摘要:采用非线性系统级联方法, 提出一种欠驱动自主水下航行器的3 维直线跟踪控制算法. 首先将3 维直线跟踪
误差模型分解为水平面运动受垂直面运动扰动的级联结构; 然后分别设计俯仰角指令和航向角指令, 进一步将平面
直线跟踪模型分解为位置跟踪误差受俯仰角/ 航向角跟踪误差扰动的级联结构, 并设计了俯仰角和航向角的跟踪控
制律, 通过逐级应用级联系统稳定性理论证明了3 维直线跟踪误差的全局K指数稳定性; 最后通过数学仿真验证了
所提出跟踪控制算法的有效性.

摘要:

针对在半导体制造工艺参数优化过程中缺乏直观参考的问题, 在微粒群优化算法(PSO) 和等值线理论分析
的基础上, 将PSO 与等值线矩形网格模型相结合, 提出一种全新的工艺参数窗口选择方法. 在二维标准多峰函数上
验证了所提出方法的有效性, 同时对所提出的方法进行了实际生产验证. 对于双输入参数问题, 该方法可以直接输出
所有满足工艺要求的二维区域, 从而为参数优化和范围选取提供直观参考. 仿真测试结果和生产验证数据均表明了
所提出的算法是一种有效的参数优化方法.

摘要:针对具有脉冲扰动和变时滞的顾前车辆纵向跟随系统, 在假设各孤立子系统指数稳定的前提下, 分析了该
系统的群指数稳定性与控制. 首先利用向量Lyapunov 函数法和数学归纳法给出确保该系统群指数稳定的充分条件;
然后基于得到的稳定性条件, 采用滑模变结构控制策略对脉冲变时滞车辆纵向跟随系统进行控制器设计; 最后通过
一个数值仿真算例验证了所得结论的正确性以及在实际中如何应用.

摘要:首先针对无线网络控制系统(WiNCS) 中网络带宽有限、节点能量有限和网络冲突概率高的特点, 在传感器
端和控制器端设置基于信号差值的传输死区, 以减少网络冲突和节点能耗; 然后基于传输死区建立包含时延区间概
率分布信息和参数不确定性的WiNCS 模型, 并设计了H∞ 控制器; 最后基于真实无线网络和模拟被控对象进行半实
物仿真实验, 结果表明所提出的方法在保证系统渐近稳定的基础上可以明显地降低传感器和控制器的网络流量.

摘要:单隐层前馈神经网络是应用最广泛的智能建模模型之一, 但该模型面对小样本集时传统的学习算法易陷入
过拟合, 尤其当数据集包含较大噪音时学习模型鲁棒性较差, 对噪音很敏感. 针对此不足, 提出一种针对小样本数据
集的鲁棒单隐层前馈神经网络学习算法. 所提出的算法由于引入了 -不敏感学习度量和结构风险项, 能有效克服传
统学习算法存在的缺陷, 显示出较好的鲁棒性. 在模拟和真实数据集上的实验亦证实了上述优点.

摘要:针对多目标粒子群优化算法在求解约束优化问题时存在难以兼顾收敛性能和求解质量这一问题, 提出一种
基于免疫网络的改进多目标粒子群优化算法. 该算法通过免疫网络互通种群最优信息达到粒子群算法与人工免疫网
络算法的协同搜索, 同时给出了速度迁移策略、自适应方差变异策略和基于聚类的免疫网络策略. 最后将所提出的
方法应用于求解电弧炉供电优化模型, 达到了减少电量消耗、缩短冶炼时间、延长炉衬使用寿命的目的, 同时表明了
该算法的有效性.

摘要:在机器人场景识别问题中, 将连续场景的相关性通过基于隐马尔可夫模型的上下文模型进行描述. 采用不
同于传统的使用生成模型方法学习上下文场景识别模型的方式, 首先引入稀疏贝叶斯学习机对上下文模型中图像特
征的后验概率进行建模, 然后通过贝叶斯原理将稀疏贝叶斯模型与隐马尔可夫模型结合, 提出一种能够实现上下文
场景识别模型的判别学习方法. 在真实场景数据库上的实验结果表明, 由该方法得到的上下文场景识别系统具有很
好的场景识别能力和泛化特性.

