Nonlinear model predictive control with relevance vector regression and particle swarm optimization

In this paper, a nonlinear model predictive control strategy which utilizes a probabilistic sparse kernel learning technique called relevance vector regression （RVR） and particle swarm optimization with controllable random exploration velocity （PSO-CREV） is applied to a catalytic continuous stirred tank reactor （CSTR） process. An accurate reliable nonlinear model is first identified by RVR with a radial basis function （RBF） kernel and then the optimization of control sequence is speeded up by PSO-CREV. Additional stochastic behavior in PSO-CREV is omitted for faster convergence of nonlinear optimization. An improved system performance is guaranteed by an accurate sparse predictive model and an efficient and fast optimization algorithm. To compare the performance, model predictive control （MPC） using a deterministic sparse kernel learning technique called Least squares support vector machines （LS-SVM） regression is done on a CSTR. Relevance vector regression shows improved tracking performance with very less computation time which is much essential for real time control.     

Dynamic Output Feedback Consensualization of Uncertain Swarm Systems with Time Delays

Consensus analysis and design problems of high‐dimensional discrete‐time swarm systems in directed networks with time delays and uncertainties are dealt with by using output information. Two subspaces are introduced, namely a consensus subspace and a complement consensus subspace. By projecting the state of a swarm system onto the two subspaces, a necessary and sufficient condition for consensus is presented, and based on different influences of time delays and uncertainties, an explicit expression of the consensus function is given which is very important in applications of swarm systems. A method to determine gain matrices of consensus protocols is proposed. Numerical simulations are presented to demonstrate theoretical results.     

基于参数优化的永磁同步电动机直接转矩控制系统自抗扰控制器研究

针对基于PI控制器的永磁同步电动机直接转矩控制系统存在转矩波动大、易受负载变化影响的问题,设计了一种基于转速外环的自抗扰控制器,代替PI控制器以改善永磁同步电动机直接转矩控制系统的性能;采用粒子群优化算法对自抗扰控制器的相关参数进行了优化计算,改进了控制器的调节性能。仿真和实验结果表明,基于参数优化自抗扰控制器的永磁同步电动机直接转矩控制系统具有较高的抗负载扰动能力,更快的响应速度和良好的动、静态性能。     

基于免疫粒子群算法的参数估计方法

针对污水生化反应模型参数估计问题,提出一种基于免疫粒子群算法的估计方法。该方法采用免疫算法保持粒子群的多样性,避免粒子群算法的过早收敛而降低寻优能力。利用估计的参数值对实验数据进行拟合,仿真结果表明,拟合误差率低于标准的粒子群和遗传算法,进一步提高了污水生化反应模型参数估计精度。     

一种基于改进的量子神经网络的语音降噪方法

利用一种改进的量子神经网络（IPSO-QNN）在时域上对含噪的语音信号进行降噪处理,文中重点改进了QNN所涉及到的学习算法。针对粒子群算法本身存在早熟的不足,提出了一种改进的粒子群优化算法（IPSO）。该算法通过对早熟粒子的速度和位置叠加随机数据,使其离开局部最优,从而使算法具有更强的寻优能力。利用IPSO对量子神经网络的参数进行训练和学习,建立了比较高效的基于改进的量子神经网的语音信号滤波器,并通过Matlab软件建立实验平台,实验结果表明,新算法充分利用了量子神经计算的快速性以及粒子群算法的全局寻优能力,从而使该语音信号滤波器,具有良好的降噪性能。     

基于二进制粒子群算法的异构传感器网络成本最优节点部署机制

节点部署作为无线传感器网络应用的一个核心问题,是保证网络服务质量的重要手段。针对异构传感器网络节点的高密度部署和监测目标的非均匀分布的情况,提出一种基于二进制粒子群算法的异构节点成本优化部署方法。该算法在满足区域节点部署要求的条件下以最小化传感器节点的部署成本为目标函数进行优化操作,以达到降低网络冗余、提高网络服务质量的效果。仿真结果表明,该算法能快速收敛于最优解,能够降低网络部署的成本,提高网络中目标监测的质量。     

基于自适应水平集方法的运动目标跟踪

在对复杂背景条件下的非刚体目标进行跟踪时,水平集方法是一种非常有效的方法。针对水平集的初始化问题,提出了一种自适应初始化的水平集方法。首先采用粒子滤波对目标进行跟踪,得到运动目标的粗外接矩形轮廓;然后以外接矩形轮廓的质心为基础进行水平集曲线演化,求取目标的精确轮廓信息,并将轮廓的提取结果反馈到跟踪框架中;最后,动态更新参考模板,以改进似然函数。实验结果表明,本方法能够适应非刚体目标在运动中的自由变化,使得跟踪更加精确。     

二进制无线传感器网络目标跟踪问题的研究

无线传感器网络是近几年发展起来的一门新技术,其研究的重点之一是目标跟踪问题。二进制传感器网络由于其低廉的布设代价、体积小、低能耗以及传感器节点简单,正得到越来越多的关注并用于目标跟踪。目前二进制无线传感器网络中的目标跟踪方法主要分为两大类:基于分段线性拟合的方法和基于粒子滤波的方法。现分别归纳总结现有二进制无线传感器网络中目标跟踪的两大类方法的研究成果并指出其优缺点以及未来的研究方向或需要完善的工作。     

基于免疫粒子群神经网络的污水水质预测

针对污水处理过程所具有的多变量、非线性和大时滞的特点, 利用出水水质参数与多个可测过程参数间的相关关系,给出了基于RBF神经网络的出水水质参数预测模型.采用免疫粒子群优化算法来训练网络的隐层节点、径向基函数的中心点和网络权值.以反应时间、DO浓度、ORP和pH值作为输入参数,实现对COD,NH3-N,TP等水质参数的预测.仿真试验表明,该预测模型对污水处理出水水质参数COD,NH3-N,TP具有理想的预测效果.     

PSO和K均值混合分类算法在远程教学系统中的应用

现行的多数网络教学系统在学生按需学习和＂因材施教＂上存在局限性,本文用PSO和K均值的混合分类算法对传统的网络教学系统进行改进,根据获取的用户基本信息和兴趣特征进行聚类,充分体现＂以学习者为中心＂个性化教学模式。实验结果表明,该算法具有较好的全局收敛性,寻优能力明显提升。