摘要:随着突发事件复杂性和不确定性的增加, 传统由政府主导及专家决策的模式已无法适应现代应急管理的要求, 公众作为直接利益相关者, 其意见和风险感知在应急决策阶段具有关键作用. 为弥补公众参与应急管理中的大群体决策理论、方法及应用系统性研究的不足, 对该领域的相关研究展开综述. 首先, 分析影响公众参与的关键因素, 探讨公众参与的模式与机制, 并总结促进公众参与的策略; 其次, 回顾大群体决策理论与方法的核心研究问题及在应急决策中的应用; 此外, 针对公众参与的大群体应急决策问题, 梳理公众意见挖掘与情感分析方法, 以及公众参与的共识研究; 最后, 指出当前研究在公众参与因素系统性分析、大群体应急决策时效性研究、情感分析技术应用、群体交互式反馈调节机制设计等方面的不足及潜在研究方向.

摘要:针对受切换通信拓扑影响的非线性多智能体系统量化一致性问题, 提出一种学习型模型预测控制(LMPC)算法. 该算法利用神经网络实时逼近并优化LMPC代价函数, 在线预测最优控制增益矩阵, 有效减小通信缺陷对系统性能的影响. 同时, 结合迟滞量化器对控制输入进行量化, 缓解了网络资源受限对多智能体协同性能的限制. 为描述多智能体间的信息交换, 引入部分转移概率未知的Markov切换拓扑结构. 通过Lyapunov稳定性理论, 给出系统误差的指数一致性收敛. 最后, 通过非线性摆系统验证所提出方法的有效性和适用性.

摘要:为解决现有滑模控制方法在不确定非线性系统中存在的收敛速度依赖初值、鲁棒性差等问题, 提出一种新型全局固定时间滑模控制策略. 首先, 设计的固定时间扰动观测器能有效消除系统中不确定性扰动的不利影响; 其次, 使用一种新型非奇异快速终端滑模面, 它不仅成功克服了奇异性问题, 还显著提升了系统的鲁棒性, 且其收敛时间与系统初始状态无关; 再次, 通过结合反正切(arctan, A)函数和双曲正切(tanh, T)函数设计新的A-T趋近律, 有效抑制了系统抖振现象; 然后, 运用李雅普诺夫稳定理论证明固定时间扰动观测器和非奇异快速终端滑模的稳定性; 最后, 通过二连杆机械臂实验进一步验证所提出算法的控制效果.

摘要:针对具有测量噪声和外部环境扰动的船舶, 设计一种在线鲁棒自适应系统辨识方法, 解决缺乏持续激励条件下的模型辨识问题. 基于双层积分滤波回归器设计一种复合自适应更新律, 实现对船舶所有参数、状态及初始状态值的在线估计, 并自适应参数变化; 采用扩展状态观测器估计系统总误差, 并将其作为事件触发信号, 以节约系统资源和监控系统精度. 在初始激励条件下, 所提出的系统辨识算法可确保所有估计误差全局一致最终有界. 仿真结果表明, 与现有算法相比, 所提出方法在辨识速率和精确度上具有显著优越性.

摘要:为提升电液比例伺服系统高频运动控制性能, 通过采用一阶惯性环节表征比例伺服阀阀动态, 融合指令滤波控制与自适应技术, 提出一种电液比例伺服系统时变参数自适应指令滤波控制方法, 其可同时处理系统存在的未知时变参数和未知时变干扰. 此外, 通过构建指令滤波辅助系统, 既可消除滤波误差对控制性能的影响, 又可避免传统反步控制中存在的微分爆炸问题. 理论分析表明, 该方法既能保证闭环系统所有信号均有界, 又能保证跟踪误差渐近收敛. 对比实验结果也验证了该方法的优越性和高频跟踪性能, 且相比于不含阀动态补偿的控制方法, 所提出方法的频宽提升约1.56倍.

摘要:针对现有化工装备规模大、集成度高, 潜在安全风险高的难题, 提出一种阵列式集成精馏系统分布式容错控制方法. 该方法通过簇单元之间网络拓扑结构, 实现各单元协作与信息共享, 并应用动态事件触发机制避免系统通讯资源浪费问题. 此外, 针对执行器故障提出虚拟执行器故障补偿机制, 给出系统一致性稳定的充分条件. 利用仿真工具箱求解阵列式集成精馏系统容错控制器增益, 结合传统分布式控制与分散控制理论, 对系统控制方法进行仿真与对比论证, 证明了所提出分布式容错控制算法的有效性, 其可以显著提高系统通讯资源节省率.

