基于Bregman迭代的CT图像重建算法

针对大规模集成电路领域CT重建图像的特点,提出TV约束条件下采用l1范数作正则项的重建模型,并给出了基于Bregman迭代的模型求解算法.算法分为两步: 1)采用Bregman迭代求解图像的l1范数作为正则项,误差的加权l2范数作为保真项的约束极值问题;2) 采用TV约束对1)中得到的重建图像进行修正.算法对TV约束条件下采用l1作正则项的重建模型分开求解,降低了算法的复杂度,加快了收敛速度.算法在稀疏投影数据下可以快速重建CT图像且质量较好.本文采用经典的Shepp-Logan图像进行仿真实验并对实际得到的电路板投影数据进行重建,结果表明该算法可满足重建质量要求且重建速度有较大提升.     

不确定离散线性系统的鲁棒单调反馈–前馈迭代学习控制

针对一类不确定离散线性系统,提出一种沿迭代方向鲁棒单调收敛和沿时间方向有界输入有界输出(bouned-input bounded-output,BIBO)稳定的反馈–前馈迭代学习控制策略.首先,将不确定反馈–前馈迭代学习系统表示为不确定二维Roesser模型系统;然后,把二维系统沿迭代方向的鲁棒单调收敛问题转化成一维系统的H∞干扰抑制控制问题,并给出系统的稳定性证明和用线性矩阵不等式(linear matrix inequality,LMI)表示的沿迭代方向鲁棒单调收敛的充分条件,该LMI充分条件不仅可以用于确定反馈–前馈控制器的增益矩阵,而且还可以保证系统沿时间轴方向是BIBO稳定的;最后,仿真结果证明了该反馈–前馈迭代学习控制策略的有效性.