六轴机械臂广义逆系统 SVM 辨识与控制

针对六轴机械臂系统强耦合和不易求取精确的动力学模型的特性,提出了基于支持向量机（ SVM ）辨识的广义逆解耦PID闭环控制方法。将SVM常见的3种核函数应用于机械臂实际系统的广义逆模型辨识中,通过回归预测效果和性能指标比较可知,采用高斯径向基核函数辨识的SVM模型预测输出与实际系统输出趋势一致,且得到的性能指标平方相关系数（ r2）和平均平方误差（ MSE）较好。实验结果表明,基于SVM广义逆解耦的PID控制算法能够实现对实际机械臂系统的高精度轨迹跟踪,具有工程实用性。     

两两NQD序列下线性指数分布参数的经验Bayes双边检验

讨论两两NQD序列下线性指数分布参数的经验Bayes(EB)双边检验问题.利用概率密度函数的核估计方法,构造参数的EB检验函数,在适当的条件下证明EB检验函数是渐近最优的,并获得它的收敛速度.举出一个满足定理条件的例子.     

毛樱桃核壳及核仁挥发油成分分析

采用水蒸汽蒸馏法提取毛樱桃核壳及核仁中的挥发油, 利用气相色谱/质谱(GC MS)鉴定其化学成分. 结果表明: 毛樱桃核壳中有48个色谱
峰, 24种成分, 占总挥发油质量分数的97.45%; 核仁中有20个色谱峰, 12种成分, 占总挥发油质量分数的99.40%; 其中质量分数最高的均为苯甲醛; 二者所含成分的种类和相对质量分数相差较大.     

高斯模糊核聚类的模拟电路在线故障诊断算法

为提高模拟电路故障在线诊断的运算速度与可靠性,采用高斯模糊核聚类算法对模拟电路故障进行非监督学习。该故障诊断算法的关键是利用已知故障数据类中心点确定故障类。利用模糊核聚类的高效识别树型结构减少训练样本规模、处理模糊类中的野值点,以提高分类器的训练速度和精确度。根据每一类故障数据得到的故障参数均值,设其为故障判断阈值,并赋予类标。在三种不同故障条件下,对Sallen-Key低通滤波器电路进行故障诊断的仿真实验。结果表明：与RBF监督学习方法相比,β-MKFCM方法能够高效地辩识已知故障与未知故障。该研究为电路在线故障诊断提供了参考依据。     

红黑树在Linux虚拟内存区域管理中的应用

本文介绍了红黑树在Linux内核下的应用,主要讨论了红黑树在Linux内核中对虚拟内存区域管理的实现。Linux内核中,虚拟内存区域的起始地址存储在红黑树的节点中,红黑树的高效操作使虚拟内存区域的删除、查找和插入的时间复杂度为O(logn)。     

强混合序列下非参回归函数加权核估计的强收敛速度

在误差项为强混合序列的条件下,利用随机变量部分和的矩不等式,讨论非参回归函数加权核估计的强相合性,给出其收敛速度.当样本矩足够大时,强相合的收敛速度约等于n-1/2.     

基于异方差高斯间距回归的产品设计时间预测模型

为了使产品设计时间预测模型既克服小样本和异方差噪音问题,又提供除预测值以外的其它有用信息,建立一种基于异方差高斯间距回归(heteroscedastic Gaussian margin regression,HGMR)的预测模型.首先,假定基于核函数的回归模型的权重向量服从高斯分布,以最小化相对熵为优化目标,利用预测值的置信区间设置约束条件,构造可同时给出预测值和预测区间的HGMR模型;然后,利用样本的独立性和异方差性对优化问题进行转化,证明HGMR模型具有较好的推广性能,并设计求解相应优化问题的迭代方法;最后,以注塑模具设计的实例进行分析,结果表明基于HGMR的时间预测模型是可行有效的.     

删失样本α混合序列递归核密度估计的一致强相合性及速度

在删失数据α混合序列下,用递归核密度估计改进密度函数,的窗宽固定的核密度估计量,并在一定条件下证明改进后的估计量fn的一致强相合性,并给出一致强相合速度;同时也得到与fn相应的风险率函数λ的估计量λn的一致强相合性及一致强相合速度．     

保序变换半群到保序部分变换半群的同态

设O n和PO n分别是集合X n={1,2,…,n}上的保序变换半群和保序部分变换半群.刻画了O n到PO n的所有同态,并给出了O n到PO n的同态的个数.     

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题.在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.