摘要:高炉炼铁过程作为现代钢铁生产的重要环节, 其运行稳定性和生产成本直接影响钢铁企业的经济效益. 然而, 受原材料成份的波动、运行工况和生产条件变化等不确定因素的影响, 使得待优化的经济目标函数内部潜在大量的随机性, 此时, 传统的基于目标函数均值意义下的优化方法难以获得满意的优化结果. 鉴于此, 提出一种基于目标函数分布形状的高炉炼铁过程经济随机优化方法. 首先, 考虑优化表征经济成本的目标函数内部不确定性, 采用核密度估计刻画目标函数分布形状, 通过目标函数的概率密度函数(PDF)形状来描述优化过程中随机不确定性; 然后, 分别构建待优化目标函数的PDF与理想PDF间的误差, 以及具有均值约束的熵优化的性能指标, 通过优化目标函数分布形状, 使得优化过程中的随机性降至最小; 最后, 基于高炉炼铁过程实际生产数据的实验, 验证所提出方法的有效性和优越性.

摘要:针对传统路径规划算法在无人驾驶应急场景中存在的环境建模失真、路径搜索效率以及安全性不足等局限, 提出一种基于高精度城市电子地图的“全局-局部”耦合路径规划框架. 该框架通过融合改进D*Lite算法和动态窗口法(DWA), 能够实现全局路径动态优化与局部避障协同控制. 在全局规划中, 使用五邻域搜索策略替代八邻域搜索, 可有效避免路径曲折问题; 同时, 结合风险系数构造多目标代价函数, 能够显著降低路径累积风险值. 在局部规划中, 设计一种基于风险感知机制的动态评价函数, 增强局部避障的实时性和安全性. 仿真结果表明, 与现有文献相比, 所提出耦合算法在路径规划效率、路径安全性、平滑度等方面均有显著的提升. 进一步地, 通过交通事故规避、突发乘客需求响应等典型应急场景验证所提出算法的鲁棒性, 为无人驾驶安全行驶提供了理论支持.

摘要:路径规划是机器人实现自主操作的核心技术之一, 使得机器人在复杂动态环境中能够快速找到安全路径. 然而, 仅依赖全局路径规划无法有效避开动态障碍物, 仅使用局部路径规划则可能会陷入局部极小值导致无法顺利到达目标. 鉴于此, 提出一种适用于动态环境的移动机器人双层路径规划方法. 在第1层中: 采用并行采样和双树引导快速探索随机树算法(PB-RRT)搜索全局路径. 该层利用并行启发式采样策略, 建立包含距离因子和转角因子的评价函数, 以选取最佳采样节点进行自适应扩展, 构建双树引导机制实现两树快速融合. 然后结合轨迹优化方法, 对初始路径长度和平滑度进行优化, 得到路径关键节点. 在第2层中: 结合第1层得到的路径关键节点作为安全动态窗口算法(SDWA)动态子目标, 并引入一种偏置引导方法以避开动态障碍物. 实验结果表明, 与其他规划算法相比, 所提出方法能够快速生成更高质量的全局路径. 在动态环境中能够高效避开动态障碍物, 验证了所提出方法的有效性.

摘要:人体下肢运动的步态周期由支撑相和摆动相构成, 但是, 现有的人体运动步态意图识别通常对摆动相进行特征提取, 对于支撑相的研究较少, 且多仅限于离散触地状态, 往往忽略了支撑相的连续细节信息. 鉴于此, 提出一种足底动力相数据驱动的智能下肢假肢意图识别方法. 考虑到人体对于地形转换的适应性姿态调整始于支撑相末期的足底动力相, 其作为连接支撑相与摆动相的过渡阶段, 在运动过程中参与能量释放, 故所提出方法提取完整足底动力相数据, 并结合摆动相前期数据, 定义目标数据时间窗. 采用haar小波变换来表征支撑相中隐藏的非平稳信号特征, 并基于足底蹬地的能量变化来自适应地确定小波分解层数, 通过相应小波系数来构建特征向量, 并使用支持向量机进行分类. 实验结果表明: 该方法在自采集数据集的5种稳态模式下识别率可达到99.21%, 在13种综合运动模式下的识别率为97.65%, 较基准方法提升了1.69%和2.53%, 利用足底动力相阶段的数据辅助意图识别任务, 能够提高模型的识别率和鲁棒性.

