基于操作轨迹LPV模型的非线性辨识

提出一种基于操作轨迹LPV模型的非线性辨识方法:根据调度变量的操作轨迹,选取若干个典型工作点;在各个典型工作点,进行测试与辨识相应的线性模型;然后,根据工作点测试数据以及各工作点间的过渡数据,辨识出全局插值LPV模型.它降低了测试辨识成本,且算法简单可靠,仿真结果表明了该算法的有效性.     

基于Monte Carlo仿真的随机S曲线研究

PB-S曲线是随项目进展变化的累计预算成本曲线和累计工期曲线,它综合考察了成本、工期和项目进展百分比三个变量之间的关系.SS曲线提供了与各个项目进展百分比对应的累计预算成本和累计工期的概率分布.采用Monte Carlo仿真和统计分析方法,结合一个费用和时间随机分布的网络计划,详细研究了PB-S曲线和SS曲线的仿真建模和统计分析过程.进一步,基于SS曲线,考察了费用偏差和进度偏差的统计特征,为项目绩效的预测和监测提供更详细的偏差信息.同时针对均值曲线作为基准计划曲线的局限性,提出了两种新方法用于选择一定置信度要求的PB-S曲线作为项目的基准计划曲线.     

残缺互补判断矩阵权的最小平方排序方法及改进

研究了积型残缺互补判断矩阵的排序方法,提出了残缺互补判断矩阵权的最小平方法,然后在此基础上提出了残缺互补判断矩阵排序的二次规划法,并且给出了残缺互补判断矩阵一致性检验的公式。提出的方法不仅可以用于残缺互补判断矩阵的排序,而且可以用于完全互补判断矩阵的排序,从而为解决残缺互补判断矩阵排序问题提供了新的途径。理论和数值结果均表明:这些排序方法具有简洁可行?易于计算机上实施等优点。     

基于GA的非线性电机自适应模糊滑模控制器设计

提出一种基于GA的自适应模糊积分型滑模控制策略,并将其用于具有非线性动态摩擦力的单轴运动控制系统中.控制器由自适应模糊控制项和补偿控制项组成,自适应模糊控制项用来逼近理想滑模控制律,补偿控制项用来补偿逼近偏差,利用李亚普诺夫稳定性理论推导出模糊规则和补偿控制项中逼近偏差边界在线自适应律,采用遗传算法优化自适应律中参数.仿真和实验结果表明了该控制策略的有效性.     

基于解析振速的ESPRIT算法

基于声矢量传感器在二维平面波入射时的输出信息,提出了其"解析振速"的输出模型,将目标的方位信息蕴含在输出信号的相位之中,并由此得到了矢量阵的输出模型.当ESPRIT算法应用于矢量阵时,由于矢量阵的内禀属性,旋转矩阵不再与阵型和信号的频率有关,只与目标方位信息有关,从而能够实现任意阵型全空间的无模糊测向.理论分析和仿真表明:本算法无需先验已知阵型;单声矢量传感器也可以应用ESPRIT算法,且此时其性能逼近克拉美-罗界.湖试表明本算法是有效的.     

大型天文光学望远镜机架驱动高阶滑模控制仿真

针对当代大型天文光学望远镜机架伺服系统动力学要求,提出高阶滑模控制的方法.在建立机架伺服系统状态空间模型的基础上,将传统滑模变结构控制中的滑模面拓展为高维(三维及以上)微分流形,使系统动态的不连续性仅存在于最高阶,从而有效地抑制传统滑模控制中易产生高频振动的现象.根据大型天文望远镜机架通常运行在角秒级超低速的特性,提出变参数切换律,进一步地提高机架系统的低速跟踪性能.仿真结果表明,用该方法设计的驱动伺服系统具有良好的抑制内外部干扰和跟踪给定信号的效果.满足当代大型望远镜机架伺服系统超低速位置跟踪的要求.     

集装箱倒箱问题的启发式算法研究

为降低集装箱堆场的倒箱率,对翻倒箱落箱位置的确定问题进行了研究,提出了一种启发式算法H及其改进算法IH。利用仿真实验将所提出的两种启发式算法与最优解及已有启发式算法OH进行了比较,结果表明,提出的两种启发式算法在解的效果和稳定性上均明显优于算法OH,其中改进算法IH相对算法H又有进一步的提高。     

一种基于SVD的射频收发天线选择算法

基于线性检测的空间复用(SM)系统提出了一种射频天线选择算法,该算法以最小化错误概率为目标,利用信道矩阵的奇异值分解(SVD)所得到的左奇异和右奇异矢量实现发端和收端的射频天线选择,且不需要改变系统原有的检测算法。该算法可以用于收发任一端或两端同时使用,不采用遍历搜索,与传统搜索算法相比实现复杂度低。仿真证明将该算法应用于链路任意一端相比与传统算法都可以获得更多的分集增益和阵列增益。     

基于区间数的预警机作战效能评估

建立了预警机作战效能评估的指标体系,提出了区间数的幂运算法则。采用区间数特征向量法确定了指标体系中定性指标的权重,采用区间数特征向量法和信息熵法相结合的组合赋权法确定了指标体系中定量指标的权重。给出了指标体系中定量指标和定性指标的规范化方法,提出了用区间数形式的加权和与加权积关系进行指标聚合的方法。最后通过算例对该方法的有效性进行了检验。     

基于UKF的自组织模糊神经网络训练算法

如何生成最优的模糊规则数及模糊规则的自动生成和修剪是模糊神经网络训练算法研究的重点,针对这一问题,提出了基于无迹卡尔曼滤波（unscented Kalman filter, UKF）的自组织模糊神经网络的训练算法。分析了模糊神经网络的非线性动力系统表示,并用递推最小二乘法（recursive least square, RLS）和UKF分别学习线性和非线性的参数,给出了模糊规则生成的准则和参数更新的策略;然后,用误差下降率方法作为模糊规则修剪的策略,删除作用不大的规则。通过典型的函数逼近和系统辨识实例,表明所提算法得到的模糊神经网络的结构更为紧凑,泛化性能更佳。