一种新型的非线性随机大系统自适应镇定方法

研究了一类具有严反馈形式并含有Wiener噪声扰动的非线性随机大系统,其互联项满足线性增长约束。利用微分几何的理论,应用Backstepping算法,基于Lyapunov稳定性理论,选择了适合这类组合非线性系统的状态观测器,设计了自适应输出反馈分散控制律和自适应律,使得闭环,互联的非线性随机大系统实现了概率意义下的全局稳定,仿真结果表明了控制算法的有效性。     

一类非线性系统的滑模控制稳态精度研究

针对一类非线性系统的线性滑模控制和Terminal滑模控制稳态精度问题,分析使用饱和函数代替滑模控制律中符号函数的线性滑模控制和Terminal滑模控制系统的稳态误差与饱和函数宽度的数值关系,得出两者的数学表达式,为协调既削弱滑模控制的颤振又保证稳态精度的滑模控制系统的饱和函数宽度的选择提供了理论依据。定量地比较线性滑模控制和Terminal滑模控制的稳态精度,得出了Terminal滑模控制比线性滑模控制有更好稳态精度的结论,通过数值仿真算例证明理论分析的正确性。     

基于自适应神经网络的非线性系统故障诊断

针对一类模型未知及状态不可测的非线性系统,提出了基于自适应神经网络的故障诊断策略,不仅在线估计神经网络的矩阵权重,而且在线估计高斯函数的宽度和中心。该方法对系统的未知非线性特性没有特别要求,仅对神经网络提出较弱的假设条件。首先利用径向基函数(Radial Basis Function,简称RBF)神经网络构造状态观测器,估计系统的状态。然后利用另一个自适应RBF神经网络作为故障估计器,其输入是系统的估计状态(而不是系统状态),其输出为系统所发生的故障模型。利用Lyapunov稳定理论详细分析了状态误差和故障误差的收敛性,分别给出了两个神经网络的参数调整律,仿真证明了该方法的实用性和有效性。     

基于LMI的网络化切换系统的鲁棒控制

为了克服时延和不确定参数对系统性能的影响,利用Lyapunov稳定性理论,设计了一种新的切换观测器和相应的切换控制器,给出了对任意切换规则和延迟周期数,都能保证整个闭环网络化切换系统稳定的充分条件。最后给出了求解切换观测器增益和切换控制器增益的锥补线性化方法,仿真实例说明了所提方法的有效性。     

复杂系统基于定性关系的建模与诊断推理研究

为克服复杂系统定量建模与诊断过程中存在的计算复杂、实时性和鲁棒性不强等缺陷,提出了基于定性关系模型的建模和诊断推理方法,研究并解决了其中的定性建模技术、定性推理方法及诊断机制等问题,并基于某空间飞行器推进系统进行了建模与诊断推理实例分析。验证结果表明,该方法具有建模方便、诊断快速等特点,为建立具有良好鲁棒性、实时性和实用性的诊断推理系统,提高复杂系统的可靠性提供了一条新的途径。     

一类不确定时滞系统的滑模控制

考虑了一类同时存在状态不确定性和控制不确定性的时滞系统的滑模控制问题,通过采用李亚普诺夫方法和线性矩阵不等式(LMI)技术,给出了闭环系统渐近稳定的充分条件,而且滑模控制律和滑模面的设计可以利用线性矩阵不等式的解得到,证明了该滑模控制律能保证状态轨迹被驱动到指定的切换面上。仿真实验表明了算法的有效性。     

Markov跳变系统的单步约束预测控制

针对离散Markov跳变系统,研究带输出约束的单步预测控制问题。首先设计基于模态的单步预测控制器,驱动系统状态到达相应的终端不变集内,以此保证约束预测控制系统的稳定性,接着进一步讨论了系统存在峰值有界噪声输入情形。其中终端不变集是通过在预测时域外寻求一个虚拟的带约束的状态反馈控制器以保证系统的随机稳定性来获得,为计算方便,控制器的优化问题转化为SDP问题,并得到以LMI描述的优化问题。最后对Markov跳变系统描述的经济学动力系统的仿真结果说明了本控制器设计方法能够在峰值有界噪声输入下保证系统的稳定性,并且使控制变量满足给定的约束条件。     

严格反馈型随机非线性系统输出反馈滑模控制

研究了一类带有不确定性参数的严格反馈型随机非线性系统的输出反馈镇定问题,主要是采用变结构滑模控制方法(SMC)来设计镇定控制器。首先根据系统的结构和输出状态构造了随机非线性状态观测器,并针对结构参数的不确定性,采用梯度自适应调节律,然后基于系统的观测状态选择滑动模切换流形,给出了不含噪声激励的变结构控制律,并证明滑动模的可达性和闭环系统滑模运动的稳定性,最后讨论了滑模控制的抖振抑制问题。通过系统仿真,与其它鲁棒控制方法进行比较,证明了本方法不仅能够有效地镇定该类随机非线性系统,并且具有一些更好的控制性能。     

不确定非线性控制系统的反演递推设计

针对一般不确定非线性严反馈系统的稳定和跟踪两个基本问题，提出并证明了系统控制律直接反演设计的递推公式。针对反演递推方法存在的“运算膨胀”问题，提出采用高增益反馈抑止虚拟输入微分项的方法来简化设计，并给出高增益反演设计的递推公式。通过仿真实例说明了结论的正确性、鲁棒性和有效性。     

A multiple intelligent agent system for credit risk prediction via an optimization of localized generalization error with diversity

Company bankruptcies cost billions of dollars in losses to banks each year. Thus credit risk prediction is a critical part of a bank＇s loan approval decision process. Traditional financial models for credit risk prediction are no longer adequate for describing today＇s complex relationship between the financial health and potential bankruptcy of a company. In this work, a multiple classifier system （embedded in a multiple intelligent agent system） is proposed to predict the financial health of a company. In our model, each individual agent （classifier） makes a prediction on the likelihood of credit risk based on only partial information of the company. Each of the agents is an expert, but has limited knowledge （represented by features） about the company. The decisions of all agents are combined together to form a final credit risk prediction. Experiments show that our model out-performs other existing methods using the benchmarking Compustat American Corporations dataset.