离散数学的双语教学实践

本文以我校近几年针对信息与计算专业学生开设"离散数学"课程双语教学为例,对相关的问题进行了归纳总结,并就如何有效提高"离散数学"双语教学质量和效果总结出了一些看法和建议。     

一类三维连续混沌系统的降维反馈同步控制

以线性时变连续系统的稳定性判别方法为依据，针对一类三维连续混沌系统，提出一种降维状态变量反馈同步办法。该方法的基本思想是应用导数不连续的V函数，结合比较原理，把高维时变大系统的稳定性判定，转化为低维定常辅助方程组稳定性判定。其基本步骤主要分为两步：第一步：通过数值仿真来确定状态变量的取值范围；第二步：利用线性化的误差系统来选择状态变量反馈函数和反馈增益，以满足相应Jaeobian矩阵的特征值随时间变化处处具有负实部。并以著名的Lorenz系统为例进行仿真分析，仿真结果表明该方法的有效性。另外，试验结果也表明，同步质苗不仅与同步办法有关，也同同步控制函数密切相关。     

基于时变适应度函数的改进粒子群算法及其在移动机器人路径规划中的应用*

针对粒子群算法在解空间盲目搜索的缺点,提出一种基于时变适应度函数的改进粒子群路径规划算法。该算法有效地将人类搜索经验与粒子群算法相结合,利用神经网络描述环境约束和距离信息,并构造粒子的适应度函数,从而该算法在迭代过程中可以利用权值的改变合理地调整适应度函数。这样,新算法在寻优过程中能够先确定路径方向,然后逐步提高路径安全性。将该算法应用于机器人路径规划,与标准的粒子群算法相比,数值仿真结果表明,改进算法具有较强的寻优能力和实时性。     

一种改进的自适应蚁群算法及其应用研究

蚁群算法作为一种新型的模拟进化算法,具有分布计算和信息正反馈等优点,但蚁群算法与其他进化算法一样存在收敛速度慢,易陷于局部最优等缺陷.针对这一问题,提出二种改进的蚁群算法,结合遗传算法和图论中的最邻近算法,并自适应地初始化信息素和限定信息素的大小范围.将该算法应用于旅行商问题(traveling salesman problem,TSP)求解,与基本蚁群算法比较,数值实验结果表明,这种改进算法能有效抑制算法陷入局部最优的缺陷,从而提高了解的全局搜索能力和解的质量.     

基于改进粒子群算法的移动机器人多目标点路径规划

针对移动机器人遍历多个目标点的路径规划问题,提出了一种基于改进粒子群算法和蚁群算法相结合的路径规划新方法。该方法将目标点的选择转化为旅行商问题,并利用蚁群算法进行优化,定义了每两个目标点之间的路径规划目标函数,利用粒子群算法对其进行优化。针对粒子群算法存在的早熟现象,将反向学习策略引入粒子群算法,并对粒子群算法的惯性权重和学习因子进行改进。性能测试结果表明,改进的粒子群算法能有效避免粒子早熟现象,提高粒子群算法的寻优能力及稳定性。仿真实验结果验证了新方法能有效地实现机器人的多目标点无碰撞路径规划。真实环境下的实验结果证明了新方法在机器人多目标点路径规划的实际应用中也具有有效性。     

基于模糊神经网络算法的智能轮椅沿墙走行为研究

为了解决移动机器人在户外自主导航移动过程中的局部路径规划问题,提出了一种更为实用的模糊神经网络算法来进行局部路径规划。利用多个声纳和一个摄像头来采集外部环境信息,使智能轮椅在移动过程中可以得到较全面的外部环境信息,使用模糊神经网络算法来对得到的环境信息进行融合,应用的神经网络模型为Takagi-Sugeno(T-S)型,通过融合的结果来控制轮椅的沿墙走行为。通过计算机仿真和实验,验证了该方法的可行性和有效性,轮椅沿墙行走的路径得到了优化。     

刘氏混沌系统的同步控制

以稳定性理论为基础，针对刘氏混沌系统，给出两种不同的同步方法。第一种方法是一种混合同步方法，即在响应系统的耦合函数中同时设计线性与非线性反馈函数。第二种方法，利用H∞自适应同步思想，构造性地得到刘氏混沌系统的一个H∞自适应同步控制器。理论分析表明这两类控制器的构造都是正确的，通过对误差系统的误差进行仿真分析，从图形上就能得到驱动系统和响应系统状态变量误差的绝对值之和能在短时间趋于零，从而说明这两类控制器的有效性。     

基于神经网络的改进行为协调控制及其在智能轮椅路径规划中的应用

针对传统的基于行为的智能轮椅的路径规划方法在室外非结构环境下的路径规划效果差的问题,提出一种新的智能轮椅的路径规划算法.该算法利用模糊逻辑设计了基本控制行为,并在此基础上结合大量实际经验使用神经网络设计了行为协调控制器.改进的算法将仲裁机制和命令融合机制2种行为协调方法有效结合起来,并吸收了这2种行为协调方法的优点,从而改善了系统的反应速度,极大提高了控制精确;另一方面,该算法还可以识别陷阱区域并通过自主改变行为的权重方法控制轮椅逃出陷阱区域,因而具备了较强的人工智能特征.仿真和实物实验验证了该算法智能性高且实现简单,适用于室外非结构化环境下的机器人路径规划.     

基于单状态HMM的音频分类方法研究

经典的隐马尔可夫模型(HMM)是一种基于统计信号的模型,它在基于内容的音频检索系统中具有重要的作用。根据音频分类重类型轻内容的特性,将单状态的HMM用于音频分类,克服了多状态HMM在模型初始化时状态初始概率和转移概率赋值带有假设不准确的缺点。实验结果表明基于单状态的HMM模型音频分类方法能有效地减少误识率,提高音频分类的精确度。