软件对控制律进行了仿真,结果表明反馈精确线性化技术可以实现对BUCK变换器带恒功率负载的控制,在电源及负载大范围变化时,保证系统的稳定运行,具有大信号稳定特性.

     

基于对象的扩展Petri网协同设计过程分析

针对协同设计中任务的执行流程缺乏柔性,不利于分析实际设计过程的现状,提出一种单元调用变迁对与决策变迁相集成的基于对象的扩展Petri网,扩展了Petri网的可达图以适应分析OEPNs模型.采用OEPNs中的过程网和单元网对协同设计过程建模,利用模型中的单元调用变迁对和决策变迁对过程本身和可能状态进行分析.最后与相关的研究工作进行比较并给出了结论.

     

结构复杂数据的半监督聚类

基于成对限制,提出一种半监督聚类算法（ＳＣＣＤ）,它能够处理存在多种密度结构复杂的数据且识别任意形状的簇．利用成对限制反映的多密度分布信息计算基于密度的聚类算法（ＤＢＳＣＡＮ）的邻域半径参数Ｅｐｓ,并利用不同参数的ＤＢＳＣＡＮ 算法处理复杂形状且密度变化的数据集．实验结果表明,ＳＣＣＤ 算法能在噪声环境下发现任意形状且多密度的簇,性能优于已有同类算法．

     

Ｓｔｅｗａｒｔ主动隔振平台的神经网络自适应控制

针对Ｓｔｅｗａｒｔ主动隔振平台,提出一种基于径向基函数（ＲＢＦ）神经网络的多输入多输出自适应隔振控制方法．考虑外界振动对Ｓｔｅｗａｒｔ主动隔振平台动态特性的影响,建立了隔振平台在工作空间中的动力学模型．推导出ＲＢＦ神经网络的权值矩阵、高斯基函数中心和宽度的在线自适应调节律,以使神经网络快速逼近系统的非线性动态函数．应用Ｌｙａｐｕｎｏｖ稳定性理论,证明了在扰动力和神经网络逼近误差有界的条件下,闭环控制系统滤波误差和ＲＢＦ神经网络各调节参数估计误差的一致最终有界．仿真结果表明,该控制方法能有效地抑制不同方向的低频有界振动.

     

基于划分时滞区间的一类Cohen-Grossberg神经网络的鲁棒稳定性

研究一类具有时变时滞及参数不确性的Cohen-Grossberg神经网络的鲁棒稳定性问题.应用划分时滞区间的思想构造了一个新的Lyapunov泛函,并以线性矩阵不等式的形式给出了平衡点全局鲁棒稳定性判据,新判据放松了时变时滞变化率必须小于1的限制.仿真结果进一步证明了所得结论的有效性.

     

一种LDA与SVM混合的多类分类方法

针对决策有向无环图支持向量机（ＤＤＡＧＳＶＭ）需训练大量支持向量机（ＳＶＭ）和误差积累的问题,提出一种线性判别分析（ＬＤＡ）与ＳＶＭ 混合的多类分类算法．首先根据高维样本在低维空间中投影的特点,给出一种优化ＬＤＡ 分类阈值;然后以优化ＬＤＡ 对每个二类问题的分类误差作为类间线性可分度,对线性可分度较低的问题采用非线性ＳＶＭ 加以解决,并以分类误差作为对应二类问题的可分度;最后将可分度作为混合ＤＤＡＧ 分类器的决策依据．实验表明,与ＤＤＡＧＳＶＭ 相比,所提出算法在确保泛化精度的条件下具有更高的训练和分类速度．

     

基于GPS的NCS非整数倍采样周期时延补偿方法

研究具有非整数倍采样周期时延的网络控制系统（ＮＣＳ）的时延补偿问题．针对ＮＣＳ中的非整数倍采样周期时延,基于广义预测控制算法并结合线性插值方法,提出一种新的网络时延补偿方法．该方法能得到非整数倍采样周期的控制预测值,同时通过减小执行器读取缓冲区的周期,可有效减少由于执行器时间驱动而引起的等待时延,解决了非整数倍采样周期时延的补偿问题．最后通过仿真验证了该方法的有效性．

     

GM(1,1)模型拓广方法研究与应用

为了拓广GM(1,1)模型的适用范围,对GM(1,1)模型进行了两方面的改进:对初始序列进行预处理以改善其光滑性;用GM(1,1)模型的内涵型代替白化响应式作为新的预测公式.理论分析与实验结果表明,改进模型不仅比传统模型的预测精度高,而且完全适用于对高增长序列建模,拓广了GM(1,1)模型的适用范围.

