逆M序列在机抖激光陀螺消除动态闭锁中的应用

对逆M序列在消除激光陀螺动态闭锁误差中的应用进行了研究和验证.目前多采用M序列对抖动的幅度进行调制来消除激光陀螺动态闭锁误差,而逆M序列与M序列相比不仅满足注入到激光陀螺抖动中的要求,且比M序列有其性质等方面优势.通过理论分析及M序列和逆M序列在消除机抖激光陀螺动态闭锁中实验中的应用对比,实验数据表明逆M序列在消除动态闭锁中的作用要优于M序列.     

一种新型神经网络广义逆系统

提出一种新型带有反馈环节的广义逆系统方法,并给出了其存在性的证明．该方法首先利用神经网络构造被控对象的α 阶逆系统,通过改变反馈环节参数可随时任意配置复合系统极点,无需重新构造广义逆系统．分别对ＳＩＳＯ 和ＭＩＭＯ 非线性系统进行仿真研究．仿真结果表明,在配置极点变换时,利用该方法构造的广义逆系统仍可对原系统实现有效的线性化和解耦．     

行波型超声电机基于神经网络的逆模型辨识

行波型超声电机的动态特性受定子压电陶瓷迟滞和接触层非线性摩擦力的影响,表现出复杂的多值映射特征.通过引入动态迟滞逆算子,将存在于超声波电机逆系统中的多值映射在新的扩张输入空间上,转换为一一映射;然后使用神经网络建立超声波电机的逆模型,对迟滞和非线性摩擦力的影响进行补偿.所建立的模型结构简单,可以在线调整适应电机参数的非线性变化.实验仿真结果验证了该方法的有效性.     

不确定系统的稳定广义预测控制

针对一类有界不确定线性离散被控对象,采用Min-Max优化方法,提出一种新的稳定广义预测控制(MMSGPC)算法.引入内模控制结构,将干扰和不确定性从被控对象中分离出来,并利用局部反环节对其进行补偿;采用Min-Max优化方法,将终端约束条件转化为有界不确定性最差情况时应的线性方程;通过引入矩阵的Moore-Penrose逆,得到了终端约束线性方程的通解,并结合性能指标函数求得了最优控制律.通过仿真实例验证了该方法的稳定效果.     

基于灰色RBF神经网络模型的电梯层间交通分布预测

为了有效预测电梯的层间交通分布状态,提出一种层间交通O-D矩阵的预测方法．该方法融合灰色预测和神经网络方法各自的优点,将灰色预测方法与RBF神经网络有机结合,构造灰色神经网络预测模型．利用灰色预测中的累加生成运算（accumulatedgeneratingoperation,AGO）对原始观测数据进行变换,得到规律性较强的累加数据,作为神经网络的建模和训练样本．还提出了对不良交通需求数据的修正方法,以进一步降低观测数据的随机性．所提方法既避免了灰色预测方法存在的理论误差,又提高了神经网络的训练速度和预测精度,适用于短期层间交通分布预测．仿真试验验证了该方法的有效性．     

Application of the general elimination method in robot kinematics

A general method for solving the robot inverse kinematics problem is presented. The method is based upon the general elimination method to obtain the equivalent system of equations which are triangularized and the solutions of the inverse kinematics problem can be solved by backsubstitutions.     

Inverse-compensation-based DETC for nonlinear hysteresis system with disturbance

To control a nonlinear system with both hysteresis and disturbance, it is necessary to establish a hysteresis model and improve the disturbance rejection ability. However, the input signal implicitly involved in the classical hysteresis model can lead to difficulty in constructing a compensator. In this study, a hysteresis model in explicit form is proposed with a bounded auxiliary variable. Then, a model-based inverse is constructed for approximate compensation for the hysteresis. Moreover, the compensation error, which is considered a part of the disturbance, is proved to be bounded. Disturbance estimation triggered control (DETC) is utilized to address the compensation error coupled with the external disturbance. According to the disturbance effect indicator (DEI), DETC can improve the system control performance by considering the disturbance effect judgment. Experimental results are presented to illustrate the potential of the proposed technique.     

特征挖掘与区域增强的弱监督时序动作定位

弱监督时序动作定位旨在定位视频中行为实例的起止边界及识别相应的行为。现有方法尽管取得很大进展,但依然存在动作定位不完整及短动作的漏检问题。为此,提出了特征挖掘与区域增强（FMRE）的定位方法。首先,通过基础分支计算视频片段之间的相似分数,并以此分数聚合上下文信息,得到更具有区别性的段分类分数,实现动作的完整定位;然后,添加增强分支,对基础分支定位中持续时间较短的动作提案沿时间维度进行动态上采样,进而采用多头自注意机制对动作提案间的时间结构显式建模,促进具有时间依赖关系的动作定位且防止短动作的漏检;最后,在两个分支之间构建伪标签互监督,逐步改进在训练过程中生成动作提案的质量。该算法在THUMOS14和ActivityNet1.3数据集上分别取得了70.3%和40.7%的检测性能,证明了所提算法的有效性。     

少样本深度学习算法赋能二维衍射超材料逆向设计

二维衍射超材料是研究高阶衍射光束的光学手性响应的理想材料。随着计算机软硬件技术的发展,越来越多的深度学习算法应用于超材料这一领域。当前,深度学习算法大多需要大量训练数据作为支撑,造成了较大时间开销,并且其模型的可解释性通常较弱。针对以上情况,本文提出一种基于数据增强的迭代少样本深度学习算法,利用少量的仿真数据,训练正向预测的网络模型,进而生成大量“伪数据”,再使用扩充后的混合数据集进行逆向设计模型训练,通过多次迭代得到超材料结构参数的准确值。与以往大多数深度学习方法相比,本文方法将仿真数据集规模缩小了至少一到两个数量级,有效降低了对仿真光谱的依赖,且设计成功率不低于96%。同时,从数据的角度,根据二维衍射超材料的几何参数对光学响应的影响解释了实验结果,增强了模型的可解释性。结果表明,本文方法为超灵敏、可调控偏振光电子器件的研发提供了新思路。