模糊隶属函数是模糊系统的重要组成部分,在系统镇定中考虑其结构和参数信息可以减少结果的保守性.为此,针对连续时间T-S模糊系统的二次镇定问题,提出一种新的放松二次镇定条件.运用一种有效的附加变量引入方式将隶属函数乘积界这一信息更好地纳入系统的镇定条件中,得到了比以往文献保守性更小的结果.所有结果均以线性矩阵不等式形式给出.仿真结果验证了所提出方法的有效性.
TSP(旅行商) 问题代表组合优化问题, 具有很强的工程背景和实际应用价值, 但至今尚未找到非常有效的求解方法.为此,讨论了最近研究比较热门的使用各种智能优化算法(蚁群算法、遗传算法、 模拟退火算法、 禁忌搜索算法、Hopfield神经网络、 粒子群优化算法、 免疫算法等) 求解TSP 问题的研究进展,指出了各种方法的优缺点和改进策略.最后总结并提出了智能优化算法求解TSP 问题的未来研究方向和建议.
作为一种简单而有效的新兴计算技术,差分进化算法(DE)已受到学术界和工程界的广泛关注,并取得了许多成功应用.为此,围绕差分进化算法的原理,特点,改进及其应用等方面进行全面综述,重点介绍了针对复杂环境的差分进化算法研究内容,包括多目标%约束%离散和噪声环境下的优化等.最后提出了有待进一步研究的若干方向.
研究一类具有不确定和时滞的非线性系统的H∞鲁棒容错控制问题.采用T-S模糊模型来描述非线性系统,在系统执行器失效的情况下,建立故障矩阵模型;通过引进自由加权矩阵,基于Lyapunov稳定性理论和LMI(线性矩阵不等式)方法,给出系统H∞鲁棒容错控制器存在的充分条件,保证了系统的鲁棒稳定性.仿真实例验证了该方法的有效性.
多传感器数据融合广泛应用于自动目标识别、 战场监视、 自动飞行器导航与控制、 机器人、 工
过程控制、 遥感、 医疗诊断、 图像处理、 模式识别等领域。介绍了多传感器数据融合技术的概念、 处理
型、 融合层次等问题, 综述了近年来多传感器融合技术的研究进展和应用, 预测了未来的发展趋势。
在考虑商品供应成本因素的基础上,结合B2C电子商务企业物流配送网络的特点,建立了混合0-1整数规划的配送中心选址优化模型.该模型是一种特殊形式的选址-分配模型,具有NP难性质。为求解上述模型,开发了嵌入表上作业法的遗传算法。实例研究表明,该算法能高效求得模型的优化解,是求解物流配送中心选址这类复杂优化问题的一个较好方法.
智能移动机器人路径规划问题一直是机器人研究的核心内容之一. 将移动机器人路径规划方法概括为: 基
于模版匹配路径规划技术、基于人工势场路径规划技术、基于地图构建路径规划技术和基于人工智能的路径规划技
术. 分别对这几种方法进行总结与评价, 最后展望了移动机器人路径规划的未来研究方向.
对粒子滤波算法的原理和应用进行综述. 首先针对非线性非高斯系统的状态滤波问题, 阐述粒子滤波的原
理; 然后在分析采样- 重要性-重采样算法基础上, 讨论粒子滤波算法存在的主要问题和改进手段; 最后从概率密度函
数的角度出发, 将粒子滤波方法与其他非线性滤波算法进行比较, 阐明了粒子滤波的适应性, 给出了粒子滤波在一些
研究领域中的应用, 并展望了其未来发展方向.
对区间分析理论及其在控制领域的应用进行了综述.首先简单阐述了区间分析的基本原理, 包括区间计算、区Newton 法和区间全局优化方法等;然后对区间方法在参数与状态估计、鲁棒控制、 智能理论等方面的应用研究成果进行了归纳和总结;最后分析了区间方法在控制理论应用研究中所面临的主要问题, 并展望了未来的研究方向.
经典的支持向量机(SVM)算法在求解最优分类面时需求解一个凸二次规划问题,当训练样本数量很多时,算法的速度较慢,而且一旦有新的样本加入,所有的训练样本必须重新训练,非常浪费时间.为此,提出一种新的SVM快速增量学习算法.该算法首先选择那些可能成为支持向量的边界向量,以减少参与训练的样本数目;然后进行增量学习.学习算法是一个迭代过程,无需求解优化问题.实验证明,该算法不仅能保证学习机器的精度和良好的推广能力,而且算法的学习速度比经典的SVM算法快,可以进行增量学习.
首先介绍了基于数据驱动的故障诊断方法研究动机和国内外发展现状, 以新的视角将现有故障诊断方法分
为基于数据驱动的方法、基于分析模型的方法和基于定性经验的人工智能方法, 说明了该方法在整个体系中的地位,
并从数据利用及其与基于分析模型的方法比较等方面探讨了该方法的应用背景; 然后综述了按照新分类中基于数据
驱动故障诊断的现有方法, 分析比较了各方法的区别和联系; 最后指出了基于数据驱动故障诊断方法的几个具有前
景的研究方向.
针对粒子滤波方法存在粒子贫乏以及初始状态未知时需要大量粒子才能进行鲁棒状态预估等问题,将粒子群优化思想引入粒子滤波中.该方法将最新观测值融合到采样过程中,并对采样过程利用粒子群优化算法进行优化.通过优化,可使粒子集朝后验概率密度分布取值较大的区域运动,从而克服了粒子贫乏问题,并极大地降低了精确预估所需的粒子数.实验结果表明,该算法具有较高的预估精度和较好的鲁棒性.
针对模型不匹配卡尔曼的状态估计发散和应用范围限于连续系统问题, 提出一种基于有限差分强跟踪滤波器(STFDEKF).在滤波计算中, 引入强跟踪滤波因子修正滤波器的状态预协方差矩阵, 滤波精度得以提高;滤波器应用有限差分方法计算滤波过程中非线性函数的偏导数,扩大了适用范围.几种卡尔曼滤波器经过仿真比较STFDEKF应用于复杂非线性系统状态估计时, 具有较高数值稳定性、强跟踪性和较宽应用范围.
办公地点:东北大学 综合楼313室
通讯地址:沈阳市和平区文化路3巷11号 东北大学125信箱 《控制与决策》编辑部(110819)
收件人:《控制与决策》编辑部 (如果快递,请选择EMS或顺丰快递,其他快递无法送达。)
电话: 024-83687766,23906437
版权所有 :控制与决策
技术支持:北京勤云科技发展有限公司
E-mail: kzyjc@mail.neu.edu.cn
版权所有 :控制与决策
技术支持:北京勤云科技发展有限公司