摘要:针对最大最小蚂蚁系统中信息素下界难以确定以及算法性能易受同构问题影响的缺点, 提出一种简化蚁群
算法. 信息素的上下界被限制在一个固定的区间内, 不随目标函数值的更新而改变; 信息素的更新量是一个与具体目
标函数值无关的常数. 所提出的简化算法不仅具有强不变性和平移不变性, 而且算法的性能不受信息素下界的影响.
针对旅行商问题的仿真实验验证了改进算法的可行性和有效性.

摘要:针对不完备空间混合系统, 提出一种基于自学习采样粒子滤波器(SLSPF) 的交互诊断方法. 融入自学习采样
机制, 利用自学习即时概率指导采样, 以摆脱粒子滤波器对转移概率的依赖; 结合自学习采样与诊断的动态交互方式
调整模式空间, 使粒子滤波器采样粒子数动态减少; 同时给出了不完备信息空间的真实模式与未知模式阈值的决策
条件. 实验结果表明, 尤其在高维状态空间下, SLSPF 不仅可以保证粒子滤波器的诊断精度, 而且能够提高计算效率.

摘要:首先设计直觉模糊集的真度?? 截集方法, 并结合该方法提出了基于直觉模糊集的模糊信息系统ISI; 然后详
细分析了ISI 的系统模型和系统的对象可满足性, 证明了ISI 是其他信息系统的泛化; 最后提出了ISI 的形式化概念
分析理论, 并分析了ISI 在知识发现和知识推理中的应用. 理论验证和实例分析结果均表明了ISI 系统模型在描述客
观世界和支持模糊推理方面的正确性和有效性.

摘要:基于最大后验概率(MAP) 的超分辨率(SR) 重建的研究重点是规则化项的选择, 且其大都在频域中实现, 为
此提出一种基于频域、时域相结合的图像SR 重建方法. 首先, 根据不同图像的特点, 定义了频域规则化项(FR) 和时
域规则化项(TR); 然后, 给出了图像重建模型, 引入频域、时域自适应权值来加强算法的自适应性; 最后, 运用共轭梯
度法推导出重建迭代计算公式. 实验表明, 所提出的算法具有良好的收敛性和精确性.

摘要:针对无线传感器网络存在的拥塞问题, 设计一种基于领导者的拥塞控制算法. 利用分布式动态系统的
理论对拥塞问题进行建模, 并证明了所提出的算法能够保证所有节点的发送速率收敛到可用的最小带宽, 同时利
用Lyapunov 函数证明了所提出的算法在变拓扑网络结构下的有效性. 仿真实验表明, 基于领导者的拥塞控制算法能
够很好地抑制无线传感器网络中的拥塞现象, 保证较高的吞吐量和较低的网络延时, 提高整个网络的服务质量.

摘要:针对移动传感器网络中目标监测的节点部署问题, 为保证在无覆盖漏洞的同时减少覆盖冗余, 以六边形棋
盘结构(HTL) 为网络的目标部署结构, 提出一种基于群集控制的分布式部署算法. 该方法只需目标的相对方向和邻
居节点的相对位置、速度信息, 可不依赖于通信. 仿真结果表明, 所提出的算法对静止和运动目标均有效, 与基于虚
拟力的算法相比所需信息更少, 部署更均匀, 对HTL 的逼近效果更好, 覆盖更优.

摘要:针对灰色理论既有成果尚无法对具有主观取值倾向的离散灰数序列建立预测模型的问题, 通过构建标准离
散灰数“核”序列、“灰单元格”面积序列以及元素“取值可能性”序列的灰色预测模型群, 实现离散灰数及其元素取
值可能性大小的预测, 从而建立具有主观取值倾向的离散灰数预测模型. 将所提出的模型应用于空气监测点空气污
染指数(API) 的模拟及预测, 取得了较好的效果, 对拓展灰色预测模型的应用范围具有积极意义.

