基于T-S模糊模型的自适应重构控制

针对建模误差,外界干扰及操作故障等因素对重构控制的影响,提出了一种基于T-S模糊模型的自适应重构控制方案。整个方案基于模糊T-S模型,在与神经网络的学习能力相结合后,使模糊控制器能自动调整它的隶属度函数,为模糊控制器增加了相当的灵活性,可重构的控制律又使系统在故障情况下的输出精确跟踪期望参考模型的输出,可以有效地补偿故障引起的非线性因素的影响。仿真结果表明了所提出的方法的有效性。     

基于虚拟样机的异构双腿机器人联合仿真

阐述了一类新型双足机器人--异构双腿机器人的概念及研究目的.研究用Pro/E、ADAMS和MATLAB/Simulink联合构建异构双腿机器人的虚拟样机,并提出基于虚拟样机的联合仿真策略.为实现对期望步态的动态跟踪,提出了基于对角回归神经网络的自适应PID控制算法.为验证方案的合理性,进行了步态仿真及控制仿真.结果表明,虚拟样机技术可避免复杂的人工建模和求解过程,仿真逼真且接近实际系统,为复杂双足机器人系统提供了良好的研究方法.     

基于压缩感知的自适应匹配追踪算法优化

针对基于压缩感知的稀疏自适应匹配追踪(sparsity adaptive matching pursuit,SAMP)算法运行效率低的问题,给出了一种优化的自适应匹配追踪(modified adaptive matching pursuit,MAMP)算法.该算法在支撑集选择过程中对稀疏度进行了初步估计,并优化了迭代停止的条件.实验表明,该算法相比于SAMP有更快的收敛速度,并且实现更优的重建效果.     

基于动态神经网络的PID参数整定与实时控制

提出了一种基于对角回归神经网络的PID控制器结构,给出了PID参数在线自整定的学习控制算法。为检验控制效果同时还使用了静态BP网络来整定PID参数,并在Matlab环境下,分别建立了基于对角回归神经网络和BP网络的液位实时控制系统。实际的控制效果说明,基于动态网络的PID控制器工作稳定,具有较好的鲁棒性。     

基于异步估计自适应Kalman滤波系统设计

一般的Kalman滤波器时系统噪声和测量噪声统计特性要求较为严格,当统计特性存在不确定性时,估计会造成较大的估计误差,甚至使滤波器发散.针对此问题,在基于新息的自适应估计和极大后验估计的基础上对Q和R进行异步估计;以某型号光纤惯性测量装置和GPS系统为背景的仿真实验结果表明,该方法能够有效地对Q和R存在不确定的组合导航系统的误差状态变量进行估计,并能较好地保证自适应滤波器的收敛性,进一步提高了估计精度.     

多模型自适应控制算法的性能分析

多模型自适应控制利用多个元素模型覆盖被控对象的不确定性,并针对这多个元素模型建立多个稳定的控制器。每一个采样时刻,基于一个以模型输出误差为变量的具有积分特点的指标切换函数,选择描述被控对象最优的元素模型,并将基于此模型的控制器切换为当前被控对象的控制器。研究如何调整多模型自适应控制器的结构和参数,提高控制品质,为多模型自适应控制器的应用和进一步研究提供理论基础。     

空中运动目标时变时延估计方法的仿真研究

时变时延估计是运动目标测向的关键技术，参数模型法是一类重要的时 延估计算法，其自适应形式可用于对时变时延的估计。本文分析选择了三种自适应的时延估计参数模型法，将其应用于实测的直升机噪声数据，进行了大量仿真试验，为有限阵列尺寸条件下空中运动目标的被动测向提供了有价值的参考数据和结论。     

基于抗差自适应滤波的高速列车融合测速算法

针对Kalman滤波在高速列车融合测速过程中因观测粗差和动力学模型误差而引起的融合精度下降问题,提出一种基于抗差自适应滤波的高速列车融合测速算法。首先,在Kalman滤波的基础上构建异常检测函数和误差判别统计量,用于检测和区分传感器异常观测导致的观测粗差和动力学模型误差;然后,针对观测粗差和动力学模型误差,分别采用三段式函数和指数函数构造抗差因子和自适应因子,通过2种因子合理调节观测信息和模型信息在状态估计中的权重,从而降低观测粗差和动力学模型误差对融合结果的影响;最后,通过2种运行场景以及算法对比,仿真验证抗差自适应滤波算法性能。仿真结果表明,与基于Kalman滤波的融合测速算法相比,所提出算法无论在观测粗差场景还是在动力学模型误差场景,均具有更高的精度和稳定性。     

三维网格动画的几何视频压缩方法

介绍了一种新颖的数据压缩方法,通过频压缩方法进行压缩,同时提出了一个全新的保形自适应采样算法,并利用该算法对原始的几何视频压缩方法进行了改进,在采样误差不变的前提下,改进方法的采样率可以更低,从而可具有更高的压缩比.完整实现了上述方法并利用实例对其进行了验证,实验结果表明此方法是切实可行的.     

ART2神经网络聚类的改进研究

为进行快速动态层次聚类,通过分析自适应谐振理论(adaptive resonance theory,ART)神经网络的快速学习、主观设置警戒参数、输出无层次结构等优缺点以及自组织特征映射(self-organizing feature map,SOFM)神经网络的侧反馈、不能动态聚类、输出无层次结构等优缺点的基础上,借鉴Hebb规则的思想,针对ART2神经网络的聚类算法进行了改进研究.通过结构描述、算法分析,该算法融合了ART2和SOFM的优点,克服其不足之处,以快速学习的方式形成可带有多层层次的动态聚类结构(不同的层次代表不同粒度的聚类),此外还降低了对警戒参数主观设置的要求,对于较粗粒度的聚类不再需要重新训练神经网络.并通过仿真实验证明该算法的有效性.