一种基于曲率提取轮廓特征点的方法

对边缘轮廓线进行了自适应平滑,在以轮廓点为中心的支撑区域内定义了曲率角,并根据定义的曲率角及曲率符号,采用简单的模板匹配技术,提取出候选的轮廓特征点,对候选点附加抑制条件得到真正的特征点．此方法减少了数字化误差及噪声带来的影响,抗干扰性好,且运算量较小．实验表明,该方法具有很好的轮廓特征点检测及定位能力     

稳定性监控自学习FNN控制器

针对一类未知的非线性系统，提出一种具有稳定性监控的实时自学习ＦＮＮ控制器．ＦＮＮ控制器采用遗传算法使自学习获得最优的性能指标；实时学习过程的稳定性则由基于李雅普诺夫方法设计的监控器来保证，使得ＦＮＮ控制器的自学习过程总是在全局稳定性的条件下进行．     

非参数模型预测控制系统的预测二次稳定性

提出了预测二次稳定性（ＰｒｅｄｉｃｔｉｖｅＱｕａｄｒａｔｉｃＳｔａｂｉｌｉｔｙ,ＰＱＳ）概念,利用有界不确定对象的非参数模型和预测状态反馈,研究了系统ＰＱＳ成立的充要条件,并从理论上给出了严格的证明,同时给出了确定反馈阵的Ｒｉｃｃａｔｉ不等式．证明了具有ＰＱＳ系统的闭环输入输出稳定性,从理论上解决了一类简单、易于实现的预测控制系统的鲁棒稳定性问题     

基于时间最优控制的模糊控制优化方法

讨论了二次积分系统的时间最优控制．考虑到系统的鲁棒性和抗扰动能力，对其参数设计方法进行了改进．理论分析和仿真表明，这种基于时间最优控制的非线性设计方法具有很好的控制效果和鲁棒性，适用于一类二阶系统的控制．通过二阶系统的模糊控制和时间最优控制的对比发现，一类二阶系统或可近似为二阶系统的模糊控制实际上是对二阶系统最优控制的一种近似．在此基础上，指出了模糊控制规则设计中一种常见的错误，并提出了基于时间最优控制的模糊控制规则的制定和优化方法     

一类再励学习控制器设计及其在倒车模型中的应用

考虑到神经网络学习算法的特点,给出了一种基于再励学习的自组织模糊CPN,它结合了自组织模糊CPN和再励算法的优点,在控制过程中在线调整网络结构以及对网络参数学习,学习效率高,控制结构简单.可以不要求受控对象的学习模型,实现在线控制,应用在倒车模型中仿真结果展示了所设计系统的良好控制性能.     

一类复杂系统的稳定模糊滑模自适应控制

对一类复杂过程对象给出了模糊控制系统的设计方法,用标准模糊系统对过程对象的不确定部分进行估计,得到一个基本控制器,根据该基本控制器的输出误差设计参数的学习律;当控制器的输出误差收敛到一定范围时,再由基于动态规则库的自适应模糊控制系统补偿建模误差,结果表明,控制算法能保证系统的闭环稳定性和跟踪误差收敛性。     

基于Markov对策和强化学习的多智能体协作研究

MAS的协作机制研究,当前比较适用的研究框架是非零和Markov对策及基于Q－算法的强化学习。但实际上在这种框架下的Agent强调独立学习而不考虑其他Agent的行为,故MAS缺乏协作机制。并且,Q－算法要求Agent与环境的交互时具有完备的观察信息,这种情况过于理想化。文中针对以上两个不足,提出了在联合行动和不完备信息下的协调学习。理论分析和仿真实验表明,协调学习算法具有收敛性。     

基于高阶神经网络的机构零件形状识别

提出了一种机械零件在线自动检测的形状识别系统,该系统以零件各边的长度、角度、圆心角和与邻边夹角4特征来表示零件的形状,并采用高阶神经网络（HONN）,实现了零件的平移、惊讶和旋转不变怀识别,由于特征参数本身的平移、尺度不变性和循环移位性,可采用二阶HONN 造系统,解决了高阶神经网络中连接的组合爆炸问题,仿真验证了该系统对机械零件的不变性识别能力以及不同参数系统的性能和实用价值。     

On-line blind source separation algorithm based on second order statistics

1 .INTRODUCTIONBlindsource separation (BSS) is one of the most activeresearch areasin signal processing community. The mainobjective of blind source separationis to extract indepen-dent source signals fromtheir observed mixtures withoutfull knowledge of the signal propagation environment .BSStechnologies have been widely usedin array process-ing,communications,biomedical signal processing,i mageprocessing, speech processing, seismic prospecting andother areas.Many methods have been prop…     

Passive Target Tracking Based on Current Statistical Model

Bearing-only passive tracking is regarded as a nonlinear hard tracking problem. There are still no completely good solutions to this problem until now. Based on current statistical model, the novel solution to this problem utilizing particle filter （PF） and the unscented Kalman filter （UKF） is proposed. The new solution adopts data fusion from two observers to increase the observability of passive tracking. It applies the residual resampling step to reduce the degeneracy of PF and it introduces the Markov Chain Monte Carlo methods （MCMC） to reduce the effect of the “sample impoverish”. Based on current statistical model, the EKF, the UKF and particle filter with various proposal distributions are compared in the passive tracking experiments with two observers. The simulation results demonstrate the good performance of the proposed new filtering methods with the novel techniques.