摘要:基于谱分析与模块度, 提出一种无线传感器网络分簇算法(CHSM). 首先利用非平凡特征向量获得传感器
网络的原始簇结构; 然后借助模块度的增量来评估、合并原始簇, 从而形成一个与真实网络相匹配的簇结构; 同时
设计了一种能量异配度函数, 并利用各节点的能量异配度及其剩余能量在各个簇内选取簇头节点. 仿真结果表明,
CHSM算法找到的簇结构具有更高的模块度, 其选取的簇头节点具有更高的能量异配度, 进而表明了所提出的算法
能有效延长网络的寿命.

摘要:针对有约束条件的非线性最优控制问题, 提出一种基于拟线性化和Haar 函数的数值求解方法. 首先将最优
控制问题转化为一系列的二次规划问题, 并使用系数未知的Haar 函数对问题中的状态变量进行近似; 然后应用拟线
性化法将原非线性最优控制问题转化为相应的一系列受限的二次最优控制问题进行求解; 最后基于所提出的方法
对2 个受限非线性最优控制问题进行求解, 并通过仿真结果表明了采用所提出的算法求解最优控制问题的有效性.

摘要:针对传统独立成分分析算法存在的不足, 在简要介绍独立成分分析的基本原理和相关算法的基础上, 提出
一种结合负熵与信噪比的独立成分分析法. 推导了算法的关键公式, 给出了实现算法, 并进行了计算机仿真实验, 分
别使用传统算法和改进算法对模拟产生的合成数据进行分离. 通过对实验结果进行的计算分析表明了所提出的改进
算法比基于负熵的传统算法具有更佳的信号分离能力, 能更好地从混合信号中估计出源信号.

摘要:根据模糊数直觉模糊数的运算法则, 提出了基于模糊测度和Choquet 积分的模糊数直觉模糊数的信息集成
算子, 并证明了该算子的相关性质. 运用该算子研究了属性间具有关联性的、属性值为模糊数直觉模糊数的多属性
决策方法, 最后通过实例分析表明了所提出方法的有效性.

摘要:针对整数非线性规划问题, 提出一种结合正交杂交的离散粒子群优化(PSO) 算法. 首先采用舍入取整方法,
为了减少舍入误差, 对PSO 中的每个粒子到目前为止的最好位置进行随机修正, 将基于正交实验设计的正交杂交算
子引入离散PSO 算法, 以增强搜索性能; 然后对PSO 算法中的惯性权重和收缩因子采用动态调整策略, 以提高算法
的搜索效率; 最后对一些不同维数的整数非线性规划问题进行数值仿真实验, 实验结果表明了所提出算法的有效性.

摘要:针对贝叶斯网络后验概率需计算样本边际分布, 计算代价大的问题, 将共轭先验分布思想引入贝叶斯分类,
提出了基于共轭先验分布的贝叶斯网络分类模型. 针对非区间离散样本, 提出一种自适应的样本离散方法, 将小波包
提取模拟电路故障特征离散化作为分类模型属性. 仿真验证表明, 模型分类效果较好, 算法运行速度得以提高, 也可
应用于连续样本和多分类的情况, 扩展了贝叶斯网络分类的应用范围.

摘要:针对一类同时存在匹配和非匹配不确定性的离散时间系统, 提出一种基于幂次函数的离散积分滑模控制方
法. 理论分析表明, 所提出的方法可以消除离散积分滑模控制系统的抖振, 而且能够保证对系统的匹配和非匹配不确
定性具有强鲁棒性. 在系统不确定性的界未知的情况下, 通过引入一步延时干扰估计完成了控制器的设计, 并给出了
闭环系统稳定性证明. 仿真结果验证了所提出方法的有效性.

摘要:针对基本人工蜂群算法在解决优化问题时收敛速度不够快、易陷入局部最优的缺陷, 提出一种改进蜂群算
法. 该算法采用“分段搜索”方式对食物源进行贪婪更新, 以提高食物源更新的成功率; 同时, 招募所有观察蜂选择当
前最优食物源, 以实现对最优食物源的充分优化. 对经典测试函数反复实验的结果表明, 改进算法计算结果稳定, 与
基本蜂群算法相比, 加速收敛效果非常明显, 全局搜索能力显著提高, 运行时间大大缩短.

