具有时延的参数不确定主动悬架广义H2/H∞控制

提出了一种新的综合考虑系统的输入时延和参数不确定性的广义H2/H∞混合控制器设计方法,并将其用于车辆主动悬架设计.假定作动器时延是一个已知其边界但不确定的恒定的量,且系统的小确定参数是范数有界的.针对悬架设计需求,分别用H∞和广义H2性能评价指标反映车身加速度和机械结构设计约束.通过定义一个李亚普诺夫函数来同时满足闭环系统的两个性能指标,将广义H2/H∞混合控制器设计转化为线性矩阵不等式的求解.用两自由度1/4车悬架模型进行仿真,结果表明:不论是否存在有界时延和车身参数变异,控制器始终能给出很好的控制效果.     

系统Hα中的子代数的广义重言式理论

将多值逻辑系统H_α（0≤α≤1）中的广义重言式理论进行推广,讨论其序稠密子代数的广义重言式理论,利用可达广义重言式概念在系统H_1/2的序稠密子代数中给出F（S）的一个分划,并把系统H_1/2中的相关结论推广到系统H_α（0≤α≤1）中。     

一种广义粗糙集精度的新度量

在粗糙集理论中,精度是量化由粗糙集边界引起的不精确性的一种重要数字特征,但传统精度没有考虑到由关系覆盖导出的颗粒大小。本文通过引入独立邻域集的概念,给出一种新的广义粗糙集精度的度量。     

基于改进的GRNN的销量预测

根据灯具销量具有增长趋势和周期性二者合成的非线性特点,本文利用相空间重构理论确定GRNN的输入节点数,以加权误差代价函数代替传统误差代价函数为目标训练网络,采用粒子群优化算法优化平滑参数,并在此基础上将GRNN用于灯具销量的短期预测。与传统的BPNN相比,改进后的GRNN预测精度更高,抗噪声能力更强,模型更稳健。     

基于模糊Lyapunov函数方法的模糊广义系统H∞控制

研究一类T-S模糊广义系统的容许性条件和H∞控制问题. 首先将原系统表示成增广系统, 进而基于新的模糊Lyapunov函数和模糊控制器得到容许性条件. 所得开环容许条件不要求子系统是容许的; 闭环容许条件中不含有控制输入矩阵与控制增益矩阵的乘积项. 对于H∞控制问题, 利用隶属度函数的性质对H∞控制条件进行了放宽, 并得到了改进的严格线性矩阵不等式(LMI)形式的H∞控制条件. 数值算例表明所得结论较已有文献具有较小的保守性.     

）NA计算机中广义表数据结构的设计与实现

类似于电子计算机,数据结构能帮助DNA计算机合理、高效地组织要处理的信息．文中提出了DNA计算机中广义表的一种设计方法．首先,讨论了k-臂DNA分子的结构及其在DNA计算中的应用．接着,在讨论了广义表存储结构的同时,给出了广义表两种节点的k-臂DNA编码的形式描述．最后详细描述了DNA计算机中广义表主要操作的实现算法．这些操作包括初始化空的广义表,创建包含指定元素的广义表和遍历广义表的元素．文中的方法可推广到DNA计算机上其它非线性数据结构．     

双曲极限圆映射广义M集

Chung K.W.等人利用双曲对称群的生成元构造出了具有[p,q] 对称的双曲极限圆迭代映射. 为了进一步研究这个迭代映射,本文构造出它的参数空间的广义M集.提出一个实用、简便的搜索参数组合的方法,解决了在选择构造广义M集的参数断面时的盲目性问题. 按照排列组合方法,将所有参数两两组合,在计算机屏幕上按序构造出所有参数断面的粗略的广义M集块. 从这样的组合图上挑选出对[p,q] 双曲极限圆动力系统影响较大的参数组合,并进一步在这样的参数组合下构造出广义M集.从这种广义M集的不同参数区域挑选参数,成功地构造出了混沌吸引子、充满Julia集形式的双曲极限圆图案,成功地构造出了用同一组参数构造既有混沌吸引子又有充满Julia 集的混合形式的双曲极限圆图案.     

基于遗传算法和广义交叉原理求解正则参数

本文研究了正则化方法中正则参数的求解问题,提出了一种新的正则参数求解策略,即利用遗传算法基于广义交叉检验准则求解正则参数,数值模拟验证了该方法的可行性和有效性。     

基于主次原型超平面最接近支持向量机

基于广义特征值的最接近支持向量机GEPSVM是一种新的具有与SVM性能相当的两类分类方法,通过求解广义特征值来获得两个彼此不平行的拟合两类样本的超平面,其决策规则是将测试样本归为距其最近的超平面所在的类。然而,该规则在某些情形会导致较差的分类结果。对此,本文提出了在利用GEPSVM产生一个主原型超平面的基础上,再利用主原型超平面及它类样本的信息构造一个次原型超平面,形成一个由主次原型超平面共同决策的最接近支持向量机。该方法不仅简单且易于实现,而且具有较GEPSVM更优的分类性能。在UCI数据集上的实验验证了它的有效性。     

检验门限协整模型中的线性协整

考虑门限协整回归模型中线性的检验问题.在原假设为线性协整的条件下,构造TSupLM(supremumLagrange multiplier)统计量,并给出了极限分布.Monte Carlo实验研究了SupLM检验的有限样本性能,结果表明SupLM检验不受回归误差的序列相关性影响,也不受广义的自回归条件异方差GARCH(generalized autoregressiveconditional heteroskedastic)的影响.应用SupLM检验方法检测美国国库券收益率之间的关系,结果表明不同到期时间的国库券收益率之间存在门限协整关系.