推广匹配非线性系统变结构鲁棒自适应控制

对于一类不确定非线性系统 ,利用推广匹配条件对系统进行反馈线性化 ,将系统变换成一个具有n-2个积分链和两个含有未知参数和不确定项的方程的非线性系统。在利用极点配置法给出鲁棒自适应滑动模态超平面设计的基础上 ,提出了变结构鲁棒自适应控制律的设计方法 ,并将所提出的设计方法应用于下摆加驱动电机系统的控制律。经仿真研究表明 ,控制效果令人满意。     

不确定中立型随机时滞系统的鲁棒随机稳定性

研究了一类不确定中立型随机时滞系统的鲁棒随机稳定性。利用Lyapunov泛函方法,得到了基于线性矩阵不等式表示的几个稳定性充分性判据。数值模拟实例说明了本文所得结论的有效性。     

基于改进APG的鲁棒光谱回归在人脸识别中的应用

针对人脸识别中传统的光谱回归方法对于由类标签错误和面部遮挡产生的误差很敏感的问题,提出了基于加速近似梯度的鲁棒光谱回归方法。首先将鲁棒判别子空间的学习问题转化成最大相关熵问题,得出光谱目标和预测之间的最大相关解;然后对相关熵采用总变分正则化,进而学习空间平滑的人脸结构;最后基于半二次化优化的附加形式,将最大相关熵问题投影到混合正则化模型,并通过加速近似梯度算法进行有效优化。在FRGC人脸数据库上的实验结果表明,所提方法对于类标签错误和面部遮挡具有鲁棒性和有效性,与其它几种常用的线性回归、光谱回归方法相比,不仅提高了识别率,而且大大地降低了计算开销。     

基于鲁棒微分器的飞机舵面振荡故障诊断算法

针对系统存在测量噪声的情况,研究了飞机舵面发生振荡故障的故障诊断算法。鉴于系统的输出对于控制输入故障具有一定程度的不敏感性,提出一种基于输入估计的故障检测方法。设计一阶鲁棒微分器,利用传感器测量到的液压舵机输出杆位置估计其杆速度,同时,利用微分器的输出对故障信号进行估计并分析故障估计值的收敛性。最后,分别针对"液态"振荡故障及"固态"振荡故障进行仿真验证。仿真结果证明了该方法的有效性。     

基于不同等价权函数的抗差粒子滤波对比研究

粒子滤波与其他非线性滤波相比,具有更好代表性,因而在实际中得到广泛应用。在状态空间中寻找随机样本来对概率密度函数进行近似,以样本均值代替积分运算,来获得最小方差状态估计。在此过程中,含粗差的观测值对赋权产生干扰影响粒子滤波效果。在已有抗差粒子滤波的基础上,讨论了基于不同权函数的抗差粒子滤波。模拟计算并对数据分析表明,IGGⅢ抗差粒子滤波提高了粒子滤波的鲁棒性。     

基于LTS优化图像切边线性回归分类的人脸识别研究

针对现实人脸识别中由于伪装(如围巾、太阳镜和头发)或其它物体引起的面部遮挡而严重影响识别率的问题,提出了一种基于最小截平方和的图像切边线性回归分类算法。首先,使用一个鲁棒性强的估计量检测并裁剪查询样本、训练样本中受污染的像素点;然后,利用线性回归分类算法对图像进行切边;最后,利用LTS计算出规范化的重构误差。实验结果表明,相比其它几种回归分类算法,本文算法取得了更高的识别率,同时大大降低了训练总完成时间。     

基于并行子系统的飞行器多学科稳健优化设计

研究了并行子系统稳健优化设计方法在飞行器设计中的应用。分别采用并行子系统稳健优化设计、系统分析和并行子系统分析3种不同方法进行了计算,得出的稳健结果表明并行子系统稳健优化设计方法优于其它2种方法。该方法主要有3大改进:一是在MDO环境中,增加了不确定性的分析;二是允许系统层使用离散变量;三是在系统协调过程中,采用人工神经网络的响应面提供定量的近似信息。     

不确定时滞系统鲁棒迭代学习控制器设计

针对一类具有时变的不确定性时滞系统提出鲁棒迭代学习控制器设计方法,通过求解Riccati方程方法设计鲁棒迭代学习控制器,并基于Lyapunov理论推导出不确定时滞系统收敛充要条件。该控制器具有阶次低,易于实现等特点,所提出的控制方案保证系统跟踪在有限的迭代步骤内达到较好的控制效果。以机器人为仿真对象的仿真结果表明了该设计方法的有效性和可行性。     

基于自适应形状先验的快速图像分割算法

 针对传统GrabCut算法在GMM迭代参数估计阶段时间复杂度较高,当图像中含有噪声或遮挡物时容易发生分割错误的问题,提出一种结合多阶抽样GMM与自适应形状先验的图像分割算法.该算法首先根据采样数定理对像素点进行均匀多阶抽样,依据样本点估计GMM参数;然后加入形状先验项约束图像分割过程,同时对形状先验约束比例采用自适应方法进行控制,获得最终分割结果.针对形状仿射变换,运用SURF与RANSAC进行处理,使本文算法更加灵活.实验表明,本文算法分割结果更加准确,效率更高.     

基于鲁棒学习的鲁棒RBF神经网络

提出了一种基于鲁棒学习的鲁棒RBF神经网络。使用聚类方法选择RBF网络隐结点的中心,以鲁棒代价函数为目标函数,采用梯度下降法调整隐层结点的宽度和网络权值,从而使RBF网络的学习过程不受离群点的影响,并且能够快速收敛。仿真实验结果表明了RBF神经网络的鲁棒优越性。