摘要:为解决工程优化设计问题, 引入文化进化框架, 提出一种拥挤距离排序的多目标文化粒子群算法. 采用拥挤
距离排序算子, 并删除密集区域的多余粒子, 以保证Pareto 前沿的分布均匀性; 基于拥挤距离值, 从精英知识和条件
知识中选择处于最分散区域的粒子, 并将其分别作为全局和局部最优, 以增强算法全局寻优能力; 依据拥挤距离的变
化, 动态调整粒子群飞行参数, 以提高算法收敛效率. 通过标准测试问题以及与其他算法的对比, 表明了所提出算法
的有效性和鲁棒性.

摘要:研究群决策中专家赋权问题. 实际决策问题中, 由于客体信息自身存在的不完备性和不确定性以及人们描
述过程中的模糊性, 更适合采用模糊聚类的分析方法, 为此提出一种基于判断矩阵的专家模糊核聚类赋权方法. 该方
法运用模糊核聚类理论对专家排序向量进行分类, 根据分类结果、判断矩阵一致性和排序向量的熵对各专家进行组
合赋权. 算例表明, 所提出的方法是可行且有效的.

摘要:首先利用Terminal 吸引子函数代替高阶滑模微分器中的不连续函数, 以避免抖振; 然后在高阶滑模微分器
每一层滑模面中增加快速收敛项, 以提高收敛速度, 并分别针对不同情况证明了快速高阶滑模微分器的稳定性, 给出
了估计误差的具体表达式, 提出了一种抑噪设计方法; 最后比较了快速高阶滑模微分器与标准高阶滑模微分器的收
敛时间和误差, 总结了快速高阶滑模微分器的一般设计方法, 并通过仿真结果表明了所得结论的正确性和有效性.

摘要:目前有关案例推理(CBR) 的研究主要集中在案例检索方面, 对案例库构造方法的研究则较为少见, 而好的
案例库, 既可以提高案例检索效率, 又可以保证较好的检索准确率. 鉴于此, 针对CBR中的案例库进行研究, 引入模
糊?? 均值方法去除原案例库中的冗余案例, 从而实现对神经网络-案例推理方法的改进. 最后通过对UCI 数据进行的
仿真实验表明了改进后的案例推理方法无论在案例检索精度还是在案例检索速度上均有所提高.

摘要:为使T-S 模型在线辨识时能够更加合理地划分模糊空间, 提出一种根据相邻聚类中心距离确定模糊空间重
叠系数的方法. 将该方法与一次完成最小二乘法、递推最小二乘法相结合, 得到了一种辨识精度较高的T-S 模型在线
辨识算法. 以某型号单晶炉热场的实际运行数据为对象, 应用所提出的算法对热场模型进行在线辨识. 辨识结果表
明, 由该辨识算法得到的单晶炉热场模型具有较高的精度.

摘要:针对标准粒子群优化算法(PSO) 在寻优过程中容易出现早熟的问题, 提出一种基于周期性演化策略的
粒子群优化算法. 该策略通过在速度更新方程中构建基于粒子群能量的粒子群最优值扰动项, 使得粒子群能量
在演化过程中可以周期性变化. 相比标准PSO 算法, 当粒子群能量较大时, 能够增强局部搜索能力; 当粒子群能
量较小时, 能够增强全局搜索能力. 典型优化问题的仿真结果表明, 所提出的算法与线性下降惯性权重粒子群优
化(LWPSO) 和PSO 算法相比, 优化性能得到了显著提高.

摘要:针对软测量建模的特点以及建模过程中存在的主要问题, 提出了基于AdaBoost RT 集成学习方法的软测量
建模方法, 并根据AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难, 提出了自适应修改阈值?? 和
增添增量学习性能的改进方法. 使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型, 并使用实际生产
数据对模型进行了检验. 检验结果表明, 该模型具有较好的预测精度, 能够很好地实现在线更新.

摘要:

针对传感器网络中的动态跟踪问题, 提出一种基于Rényi信息增量的机动目标协同跟踪方法. 首先利用粒子
滤波计算每个传感器Rényi 信息增量; 然后以Rényi信息增量最大为原则选择传感器进行目标跟踪, 并在跟踪时通过
多模型的交互作用实现对机动目标状态的准确估计. 仿真结果表明, 在非线性非高斯环境下, 所提出的方法与传统方
法相比能够有效提高跟踪精度, 动态分配传感器资源, 实现协同跟踪.