     

基于节点协同覆盖的传感器网络寿命最大化模型

针对保证网络连通覆盖和最小能量消耗的优化目标,建模了基于节点协同覆盖的传感器网络寿命最大化模型．提出一种基于多目标优化遗传算法的求解方案,设计了基于链路状态的分簇机制以及基于ＮＳＧＡ-Ⅱ的簇内覆盖控制算法．仿真结果表明该方案能快速收敛于最优解,在高密度和低密度布撒环境下表现出优越的性能,且具有良好的适应性．

     

时滞相关不确定随机系统的鲁棒H∞控制

针对具有时变时滞和范数有界不确定性的随机系统,研究其随机镇定和鲁棒H_∞控制问题.设计状态反馈控制器,使得对所有可容许的不确定性,闭环系统随机稳定且满足给定的H_∞性能指标.利用线性矩阵不等式(LMI)及自由权矩阵技术得到系统镇定的一个充分条件,该充分条件由一组时滞相关的矩阵不等式表达.最后通过仿真数例表明了所提出方法的有效性.

     

不确定系统鲁棒容错H∞控制的LMI设计方法

针对不确定线性系统,研究了执行器失效情况下鲁棒容错H_∞控制问题.基于连续增益故障模式.利用线性矩阵不等式LMI推导了系统H_∞指标约束下鲁棒容错镇定的充要条件,分别给出了输出反馈和状态反馈H_∞控制器的设计方法.通过引入变量代换,将求解输出反馈H_∞指标约束的鲁棒容错控制器的可解条件转化为标准的LMI所获得的控制器不仅能使故障系统鲁棒定,并且能达到给定的H_∞性能指标.仿真实例验证了所提出设计方法的有效性.

     

线性时变参数系统切换输出反馈控制

考虑时变参数系统的切换H_∞控制问题.提出了由参数触发的切换策略,由此在最小驻留时间的限制下,将线性时变参数系统分解为若干具有范数有界不确定性的子系统.利用多Lyapunov函数方法分别设计各子系统的输出动态反馈控制器,使在切换策略驱动下构成的闭环系统满足H_∞控制性能.仿真算例完整地实现了理论方法,并验证了其有效性.

     

多面体不确定系统时滞依赖鲁棒预测控制

将线性状态变换引入连续时间多面体不确定时滞系统中,利用线性矩阵不等式(LMI)方法,设计时滞相关型鲁棒预测控制器;通过适当选择Lyapunov 函数,推导出闭环系统渐近稳定的充分条件,并且该条件是时滞相关的.仿真算例验证了该方法的有效性.

     

基于图像特征提取的浮选关键参数智能预测算法

针对矿物浮选过程中回收率参数难以在线检测的问题,提出了一种智能预测算法．首先采用相对红色分量提取泡沫颜色特征,采用改进面积重构变换与分水岭方法分割泡沫图像并提取尺寸特征;然后在此基础上,通过斯密特正交化对最小二乘支持向量机（ＬＳＳＶＭ）核矩阵进行简约,利用核偏最小二乘方法进行回归计算,得到具有稀疏性的ＬＳＳＶＭ 预测模型．实验结果表明,该预测算法能有效地对矿物回收率进行预测．

     

最大间隔最小体积球形支持向量机

结合支持向量机（ＳＶＭ）类间最大分类间隔和支持向量数据描述（ＳＶＤＤ）类内最小描述体积思想,提出一种新的学习机器模型———最大间隔最小体积球形支持向量机（ＭＭＨＳＶＭ）．模型建立两个大小不一的同心超球,将正负类样本分别映射到小超球内和大超球外,模型目标函数最大化两超球间隔,实现正负类类间间隔的最大化和各类类内体积的最小化,提高了模型的分类能力．理论分析和实验结果表明该算法是有效的．