摘要:为提升竞争群优化(CSO)算法在解决复杂高维优化问题时的性能, 提出一种基于分区策略与收敛速度控制器的改进竞争群优化(PCSCCSO)算法. 首先, 采用适应度变化率驱动的动态分区策略, 以增强算法的收敛性和搜索效率; 然后, 提出一种快速CSO策略, 通过三重竞争机制增强算法的寻优能力: 获胜粒子通过对立学习策略更新, 失败粒子向获胜子群平均位置学习, 劣败粒子通过变异增强局部搜索, 这些策略能够有效平衡全局探索与局部开发, 提高算法的寻优效率; 最后, 结合粒子与全局最优解间的余弦相似度以及停滞计数, 设计自适应的收敛速度控制器, 用以调节粒子的搜索行为, 从而避免粒子陷入局部最优解, 加速全局收敛. 理论分析验证了所提出算法的稳定性和收敛性. 实验结果表明, 与其他改进算法相比, PCSCCSO算法在处理复杂高维优化问题时具有更好的收敛精度和收敛效率.

摘要:离线数据驱动进化算法(DDEAs)能够从历史数据中建立代理模型指导种群优化, 它克服了传统进化算法难以应用在计算密集型、机理复杂难以建立数学模型等昂贵优化问题的局限性, 引起了广大学者的关注. 然而, 离线DDEAs面临两个困难, 首先构建高质量的代理模型需要使用复杂的模型管理策略, 这虽然提高了算法的性能, 但也增加了算法的运行时间; 其次, 径向基函数网络作为一个被广泛应用在离线DDEAs中的模型, 少有研究会根据不同的问题来选择合适的超参数. 为此, 首先提出一种预选择策略, 该策略可以通过复杂度低的粗糙模型将种群快速地迭代到最优解附近; 其次, 提出一种基于肯德尔相关系数的模型排序置信度指标, 并利用该指标设计一种选择策略, 该策略能从几种径向基函数网络的超参数中选择出最适合当前问题的超参数. 基于以上两点并结合堆叠泛化的集成方法, 提出基于预搜索和模型选择的离线数据驱动进化算法 (DDEA-PMS). 与6个最新的离线DDEAs在5个基准问题上的实验结果表明, 所提出的DDEA-PMS能以较少的时间开销产生具有明显优势的结果.

摘要:针对混合信息共存的评价问题, 从综合集成的视角探索混合信息集成框架的构建原则与流程, 并面向混合信息集成框架, 提出一种兼顾专家信息的影响力与共识度的求解方法. 首先, 基于随机模拟技术求解各信息支流的优胜度矩阵; 其次, 融合DEMATEL方法与优胜度矩阵求解得到体现专家信息影响力的信息支流外部权重; 然后, 基于序关系分析法及共识差异度的衡量, 给出体现专家信息共识度的信息流内部权重求解方法; 最后, 将外部、内部权重与相应的优胜度矩阵进行合成求解, 得到体现被评价对象优劣关系的整体优胜度矩阵, 并据此推导出被评价对象之间带有概率信息的可能性排序结论. 通过与两个算例结论的对比分析, 验证了所提出方法的有效性, 并发现该方法具有提升评价结论群体共识度且凸显被评价对象之间优胜差异的特征. 对混合信息集成框架的构建流程进行系统梳理与总结, 从提高信息影响力与共识度的视角进一步丰富混合信息集成框架求解的方法体系, 所提出方法在允许多样性及个性化表达判断意见的复杂多属性决策、(大规模) 群决策、民主决策等问题中有较好的应用前景.

摘要:在康斯迪电弧炉的冶炼过程中, 及时准确地预测钢水温度对优化整个冶炼过程、节约生产成本起到至关重要的作用. 然而, 受制于电弧炉极限的生产条件以及相当稀疏的温度测量次数, 无论是复杂的机理模型还是基于数据的机器学习模型都无法获得理想的预测结果. 针对这一问题, 通过将机理知识与LSTM网络相结合, 提出一种机理指导的LSTM网络模型实现对钢水温度连续准确的预测. 首先, 根据康斯迪电炉的冶炼特点,以LSTM网络为核心设计模型的基本结构; 然后, 提出一个约束层将模型中间层的输出限制在由冶炼机理确定的合理范围之内, 通过这种方式实现用冶炼知识指导网络的训练方向, 使模型的输出更符合冶炼实际, 同时又可弥补训练标签稀疏的问题; 最后, 使用现场收集的冶炼数据验证所提出的模型的有效性. 实验结果表明, 相比于其他温度预测模型, 所提出的模型的预测精度更高且与冶炼机理知识更相符.

