基于过程数据的动态PLS建模

许多工业过程中获得的输入输出数据在时间、空间上是高度相关的,且含有测量噪声。针对此类数据,提出采用动态PLS方法,最大化输入和输出变量矩阵之间的协方差,保留大部分有用信息,去除测量噪声,把高维数据空间降维,建立较为精确的工业过程数学模型。提出对MIMO系统进行研究,推导了可直接用于控制的动态PLS模型数学公式。对一个工业过程实例进行仿真,分别应用动态PLS回归和线性回归MLR方法,得出的结果经分析验证了此算法的有效性。     

跳变时滞随机系统的鲁棒保性能控制

研究了马尔可夫跳变参数时滞随机系统的鲁棒保性能控制问题。通过构造一个Lyapunov函数,并应用Ito微分公式沿系统对其求微分,再利用线性矩阵不等式(LMI)的性质和广义Ito公式,给出了此类系统保性能控制律存在的充分条件,估计了其保性能值,同时,控制器的设计归结为一族LMI的求解问题。最后,数值算例说明了方法的有效性。     

T-S模糊时滞系统的鲁棒无源控制

基于Lyapunov稳定性理论,时具有参数不确定性的T-S模糊时滞系统的鲁棒稳定性和无源性进行了研究.具有参数不确定性的T-S模糊模型可以任意精度近似连续非线性不确定系统.假设系统中的参数不确定性是范数有界的.运用Lyapunov稳定性理论给出了鲁棒无源控制器存在的充分条件.通过解一组线性矩阵不等式(LMIs),可直接获得鲁棒无源控制器.所设计的鲁棒无源控制器能够保证对于T-S模糊时滞系统中所有的参数不确定性,闭环系统都是鲁棒稳定的并且是严格无源的.并且,通过求解带有约束条件的线性矩阵不等式问题,可以设计出具有最大耗散率的鲁棒无源控制器.数值例子验证了所提出设计方法的有效性.     

一种新型的速度和加速度估计器

将扩张状态观测器和递归线性平滑牛顿预测器相结合,形成了一种新型的速度和加速度估计器,它在跟踪位移和估计速度的同时能一并估计出加速度.虽然扩张状态观测器本身对量测噪声已经具有较好的滤波特性,但为了减小时间延迟,不能使滤波参数过大,这样会使估计出的加速度噪声稍高,需再用递归线性平滑牛顿预测器对加速度进行二次滤波.仿真结果表明,由扩张状态观测器和递归线性平滑牛顿预测器构成的滤波估计器在仅有位置量测信号且在噪声较大的情况下能有效地估计出速度和加速度,最终得到的速度和加速度估计信噪比高且时间延迟小.该估计器主要用于运动控制和机动目标跟踪中.     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。     

不确定时滞系统的区间时滞相关鲁棒镇定

研究了时间滞后满足区间变化的线性连续系统鲁棒镇定问题。采用Lyapunov-Krasovskii稳定性分析方法,给出了区间时滞依赖系统的状态反馈设计稳定解。进一步研究参数化不确定性情况下,区间时滞依赖系统的鲁棒稳定性判据和鲁棒状态反馈控制器设计方法。最后,通过仿真算例比较,验证了此方法的有效性。     

向量矩阵迭代自组织XML辅助聚类算法

为了提高海量XML文档集的聚类质量,提出了一种基于向量空间模型的矩阵迭代自组织XML辅助聚类算法。该算法以XML键为基础,把XML文档转化为向量矩阵,通过矩阵迭代自组织学习对XML文档实施取消、分裂与合并等优化措施。为了加速算法的收敛性,在算法中引入辅助策略,虽然不一定达到矩阵向量分类间隔最大化的目标,却在尽可能分类的情况下使得运算时间缩短,其XML键权重调整更有利聚类效果。对比其它向量聚类算法,一系列仿真实验表明所提出算法具有一定的有效性及合理性。     

基于方向向量Fourier级数近似的近场波束形成快速算法

研究了一种近场距离/方位聚焦波束形成快速算法,离线计算每个搜索距离处的阵列方向向量,利用方向向量关于方位角的周期性,将方向向量的每个分量用有限项Fourier级数近似,从而搜索距离处的角度谱可以用FFT快速实现,无需在每个距离/方位栅格上计算时延和相位补偿,有效减小了计算量和存储量.数值分析结果表明,该算法性能接近理想的近场波束形成.     

基于遗传算法的改进径向基支持向量机及其应用

通过对径向基核函数进行分析后发现:根据样本各个特征的识别能力赋予其不同大小的核参数,可以提高支持向量机的推广能力。此结论基础上,提出了一种基于遗传算法的多核参数径向基支持向量机算法,通过遗传算法最小化验证误差,实现了根据各个特征的识别能力赋予其不同大小的核参数。将该算法用于轴承故障诊断,实验结果表明,与传统支持向量机相比,多核参数径向基支持向量机具有更好的推广能力,同时,核参数的大小反映了对应特征识别能力的大小。     

基于GA和Bootstrap的最小二乘支持向量机参数优选

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.传统的支持向量机是解凸二次规划问题,而最小二乘支持向量机是解等式线性方程,显得尤为方便.针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用遗传算法(GA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.