线性时变RLCM网络瞬态分析的一种新方法

本文从电路理论和数值积分的基本原理出发．导出了线性时变ＬＣＭ的通用伴随模型，提出了线性时变ＲＬＣＭ网络瞬态分析的一种新方法──伴随模型法。采用这种方法，不仅可以使线性时变ＲＬＣＭ网络的瞬态分析变得如同线性时不变电阻性网络的直流分析一样简单，而且很容易满足不同精度要求和数值稳定性的需要。     

非线性网络控制系统的T-S模糊H∞控制与数值仿真

研究了一类非线性网络控制系统的控制和数值仿真问题.首先建立了非线性网络控制系统的连续时间T-S模糊模型.然后基于时变网络诱导时滞,分别设计了系统在无外部干扰和有外部干扰两种情形下的模糊控制器,同时以线性矩阵不等式(LMIs)的形式给出了控制器存在的充分条件.最后通过数值仿真验证了以上两种情形下控制器的有效性.     

时变网络下考虑碳排放的车辆路径优化

针对城市配送中的车辆调度与路径分配问题,以时变网络下旅行速度的变化为关键变量,建立考虑旅行时间和碳排放量的多目标车辆路径问题的非线性混合整数规划模型,采用改进的多目标粒子群优化算法对问题进行求解。并以"城市货的"的实际配送数据为例进行数值实验,分析时变网络的优越性,以及客户满意度和车辆容量对Pareto结果的影响,为考虑碳排放的城市配送问题提供理论指导。     

非线性时变系统的输出跟踪

研究一类非线性时变控制系统的输出跟踪控制问题。首先，给出了时变李导数及非线性时变系统的相对阶定义；其次，在系统输入输出反馈线性化的基础上，设计了跟踪期望信号的时变状态反馈控制律；最后给出了数值算例，用仿真结果说明了本文方法的有效性。     

卫星时变拓扑网络多视图可视化分析框架

深入研究卫星时变拓扑网络与信息可视化相结合的可视化分析问题,提出一个多视图可视化分析框架。该框架在集成传统两视图的基础上,重点关注卫星网络的动态时变特性,设计实现一个新颖的时变拓扑网络可视化视图,该视图遵循网络布局的美学标准,并且维护用户感知网络拓扑的意象图。实验验证表明,多视图可视化分析框架丰富了卫星网络可视化的表现形式,多角度展示了卫星网络的时变特征,能够支撑数据包路由分析等应用,辅助用户感知网络并做出合理决策。     

基于最优控制的系统时变非线性参数模糊辨识

针对运动状态下结构连接处的时变物理参数对研究结构动态特性与工程实际应用具有重要价值,提出了一种结构连接处时变非线性物理参数辨识方法。该方法利用每个子结构的动力学模型,将结构连接处的非线性恢复力作为模型的输入,利用最优控制理论与模糊数学的方法辨识出结构连接处的非线性恢复力,并应用子结构法计算出结构连接处的响应。最后利用最小二乘法拟合了非线性恢复力。计算出非线性恢复力的时变系数。仿真算例表明了该算法的有效性。     

基于LS-SVM的网络化控制系统自适应预测控制

针对网络化控制系统（NCS）中的随机时变时延,提出了一种用最小二乘支持向量机（LS-SVM）预估网络时延的方法。先将网络时延建模为非线性时间序列,再用径向基函数（RBF）作为LS-SVM的核函数,建立了网络控制系统的时延预测模型,然后用该模型预估的时延作为控制器的参数,对网络化控制系统的时延进行补偿和预测控制。仿真结果表明提出的时延预测方法,对网络控制系统的随机时变时延有较高的预测精度,根据该时延设计的控制器能使系统的输出很好地跟踪期望的输出。     

神经网络自校正预测拥塞控制算法研究

传输速率、处理速度和节点缓存容量的饱和非线性特性、传输延迟的随机时变性、用户接入的随机性以及高优先级业务的突发性,使得网络中存在严重的不确定性,由此给异步传输模式(ATM)网络拥塞控制系统的分析与设计带来极大的困难。为此设计了鲁棒神经网络自校正拥塞控制算法。其优点在于:(1)最大限度地减小了测量误差和随机干扰的作用,有效地补偿了时变不确定非线性的影响;(2)保证了闭环系统的稳定性、收敛性和公平性,增强了系统对随机延迟等不确定性的鲁棒性。仿真分析进一步验证了该算法的有效性。     

一种时变非线性系统的自适应逆控制仿真

对一种非线性时变系统提出了基于神经网络的自适应逆控制方案。该方案中用两个动态神经网络分别作为模型辨识器和自适应逆控制器,详细推导了在线训练自适应逆控制器的BPTM(backpropagationthroughmodel)和RTRL(realtimerecursivelearning)算法。根据大幅面喷墨打印机的结构特点,建立了打印头车架系统的时变非线性动力学模型作为仿真对象,在Matlab/Simulink平台下进行了算法仿真验证。结果表明了该方案收敛快,能有效控制该时变非线性对象。     

