基于观测器的鲁棒H_2控制器设计

研究了一类含有参数不确定系统的观测器型鲁棒 H2 控制器的设计问题 .基于状态反馈和观测器设计的可分离性原理 ,给出了控制器存在的充分条件和系统 H2 性能指标的一个上界 .利用线性矩阵不等式凸优化方法还得到了使该界达到最小的观测增益 .     

联邦学习中抵抗大量后门客户端的鲁棒聚合算法

随着数据的爆炸式增长以及企业和个人对隐私问题的关注,传统的集中式机器学习已经不能满足现有的需求.联邦学习是一种新兴的分布式机器学习框架,旨在不分享私有数据的前提下利用分散的客户端训练一个全局模型,解决数据隐私和数据孤岛问题.然而,由于联邦学习的分布式和隐私保护特性,其容易受到各种各样的攻击,后门攻击则是联邦学习系统受到的攻击之一.目前,业界已提出大量的鲁邦算法来抵抗联邦学习系统遭受的后门攻击.然而,现有的鲁棒算法大多有较强的假设,例如受到不同客户端数据分布和恶意后门客户端数量的限制.我们的研究表明了现有的鲁棒算法不能解决在非独立同分布场景下,大量后门客户端共同攻击的问题.为解决这一难题,本文提出了一种鲁棒算法Poly.Poly算法包含两部分:一部分利用相似度矩阵和聚类算法进行聚类分析;另一部分则基于余弦相似度选择最优的类去聚合全局模型.由于Poly算法能完全去除恶意后门模型,从而完全避免了后门污染全局模型.为了验证Poly算法的性能,实验利用了MNIST、Fashion-MNIST、CIFAR-10和Reddit四种数据集,考虑了数据不平衡和类别不平衡两种非独立同分布场景以及独立同分布...     

基于机器学习的信息物理系统安全控制

研究了控制信号被恶意篡改的信息物理系统的安全控制问题.首先,提出一种改进果蝇优化核极限学习机算法(Kernel extreme learning machine with improved fruit fly optimization algorithm,IFOA-KELM)对攻击信号进行重构.然后,将所得重构信号作为...     

云控制系统及其面临的挑战

本文提出的云控制系统(Cloud control systems, CCSs)是对之前的网络化控制系统(Networked control systems, NCSs)的进一步扩展.目前,物联网(Internet of things, IOT)已经成功应用于实际中,网络化控制技术在其中发挥了关键作用.与此同时,云计算的迅速发展为大数据存储与处理、控制器设计和控制系统性能优化提供了一个完美的平台.可以预见,虽然当前云控制技术的研究和应用还存在许多挑战,但在不久的将来,云控制系统的深入研究将对控制理论的发展和各种实际应用起到积极推动作用.     

网络化防空火控系统中的航迹融合

网络化防空火控系统是网络化作战形式不断发展的产物.本文以网络化防空作战为背景,针对网络化防空火控系统的体系结构及航迹融合问题进行了研究.将网络化控制系统的方法引入防空火控系统的研究中,提出了一种网络化防空火控系统的体系结构.为了保证系统在该体系结构下更好地工作,对航迹融合方法进行了研究.提出并构建了基于联邦Kalman滤波技术的航迹融合方法,其滤波结构适应于灵活开放的体系结构,同时子滤波器可以根据网络传输状态,处理数据丢包和时延的情况.试验结果表明,融合后的数据精度得到了提高.该方法为网络化防空火控系统的设计与实现奠定了良好的基础.     

涵道风扇飞行器飞行控制技术与分类

飞行控制设计的最新进展提高了复杂自主飞行器完成各类任务的能力.在各类垂直起降飞行器中,涵道风扇飞行器(DFAVs)是一种非常重要的尾座式飞行器,其运动和驱动部件由称为涵道的环形机身所屏蔽.这一结构使得其能够很好地保护飞行器自身和操作人员的安全,让飞行器能够在狭窄、杂乱和危险的环境中飞行.此外,DFAVs具有固定翼飞机和直升机的特点,能够同时展现它们的优良特性,如长时居高监视能力和大有效载荷能力.本文是关于DFAVs的第1篇综述论文,旨在概述与其相关的几个方面的最新进展.首先,综述了世界范围内开发的此类飞行平台的历史与分类,并总结了它们的优缺点.然后,介绍了用于控制这些飞行器的多种控制方法.最后,给出总结,并讨论了现存的挑战,以及新的研究趋势.     

同时含有状态和输入时滞系统的滑模控制

研究同时舍状态和输入时滞的系统交结构控制问题，基于LMI，给出了存在滑动模态的时滞相关的充分条件，利用LMI的解，得到了两种不同的滑动模态和控制器的设计方法，所提出的方法简单量行，具有较小的保守性，可进一步推广到多时滞和不确定时滞系统。     

基于自适应动量优化算法的正则化极限学习机

针对极限学习机(extreme learning machine,ELM)隐节点不确定性导致的系统不稳定,以及对大型数据计算负担过重的问题,提出了基于自适应动量优化算法(adaptive and momentum method,AdaMom)的正则化极限学习机.算法主要思想是构造连续可微的目标函数,在梯度下降过程中计算自适应学习率,求自适应学习率与梯度乘积的指数加权平均值,通过迭代得到损失函数最小值对应的隐层输出权重矩阵.实验结果表明,在相同基准数据集的训练中,AdaMom-ELM算法具有非常良好的泛化性能和鲁棒性,提高了计算效率.     

基于压缩因子的宽度学习系统的虚拟机性能预测EI北大核心CSCD

在基于基础设施即服务的云服务模式下,精准的虚拟机性能预测,对于用户在众多资源提供商之间进行虚拟机租用策略的制定具有十分重要的意义.针对基于宽度学习系统(Broad learning system,BLS)的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点,通过引入压缩因子,构建基于压缩因子的宽度学习系统,使预测结果更逼近输出样本,能够减少BLS的冗余特征节点与增强节点,从而加快BLS的网络收敛速度,提高BLS的泛化性能.