排序方式: 共有19条查询结果,搜索用时 875 毫秒
11.
一种新的迭代学习控制快速算法 总被引:3,自引:0,他引:3
对一类连续系统的迭代学习控制问题进行了讨论,提出了一种新的迭代学习控制算法,该算法与目前的算法具有完全不同的形式,数值仿真结果表明了新算法的有效性与优越性。 相似文献
12.
针对传统盲信号分离方法通过估计分离矩阵实现盲信号分离难以同时适应适定、欠定和过定模型的问题,给出了一种新的方法,直接估计混叠矩阵实现盲分离.首先给出估计混叠矩阵的梯度学习公式,并分析了该梯度算法对适定模型的有效性,然后将它推广到过定混叠和欠定混叠模型,从而得到了一种适用于各种盲分离模型的混叠矩阵估计算法.仿真例子检验了所提出的算法在适定情形下与原有算法有类似的特性,而又可以同时适应过定和欠定模型. 相似文献
13.
论Lorenz系统族的全局指数吸引集和正向不变集 总被引:3,自引:0,他引:3
对于参数在两类区间内变化的Lorenz系统无穷族和两类新的Lorenz型混沌系统,首次提出全局指数吸引集的概念,且给出此类集的指数吸引估计式.作为推论囊括了现有文献中关于Lorenz族全局吸引集的所有结果为特例,且简化了前人的复杂证明,特别对于b→1^+和q→0^+等前人方法失效的奇异情形,也得到圆满解决. 相似文献
14.
基于稀疏元分析的欠定混叠自适应盲分离方法 总被引:1,自引:0,他引:1
传统盲分离理论假设源信号相互独立,通常采用独立元分析方法等实现盲分离,无法解决实际应用中出现的欠定混叠、相关源信号混叠等挑战性盲分离问题.稀疏元分析是国际上最近出现的一个新的研究热点,稀疏元分析盲分离方法具有实现欠定混叠盲分离和相关源信号混叠盲分离的能力,因而为广大研究人员所关注.但到目前为止,对于稀疏元分析的研究还很不成熟,特别是非常欠缺有效的算法.仅有的少数几个算法仍然面临许多问题,比如:基于Lewicki和Sejnowski(2000)所给Lewicki—Sejnowski自然梯度的稀疏元分析方法,是目前讨论欠定混叠盲分离的一种有效自适应算法,它较通常的K-均值聚类法有更多的优势.但Lewicki—Sejnowski自然梯度只是一种近似表示,缺乏严格的理论依据.由稀疏元分析代价函数出发,基于矩阵理论以及文中所建立的一个新的数学公式,从理论上导出了一个新的且严格的自然梯度,从而为这类稀疏元分析方法提供了严格的理论基础.在此基础上,给出了稀疏信号欠定混叠的新自适应盲分离算法.该方法具有实现欠定混叠和相关源混叠盲分离的能力(见仿真1).仿真结果表明,所给的新自然梯度比Lewicki—Sejnowski自然梯度更为稳定可靠,同时算法具有较好的抗噪性. 相似文献
15.
旨在对Caianiello型离散神经元模型进行分析,由于这种模型具有动态阈值,它能够更加贴切地模拟生物神经元。这种神经元模型恰为延迟动力系统。我们所采用的方法是李雅普诺夫直接方法。文中对各种不同情况得到了神经元系统平衡点的数量、位置的结果。对每一种情况,我们还分析了这些平衡点的动态性质,理论分析和计算机仿真表明该神经元可以具有各种不同的特性,如全局吸引性、局部吸引性、不稳定性或振荡。 相似文献
16.
稀疏表示与病态混叠盲分离 总被引:12,自引:0,他引:12
Bofill(2001)等人首次针对两个传感器的稀疏信号盲分离问题进行了讨论. 但也正如Bofill自己所指出的那样, 此方法存在局限性, 特别是其中的势函数的参数选择缺乏理论指导, 而且此方法不宜推广到具有三个或更多的传感器的情形. 因此这里回避Bofill势函数方法, 建立了K-PCA方法(即K-聚类与主成分分析PCA相结合的方法). 新方法克服了Bofill方法参数选择的困难, 可以方便地应用于三个及其以上传感器的情况, 而且具有实现简单、混叠矩阵估计精度高的特点. 另外, 为了检验混叠矩阵A的估计是否一定有效, 给出了相应的判别准则. 仿真结果表明了该方法的可行性和准确性. 相似文献
17.
具分布参数的随机Hopfield神经网络的镇定 总被引:5,自引:0,他引:5
研究具分布参数的随机Hopfield神经网络的稳定性. 主要思想是将所考虑的系统的解关于空间变量的积分视为相应的由随机常微分方程描述的神经网络的解过程来讨论其稳定性, 具体实施方法是运用Itô微分公式沿系统对构造的关于空间变量平均的Lyapunov函数进行微分. 克服了研究具分布参数随机系统无相应Itô公式的困难. 目前文献尚未见有关分布参数随机神经网络的稳定与镇定的相应结果. 相似文献
18.
二维时滞直接控制系统的振动与非振动性 总被引:1,自引:1,他引:0
在控制过程中,状态函数的振动性可能影响一个系统的性质,而关于控制系统的振动性结果仍不多见。 相似文献
19.