摘要:工业现场普遍存在复杂的噪声环境, 其中非高斯噪声和未知有界噪声的混合干扰严重制约了传统重放攻击检测技术的性能. 鉴于此, 提出一种基于状态估计的动态阈值检测算法. 首先, 根据线性系统中未知有界噪声的幅值约束和非高斯噪声的高阶统计属性, 开发依托椭球理论和无偏有限脉冲响应滤波的新型状态估计机制, 以解决现有算法在双重噪声环境下, 因先验统计模型失配而引发的估计性能劣化问题; 然后, 利用系统实时数据设计动态阈值检测策略, 克服重放攻击中固定阈值检测器灵敏度不足的缺陷; 最后, 运用系统残差来构建攻击检测函数, 对系统中潜在的重放攻击进行识别. 仿真结果表明, 所提出方案为此类噪声系统的重放攻击检测提供了一种更加可靠的技术手段, 并展现出优异的适应性.

摘要:针对物理连接多船拖带系统的运动规划问题, 提出一种基于规划单元的运动规划方法. 该方法整体架构由规划单元、搜索策略和规划空间3部分组成: 规划单元通过融合船舶拖带系统动力学的连续性与搜索过程的离散性, 对拖带系统的轨迹进行标准化处理; 根据规划单元归纳出的系统艏向角、航路点和可航水域约束, 基于启发式算法设计路径搜索策略, 以达到同时优化路径距离和转向效率的目的; 为保障搜索的完备性, 构建包含位置和艏向的三维规划空间, 以实现路径点的可重复搜索, 并确保拖带系统以期望的艏向到达目的地. 仿真实验表明, 所提出方法能够在动力学约束下为船舶拖带系统规划出安全、高效且符合实际运动规律的路径.

摘要:针对作业车间调度问题中邻域结构的可行解判定问题, 提出一种基于邻接矩阵的可行解判定方法. 首先, 从析取图角度分析工序间的路径关系情况, 指出现有可行解判定方法的局限性, 进而设计基于邻接矩阵的可行解判定方法. 该方法不但能保证邻域移动可行性的精准判定, 而且能够避免可行解的遗漏, 进一步扩大整体的有效搜索空间. 此外, 为了提高邻接矩阵相关的计算效率, 提出一种基于拓扑排序片段的邻接矩阵双向缩减方法, 提高快速判定效率. 最后, 对该方法在邻域数目上与其他的可行解判定方法进行比较, 并融入混合算法对不同规模的基准算例进行测试求解, 从而验证该方法的有效性、基础意义和应用价值.

摘要:针对深度学习中标准训练集无法全面覆盖实际工况中的故障特征, 导致故障识别率急剧下降的问题, 提出一种融合一维卷积神经网络(1DCNN)和Transformer层的域对抗神经网络(DANN)迁移学习方法Transformer-DANN. 使用1DCNN和Transformer层, 改进特征提取器的提取特征的能力, 降低计算复杂度; 针对不同负载下故障数据特征不同的问题, 采用DANN方法对故障数据进行分类处理. 对所提出方法进行实验验证, 在电机变工况条件下, 平均识别率达到98.13%, 最大识别率为99.42%. 结果表明, 所提出方法能有效提高变工况条件下的电机故障识别准确率, 可以满足现实应用中设备故障诊断的任务需求.

摘要:针对航拍图像中目标尺寸微小、纹理特征模糊以及分布密集带来的检测难题, 提出一种基于改进YOLO架构的DI-YOLO检测模型. 当前主流检测方法在微小目标结构信息保留以及多尺度特征提取和融合方面存在明显不足. 鉴于此, 构建内容感知特征增强模块(CARAFE), 通过动态特征选择机制实现跨层级特征的自适应融合; 同时, 设计并行异构特征调制模块(PHFM), 有效协调全局上下文建模与局部细节特征的关联性; 并引入形状感知交并比损失函数(Shape-IoU)和微小目标检测头, 进一步提升边界框回归精度和微小目标检测能力. 在VisDrone2019和DOTAv1.5基准数据集上的对比实验结果表明, 所提出模型较基准模型YOLOv10取得显著提升: 在VisDrone2019数据集上, mAP@0.5和mAP@0.5 : 0.95指标分别提升了12.7%和13.7%; 在DOTAv1.5数据集上, 对应提升了12.1%和10.2%, 且在计算效率方面保持优势. 消融实验进一步验证了各模块的有效性, 为航拍场景下的高精度目标检测提供了新的解决方案.

