一类中立非线性系统的未知参数谐波扰动补偿

对于一类受到外部未知参数谐波信号干扰下的中立非线性不确定系统,提出了一种基于自适应前馈补偿的控制器设计方法。首先设计非线性观测器将未知扰动估计问题转换为参数辩识问题,并在前馈通道对扰动进行抵消,其次设计具有鲁棒性能的状态反馈控制器来抑制未建模动态,从而在外部扰动和模型参数不确定同时作用下,使系统具有较好的控制性能。对二关节机械臂的仿真证明该方法的有效性。     

基于自适应变异粒子群算法的铁路空车调配

提出一种用于求解铁路空车调配的自适应变异粒子群算法.该算法在迭代过程中加入了变异操作,根据群体适应度方差调整变异概率的大小,并通过调整惯性权重因子来增强算法跳出局部最优的能力.将自适应变异粒子群算法用于铁路空车调配,建立以空车总走行距离最小为目标的数学模型,并在此基础上设计相应的算法.算例结果表明,应用自适应变异粒子群...     

自适应网格下齐次奇异摄动问题的一致收敛性分析

利用自适应移动网格方法求解齐次奇异摄动边值问题,通过常数与解的一阶导数幂的线性组合构造控制函数来进行网格自适应,分析齐次奇异摄动边值问题在此自适应非均匀网格上的收敛性.利用极值原理证明离散问题解的存在唯一性.对离散问题的数值解及其分段线性插值进行误差估计,分别得到一个与ε无关的一阶误差界.有效地解决齐次奇异摄动方程难以...     

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,提出一种改进的蚁群算法,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。     

基于显式多项式恢复的后验误差估计

设计了一种基于显示多项式恢复（EPR）的后验误差估计,这种恢复是对函数值进行恢复,它的核心思想是在每条边上通过求解只有一个未知量的局部问题来恢复边中点的函数值。首先,给出了EPR方法的显示公式。该文基于EPR的后验误差估计分别与最新顶点加密方法和CVDT加密方法相结合,构造自适应有限元算法求解椭圆方程。数值试验表明基于EPR的后验误差是有效的,特别地对于泊松方程,在CVDT网格上EPR具有超收敛性质.最后,对一维情形,给出了相应的理论分析.     

确定SIMPLE算法中压力松弛因子的自适应方法

压力松弛因子的选取是SIMPLE(Swrni-Implicit Method for Pressure-Linked Equations,SIMPLE)算法在数值求解流体流动及对流换热问题的难点之一.针对非稳态流动问题,提出了一种SIMPLE算法中压力松弛因子的自适应方法,有效地避免了松弛因子对计算结果的影响.通过对两...     

浅海水声信道自适应均衡算法

浅海水声信道是一个典型的带宽受限、时变衰落信道,存在着时变的多径扩展、频率偏移以及随机相位起伏.在水声相干通信中,自适应均衡是克服多径效应、消除码间干扰的主要手段.针对在实际应用中自适应均衡算法对步长参数选择的敏感性,进行了浅海信道水声相干通信均衡算法研究,结合录制的水声信道数据,通过Matlab软件,从星座图、算法收敛特性以及系统的误码特性这3个方面对几种均衡算法的性能进行了分析比较.结果表明,最小均方(LMS)平行滤波器组算法具有自适应调整步长的性能,且能获得较快的收敛速度和较小的误码率,验证了该算法在水声信道中的实用性.     

基于MTM和灰色关联度的混合噪声自适应滤波算法

利用MTM滤波算法和灰色关联度的特点,提出一种基于MTM滤波算法和灰色关联度相结合的混合噪声图像的自适应滤波算法.算法选取加窗混合噪声图像的MTM值,采用灰色关联度自适应地计算各像素的加权系数,通过加权得到滤波后图像.仿真实验表明,该算法有较好的自适应性,不但能够有效抑制图像的噪声,而且能较好地保护图像的细节信息,提高图像的清晰度.     

基于半定规划的零陷控制方法

自适应波束形成算法能够将零陷自动对准干扰方向,但在干扰快速移动或天线平台出现震动等情况下,由于干扰位置的扰动而使得自适应权和数据失配.针对上述问题,提出了一种基于半定规划的对干扰源零陷展宽方法,该方法通过对干扰源的波达方向附近范围内的方向向量的约束,来展宽干扰源的零陷范围.该方法能够有效地提高系统的鲁棒性能,使得干扰和噪声的功率输出最小,保证对干扰源的抑制能力.仿真结果验证了算法的有效性.     

基于矢量基学习的自适应迭代最小二乘支持向量机回归算法

为增强最小二乘支持向量机(LS-SVM)回归建模的稀疏性、鲁棒性和实时性,在加权LS-SVM的基础上,提出了基于矢量基学习的自适应迭代回归算法。在训练过程中,该算法通过矢量基学习和自适应迭代相结合的方法得到1个小的支持向量集,同时采用加权方法确定权值以减小训练样本中非高斯噪声的影响。回归学习和动态系统辩识的仿真结果表明:在回归建模精度相似的情况下,该算法确定的支持向量为全部学习样本的4.9%~8.9%,训练时间为标准LS-SVM的0.011%~0.383%;由于能够鲁棒跟踪时变非线性系统的动态特性,适合在线实时训练;可进一步用于非线性系统的建模和实时控制研究。