基于CARIMA模型的PFC与GPC的等价性

建立了新型的模型预测控制方法——预测函数控制(PFC)与传统的广义预测控制(GPC)的联系.首先推导了基于含有色噪声的自回归增量滑动平均(CARIMA)模型的预测函数控制的控制律,然后通过选取不同的基函数获取PFC控制律的形式并与GPC控制律进行比较.从而证明了在一定的基函数的选取方式下,基于CARIMA模型的PFC算法和GPC算法是等价的.揭示了PFC与GPC两者之间深刻的内在联系,为PFC的工程应用提供了理论保证.     

一种单神经元自抗扰控制器

针对自抗扰控制器可调参数多且不易整定的问题,提出了一种用单神经元改进非线性状态误差反馈控制律的算法.利用神经网络的自学习能力,采用一个单神经元构造自适应参数,使参数依据系统误差的变化自动作相应地调整,从而完成参数的在线自整定.仿真结果表明,改进后的控制器调整参数大大减少,而且具有更强的适应性和鲁棒性.     

不确定时滞非线性混沌系统的鲁棒容错控制

研究了不确定时滞非线性混沌的鲁棒容错控制问题.基于Lyapunov泛函,运用线性矩阵不等式(LMI)的方法,利用不稳定不动点的控制,引入一种带时滞的状态反馈控制律,对传感器或执行器失效的情况,证明了一类非线性不确定时滞混沌系统对于传感器和执行器故障都具有完整性.结果表明,所给出的控制律不但可以实现对某些传感器故障的容错,而且在正常和故障情况下对于传感器和执行器故障都具有完整性.     

基于Simulink与以太网的过程控制系统的快速实现

提供了一种简便的方法,把建模、仿真和实现集成在NetCon系统中,提高了过程控制系统的开发效率.首先在Simulink中建立仿真模型,然后使用NetCon系统模板快速生成可执行代码,通过以太网或因特网下载到控制器硬件中,最后使用监控软件通过网络实时在线监控模型的运行状况,如观察结果、修改模型参数等.在此方法的基础上,建立增量式PID控制器模型,增加自动手动无扰切换功能,完成了液位过程控制系统的实例.结果表明,该方法的有效性和快速性,可以应用在类似的过程控制系统中.     

基于粒子群优化的船舶PID自动舵的改进

受生物免疫反馈过程的启发,利用模糊逻辑的适应性,提出一种模糊免疫PID控制策略,并以此对传统的PID型航向自动舵进行改进.用一种模糊控制器来模拟免疫系统中的反馈机理,以航行的经济性为目标,采用线性递减权值策略的全局PSO算法,对控制器进行参数优化.并对比2种采用免疫PID控制器的系统组成方案,指明适用于船舶航向控制的控制系统形式.实验仿真结果表明:该控制器能很好地根据船舶动态特性的变化,自动地进行适应性免疫调节,具有跟踪速度快、航向控制超调小以及抗扰性强等优点.     

一个具有半连续Gteaux导数的泛函的minimax定理和非线性波方程的解(英文)

本文中,我们证明了一个minimax定理,利用这个定理,我们证明了一个新的非线性波动方程的边界值问题的解的存在唯一性定理．     

快速挖掘最大频繁项目集的新算法

针对关联规则下最大频繁项目集的特性,提出了一种快速挖掘最大频繁项目集的新算法MMFI(miningmaximumfrequentitemsets)。该算法摆脱了传统的经典算法Apriori及其变种情况下的自底向上的搜索策略,利用集合枚举树(set enumerationtree)的变形结构采取了自顶向下的新的搜索方式,并通过其独特的启发式判断策略、候选项目集的生成策略等,大大减少侯选项目集的生成,从而降低了CPU搜索时间,提高了挖掘效率。     

模糊目标信息系统上的逻辑及决策规则

基于模糊目标信息系统模型，并结合粗糙集相关的逻辑理论，提出了模糊粗糙决策语言FRDL，给出了FRDL中公式的定义、语义、可满足性有效性的形式化描述以及相关的性质。在此语言的基础上，给出了模糊目标信息系统上的决策规则、逆决策规则形式化描述和构造方法。FRDL所描述的逻辑表达方法以及规则推理公式为建立在模糊目标信息系统之上的决策支持系统、推理机提供了形式化的表示和推理方法。最后，在眼科近视诊断上进行的数据实验表明，这种形式化描述和推理方法比较合理。     

一种改进的图像自适应非线性滤波方法

针对图像的保边光滑问题，分析了Perona-Malik(PM)方程的非线性滤波扩散行为，利用保边正则化思想给出了由一种新的各向异性扩散方程所决定的图像自适应光滑算法。这种新的各向异性扩散滤波方法与PM方程的不同之处在于：扩散系数不是直接来源于图像的梯度幅值，而是在图像梯度模基础上恢复出图像的边缘信息。实验结果表明，所提方法对图像边缘的恢复结果要比PM的方法具有更高的可靠性和准确性。     

一种基于序列挖掘的分类系统框架

为了有效地对序列数据进行分类，提出了一种集成分类挖掘和序列模式挖掘技术的分类系统框架(SPACS)．先采用一套约束和裁减策略，为每个分类挖掘频繁序列模式，并将其转换为分类序列规则(CSR)；再利用平均CSR匹配置信度和一个规则匹配算法构建有效的序列数据分类器．SPACS不需要在提取序列的特征后采用传统方法进行分类，可以直接利用从序列数据中提取出的频繁序列进行分类．实验结果表明，对于序列类型的数据的分类，SPACS比传统的决策树和关联分类方法具有更高的分类精度．