摘要:针对大多数基于u-shapelet的时间序列聚类方法未能同时兼顾u-shapelet提取效率和质量的问题, 提出一种基于关键点引导的u-shapelet时间序列聚类算法UKey. 首先, 从时间序列数据集中随机采样一个时间序列子集, 采用所提出两步法识别采样时间序列中的关键点; 然后, 利用这些关键点提取子序列得到u-shapelet候选集, 这一策略不仅确保所提取的候选子序列包含关键波动区域, 还能有效减少候选子序列的数量; 接着, 引入Davies-Bouldin (DB)指数作为一种新的子序列质量评估方法, 旨在通过综合考虑类间分离度与类内紧凑性, 以确保所获取的u-shapelet集合具有较高的质量; 最后, 采用$ k $-Means算法对基于u-shapelet集合构建的距离矩阵进行聚类. 在10个不同数据集上的实验结果表明, UKey算法的性能优于14种对比算法, 具有较高的准确性和可解释性.

摘要:针对现有轻量级目标检测算法存在检测精度不足、特征融合能力较弱及检测速度较慢等问题, 在YOLOv8n基础上提出基于空间分组内卷积的轻量级目标检测算法. 首先, 在内卷积基础上提出一种新型空间分组内卷积(SGWInvo), 克服内卷积空间信息建模方面的不足, 并基于SGWInvo进一步设计一种轻量化主干网络SCNet替换YOLOv8n主干网络; 其次, 提出一种双向路径聚合网络, 以提高多尺度目标的特征融合能力; 最后, 采用深度可分离卷积对检测头进行轻量化, 结合YOLO2YOLO分步训练策略, 消除NMS带来的推理时延. 研究包括两种检测方法: 一对多匹配的SGWInvo-YOLO和一对一匹配的SGWInvo-YOYO. 在COCO数据集上的实验表明, 与YOLOv8n相比, 两种算法参数量均降低23.3%, SGWInvo-YOLO与之推理速度相当, mAP0.5精度提升3.0%; SGWInvo-YOYO推理时延减少10.5%, mAP0.5精度提升2.3%.

摘要:传统深度学习故障诊断假设训练集与测试集独立同分布且标签空间一致, 然而, 在实际工业中, 常出现新故障类型和数据“分布漂移”, 即开放集跨域识别, 导致模型泛化能力差、诊断精度下降. 针对开放集跨域故障诊断问题, 提出一种基于深度一维卷积神经网络(1D-CNN)的改进对抗域自适应的故障诊断方法. 首先, 利用1D-CNN从多领域的输入样本中提取代表性特征; 然后, 使用一个特征细粒度分类器来区分多领域中的共享和离群特征; 接着, 采用加权模块指导域判别器实现域不变特征学习; 最后, 域判别器利用域不变特征指导特征分类器的分类, 最小化全局损失, 实现开放集跨域故障诊断. 实验结果表明, 该模型在美国凯斯西储大学(CWRU)数据集和齿轮箱数据集上的跨域故障诊断精度高于其他方法, 特别是在开放集数据中优势明显.

摘要:深度立体匹配网络使用代价体将三维场景结构编码为双目特征的对应关系, 在机器人定位与避障等场景具有重要应用前景. 然而, 现有代价体方法不能为双目特征建立全面且无冗余的相关信息, 导致视差预测精度不足. 针对该问题, 首次将极线几何约束引入代价体计算流程, 通过多类型代价体优势互补, 提出一种即插即用的融合代价体及其代价聚合方法. 首先, 融合代价体同步计算极线共投影区域内特征向量的全局点积相关信息和局部分组点积相关信息, 保证特征相关的全面性并有效避免了信息冗余; 其次, 在周边信息聚合过程中结合传统聚合方法和融合代价体特性, 提出一种基于深度可分离卷积的自适应加权降维方法, 解决融合代价体在聚合阶段的维度不平衡性和计算效率问题. 将所提方法集成到立体匹配框架并命名为FusionStereo, 在基准数据集上进行实验验证. 结果表明: FusionStereo在KITTI 2015域内训练后的误匹配率指标BAD3为1.55%, 在MiddleBurry跨域测评的误匹配率指标BAD1为17.1%, 明显优于其他类型代价体的对比方法.

