基于KAUTZ模型的预测函数控制及其稳定条件

对模型未知的系统采用Kautz函数逼近得到系统的近似模型.基于所得到的Kautz模型设计了一种预测函数控制器.对该算法进行了稳定性分析,依据Lyapunov稳定性定理得到了保证闭环控制系统稳定的充分条件.仿真实验证明,该算法能够准确逼近真实系统模型,实现自适应控制,得到满意的控制效果.     

多元Kantorovi型Meyer-Knig-Zeller算子在Orlicz空间中的逼近阶

在Orlicz空间L*M中研究二元Kantorovi型Meyer-K nig-Zeller算子的逼近,给出一种逼近强型正定理.     

Pade逼近引出的非线性方程迭代算法

本文利用最低阶的函数pade公式展开,来得到一种新的非线性方程求根迭代法,并且证明了它有许多比传统迭代法更好的性质,同时也为构建迭代公式提供了新的思路。     

改进的遗传神经网络在灰渣粘度预测中的研究及应用

提出一种基于改进遗传神经网络的灰渣粘度预测方法。通过节点相关性评价,使得低于某阈值的网络内部节点在交叉操作时被排除,从而降低节点冗余;将交叉/变异概率与种群个体适应度相联系,提出一种自适应交叉/变异概率,将其用于遗传操作,使得个体多样性较好。仿真实验表明,用提出的算法优化的神经网络在一定程度上可以避免"种群早熟",保持种群多样性,提高了学习效率。     

基于不同被动传感器中国区域冰云特性的对比评估

为了对比中国区域不同被动传感器冰云资料差异及原因,评估并找出与冰云实际特征更加接近的被动产品,使用2013年1月～2015年12月中分辨率成像光谱仪(MODIS)、大气红外探测仪(AIRS)、大气红外/先进微波探测(AIRS/AMSUA)被动传感器三级产品,以雷达/激光雷达探测(DARDAR)资料为参照,对比分析了冰云发生概率、光学厚度及有效粒子半径的水平分布特征、小尺度数值大小、3年年季变化情况。结果表明:中国区域冰云发生概率总体水平分布MODIS更接近于DARDAR资料,但中国南部、西南、东北、华中等不同小尺度区域的数值分析AIRS和AIRS/AMSU-A相近,效果均比MODIS更佳;冰云光学厚度AIRS/AMSU-A对数值大小的反演和全中国整体变化规律均与DARDAR资料相近;中国及周边区域冰云有效粒子半径的大范围总体水平分布AIRS被动传感器更接近DARDAR资料,对于不同尺度的数值研究,中高纬度小区域宜选择MODIS,低纬度AIRS更接近DARDAR资料;无论冰云发生概率、光学厚度还是冰粒半径,MODIS被动传感器均能更为准确地描述3年年季变化。     

邻域数的依概率ρ—级发散性

本文先提出了随机变量序列依概率ρ－级发散的概念，讨论了这种发散与通常的依概率发散的关系；在第二节，定义了d－维总体的邻域数，并给出了它作为一维离散型随机变量依概率ρ－级发散的条件，该条件不依赖于总体的分布，因此定理对一切总体均成立。     

航天系统安全性分析的概率风险评估方法

在对航天系统进行安全性分析的定性、定量、综合方法的基础上,主要介绍了以定量风险评估为主的、在ＮＡＳＡ和ＥＳＡ均得到广泛应用的概率风险评估（ＰｒｏｂａｂｉｌｉｓｔｉｃＲｉｓｋＡｓｓｅｓｓｍｅｎｔ,ＰＲＡ）方法．着重介绍了该方法的基本思想和具体实施过程,并探讨了在我国航天系统安全性分析中使用ＰＲＡ方法的可行性。     

基于观测器的飞机除冰液温度鲁棒控制方法研究

对飞机除冰液温升模型的时变和延时特性进行了分析研究.采用Pade逼近对飞机除冰液加热系统的纯时延特性进行近似,将系统的时延问题转化为非时延问题进行处理.为克服由于飞机除冰作业过程中流量变化所造成的系统模型参数变化,采用基于滑模变结构的鲁棒控制方法对系统模型参数摄动进行补偿.为解决系统状态不可测问题,消除Pade逼近误差对出口温度的影响,采用状态观测器对系统的状态进行估计,并对Pade逼近模型输出误差进行补偿.利用系统不同流量下的试验温升曲线模型对设计的控制策略进行了仿真研究,仿真结果验证了所提出算法的有效性.     

一种弱相关非高斯信道下的伪码捕获方法

针对弱相关非高斯噪声环境提出了一种伪码捕获方法,将伪码捕获等价为假设检验问题,将弱相关非高斯噪声建模为一阶滑动平均SαS噪声模型,利用局部最佳检测算法推导出弱相关非高斯噪声环境下的伪码捕获检测统计量,得到弱相关噪声模型下伪码二维捕获结构及其简化形式,进行了性能仿真并与传统的伪码捕获方法对比。仿真结果表明该捕获方法在相关非高斯噪声环境下检测性能有较大幅度的提高。     

单向变异S-粗集的概率特征

利用单向变异S-粗集的结构,给出元素迁移的概率特征:属性集α的下近似概率特征,属性集α的上近似概率特征,利用这些结果,给出单向变异S-粗集的概率特征,提出单向变异S-粗集的随机结构与随机定理.单向变异S-粗集的结构是单向变异S-粗集的随机结构的特例,单向变异S-粗集的随机结构是单向变异S-粗集结构的一般形式.