利用基序列逼近的一类非线性时变系统辨识的实用方法

提出了一种针对一类非线性时变系统（时变的Hammerstein级数）辨识的实用方法。为减少时变系统建模所需参数个数，利用已知基底列的线性组合来逼近系统的时变动态特性，并采用递推最小二乘来估计模型的参数，克服了以往基序列逼近用于时变系统辨识方法中离线最小二乘计算效率不高的缺陷，仿真结果表明，本文提供了的有经济有效地对一大类时变非线性系统进行较好的辨识。     

Wavelet neural network based fault diagnosis in nonlinear analog circuits

1 .INTRODUCTIONWith recent advancement in digital signal process-ing and wireless communication, nonlinear analogintegrated circuits , such as logarithmic amplifierand power amplifier and PLL,are being used ag-gressivelyinindustry . Nevertheless ,fault diagno-sis continues to be the bottleneckin reducing ti me-to-market of these ICs . Since the methods whichwere used to diagnose linear analog circuits oftencan’t direaly be used in nonlinear analog circuitsand building nonlinear model is…     

基于神经网络动态非线性非平稳经济系统预测

考虑实际经济系统中广泛存在着非线性和时变性因素，以及大部分变量的序列具有增增长特性，提出了用网络方法，建立实际经济系统的时变非线性模型，采用增广卡尔曼滤波算法训练神经网络，并根据先验信息（序列的时间增长特性）构造参数转移矩阵，对实际经济的预测分析结果证明，与传统定常非线性预测模型相比，该方法不仅可以在线递推预测，而且由于参数转移矩阵的引入，预测精度得到很大的提高。     

基于稀疏化核方法的非线性动态系统在线辨识

为了抑制辨识模型阶数的不断增长,适应系统的时变动态特征,以滑动时间窗为基本建模策略,提出了一种具有自适应正则化因子的核超限学习机(kernel extreme learning machine, KELM)在线辨识方法。通过构建新的目标函数,使得正则化因子可以随着系统动态而改变,保证了模型在不同的非线性区域拥有不同的结构风险;通过构建统一的学习框架,在保证每一次训练迭代中学习过程稀疏化的同时,实现了核权重系数与正则化因子的同步更新。实验结果表明，提出的方法相比与其他基于KELM的在线序贯学习方法,在有无噪声的情况下,均可以有效提升辨识精度,并且具有更好的稳定性。     

一种改进的自适应模糊滑模大包线飞行控制方法

提出了一种改进的自适应模糊滑模大包线飞行控制方法。该方法以经模拟退火粒子群算法优化的小波神经网络实现非线性模型的逆,能够更加细致地逼近非线性模型,并针对自适应控制的鲁棒性与瞬态性能差的缺点,将滑模控制与自适应控制相结合共同补偿逆误差,提高了自适应控制的鲁棒性与瞬态性。仿真结果表明:所设计的自适应模糊滑模大包线飞行控制器具有优良的控制性能。     

卫星时变拓扑网络节点重要度评估方法

针对卫星网络拓扑结构的时变特征,通过构建时变拓扑图序列模型,将卫星时变拓扑网络分解为一系列具有稳定状态的拓扑图结构。综合考虑节点在网络中的全局性影响和局部性影响,以节点介数、节点紧密度和节点距离的重要度贡献为度量参数,提出了稳态卫星网络节点重要度评估方法,设计了卫星时变网络节点重要度评估算法,通过典型实例验证了算法的准确性和有效性。实验结果表明,该方法能够有效地区分卫星时变网络节点重要度差异,准确评价卫星节点对卫星网络资源的控制能力。     

Adaptive NN stabilization for stochastic systems with discrete and distributed time-varying delays

A new adaptive neural network(NN) output-feedback stabilization controller is investigated for a class of uncertain stochastic nonlinear strict-feedback systems with discrete and distributed time-varying delays and unknown nonlinear functions in both drift and diffusion terms.First,an extensional stability notion and the related criterion are introduced.Then,a nonlinear observer to estimate the unmeasurable states is designed,and a systematic backstepping procedure to design an adaptive NN output-feedback controller is proposed such that the closed-loop system is stable in probability.The effectiveness of the proposed control scheme is demonstrated via a numerical example.     

基于RNPI的动态时滞网络主动队列管理算法

针对网络存在较大时滞和网络参数动态变化等问题,提出了一种鲁棒非线性PI主动队列管理算法。由流体流模型将动态网络推导为参数区间不确定一阶时滞系统,在确定使闭环系统稳定的非线性PI控制参数集合基础上,利用遗传算法寻找基于改进ITAE指标最优的PI控制参数。基于扩展到时滞系统的棱边定理,给出了RNPI算法的设计方法。仿真结果表明了该方法具有良好的控制性能,对网络区间不确定参数有较好的鲁棒性。     

基于不确定时滞模型的鲁棒AQM控制器设计

针对网络环境的不确定性和网络参数的时变性,采用不确定时滞系统模型对网络拥塞控制问题进行了研究。给出了利用线性矩阵不等式方法判定主动队列管理(active queue management,AQM)系统稳定的充分条件,以及基于求解非线性矩阵不等式的AQM控制器参数设计方法,设计了基于线性矩阵不等式的含时滞静态输出反馈控制器。仿真结果表明,利用该方法所得到的控制器是有效的,在变化的网络环境下,其动态响应更快,稳态波动更小。     

基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。