摘要:球团矿是现代高炉炼铁的重要原料, 合理的粒度分布是影响球团矿质量的重要因素之一. 目前, 在球团矿生产过程中, 粒度分布检测主要依赖人工离线筛分的方式, 该方法效率低, 测量结果滞后, 难以满足工业生产现场实时性要求, 且密集球团颗粒存在重叠、曲面光影等噪声的干扰, 现有基于图像处理的粒度检测方法对其边缘轮廓检测能力有限, 易出现漏检或过分割现象. 鉴于此, 提出一种融合双重注意力和多尺度级联网络的密集球团粒度测量方法(LMAD-UNet). 所提出方法将两个UNet以并行级联的方式拼接作为骨干网络, 增加网络宽度, 降低网络下采样特征损失; 然后, 设计一种轻量多尺度融合模块(LMulti-Res Block), 以实现多尺度特征提取, 减少模型参数量, 提升推理速度, 同时, 引入双重注意力机制, 增强网络对轮廓特征的提取能力; 最后, 改进损失函数, 加强对不平衡轮廓点数据的学习. 实验结果表明, 所提出方法能够对密集球团颗粒进行精准分割, $F_1\text{-}{\rm score} $可达到96.85%, 整体优于其他对比方法, 且粒度测量速度能够满足现场生产过程中的实时性要求.

摘要:针对逆变器中开关管微小故障引起的特征信号微弱、检测难度大的问题, 提出一种在逆变器输出端提取相关故障特征参数, 并利用PCA方法实现故障检测的故障诊断方法. 通过分析绝缘栅双极晶体管(IGBT)微小故障与逆变器输出电压波形之间的关系, 选取暂态故障特征参数 —— 超调量、峰值时间、峰值电压斜率, 以及稳态故障特征参数 —— 输出稳态电压, 通过划分时间片的方法从逆变器输出电压中提取故障特征参数. 在此基础上, 利用PCA对故障特征参数样本进行分解得到主元空间和残差空间, 计算两个空间中的统计量$T^2 $和SPE判断是否发生故障. 仿真与实验验证结果表明, 与现有方法相比, 所提出方法能够实现IGBT微小故障的精确诊断, 具有良好的应用价值.

摘要:在红外图像中, 目标物体的突出显示与可见光图像中丰富的纹理细节相结合, 可以有效地增强融合图像的信息熵, 从而为夜间智能驾驶等下游视觉任务提供重要支持. 然而, 现有的主流融合算法对于可见光图像在恶劣光照夜间道路环境下的信息熵低与像素强度高之间的矛盾, 尚缺乏针对性的研究. 因此, 在正常环境下表现良好的融合算法, 在强光干扰下只能生成与可见光图像相似、信息熵较低的融合图像. 对此, 提出一种能够抵抗恶劣光照环境干扰的图像融合网络, 结合信息熵和信息论原理, 增强图像融合的鲁棒性和信息保留能力. 首先, 设计一个在正常光照条件下具备高鲁棒性和优异性能的图像融合网络, 在该融合网络的基础上设计一个环境光感知模块, 以便在极端光照条件下对低信息熵的可见光图像的特征权重进行分析. 然后, 设计一个红外边缘特征分层引导融合模块, 以充分提取红外图像中的有效特征信息. 实验结果表明, 该融合网络能够在夜间恶劣光照条件下充分利用可见光和红外图像的特征信息, 显著提高这种情况下融合图像的质量. 与其他主流算法相比, 所提出方法生成的融合结果包含了更丰富和更有效的信息.

摘要:针对一种DoS攻击下的未知线性时不变系统, 提出一种无终端成分的弹性数据驱动预测控制算法. 首先, 所提出算法与传统的模型预测控制相比, 通过分析系统输入输出数据来学习系统的行为模式, 并仅依靠系统历史输入输出数据来预测未来的输入输出. 当DoS攻击发生时, 该方案能够利用预测控制的特性补偿由DoS攻击造成丢失的数据, 从而减少DoS攻击对系统的负面影响. 然后, 在考虑有界网络诱导噪声和过程噪声的情况下, 证明该方案能够保证系统的鲁棒稳定性. 最后, 通过数值仿真结果验证该方案的有效性和可行性, 实验结果表明该方案具有更强的鲁棒性和抗DoS攻击能力.