一类不确定非线性时变时滞系统的鲁棒控制

研究了一类带有不确定非线性时变时滞系统的鲁棒渐近稳定问题.利用Lyapunov稳定性定理和LMI技术,给出了不确定非线性时变时滞系统在具有鲁棒状态反馈控制下鲁棒渐近稳定的充分条件.计算机仿真算例表明了该方法的有效性.     

水文时间序列变点识别的一种稳健方法

针对目前水文时间序列变点识别研究中忽略了方法的稳健性,未能充分考虑异常值的影响的不足,提出了利用一种高度稳健的高斯混合密度分解算法来识别水文时间序列中的变点,并以此来研究水文时间序列均值的突变该方法的核心是根据观测到的资料,通过逐步挖掘服从不同正态分布的时间序列分支,将均值变点的识别问题转化为混合正态密度的聚类问题,从而达到估计变点的位置以及自动获得变点的数目估计的目的实例计算结果表明,该方法对含有噪声的时间序列数据,仍能准确识别变点的位置,较好地解决了水文序列变点识别的稳健性问题．     

基于鲁棒信息滤波器的图像雅可比矩阵在线估计

针对现有的图像雅可比矩阵无标定求解方法,分析了基于Kalman滤波、模糊自适应Kalman滤波和粒子滤波的图像雅可比矩阵在线估计的优缺点。为了进一步提高未知环境下的系统估计精度,选择基于滤波理论的估计框架,对系统模型进行调整,用鲁棒信息滤波器在线估计图像雅可比矩阵,该滤波算法对任意分布的有界噪声都具有较强的鲁棒性。仿真和实验结果表明,在未知系统噪声的情况下,该算法仍可以实现图像雅可比矩阵的精确估计。     

一类不确定性Lurie控制系统的鲁棒绝对稳定的新判据

针对一类具有范数有界不确定性系统,利用Lyapunov函数方法,结合矩阵不等式技巧,给出了系统基于线性矩阵不等式（LMI）的鲁棒绝对稳定性判别条件,并通过算例给予了验证．     

μ Synthesis Method for Robust Control of Uncertain Nonlinear Systems

μ synthesis method for robust control of uncertain nonlinear systems is propored, which is based on feedback linearization. First, nonlinear systems are linearized as controllable linear systems by I/O linearization,such that uncertain nonlinear systems are expressed as the linear fractional transformations (LFTs) on the generalized linearized plants and uncertainty.Then,linear robust controllers are obtained for the LFTs usingμsynthesis method based on H∞ optimization.Finally,the nonlinear robust controllers are constructed by combining the linear robust controllers and the nonlinear feedback.An example is given to illustrate the design.     

船舶鲁棒控制设计平台研究

系统地研究了船舶自动舵鲁棒控制策略。研制了船舶鲁棒控制设计平台,为鲁棒控制算法在船舶中的应用提供了工程上易用的软件,从而简化了设计及仿真工作。     

稳健二进前向网络的遗传训练方法

稳健二进前向网络是对逻辑知识的隐式表示和显式表示的有机统一,是性能优良的逻辑知识库、推理机和解释器,但目前还没有一种网络训练算法能够训练出稳健二进前向网络,针对这种情况,本文首先对稳健二进前向网络的神经元辅阈值范围进行了改进和有效描述,并在此基础上提出了一种对稳健二进前向网络进行有效训练的遗传训练方法。在这种训练方法中,网络参数采用三值编码方案,并运用相应的变异机制和有效的适应度函数,经这种方法训练出的网络具有结构最优、稳健性能最强和最易实现的特点。文章最后给出了实验的结果。     

α－混合样本凸极小M－估计的渐近性质

基于α－混合样本，考虑由极小化凸判决函数定义的Ｍ－估计，得到了Ｍ－估计的相合性、收敛速度、弱表示和Ｂａｈａｄｕｒ型强表示．     

伺服系统中的动态鲁棒补偿方法

本文中着重阐述动态鲁棒补偿器中为什么加入低通滤波器以及低通滤波器参数选取的原则，并通过数字仿真加以证明。     

Robust classification procedures based on dichotomous and continuous variables

For classifying a univariate or a multivariate observation in one of the two populations, Tiku and Balakrishnan (1984) and Balakrishnan, Tiku and Shaarawi (1985) developed robust (to departures from normality) procedures. These procedures are extended here to situations where the classification has to be based on the observed value of a pair of variables, one being a dichotomous random variable and the other a univariate or a multivariate continuous random variable.We are very grateful to the referees for their comments which led to a substantial improvement of an earlier draft of this paper. Thanks are also due to the Natural Sciences and Engineering Council of Canada for a research grant to M.L. Tiku.