不确定系统的上界自适应动态神经滑模控制

针对滑模控制中不确定上界值的问题,提出一种神经网络上界自适应学习的动态滑模控制方法。该方法将系统中不确定及干扰部分分离出来,构造不确定量的联合上界,然后分两步进行分析。当上界已知时,采用动态滑模方法设计滑模控制器;上界未知时,采用神经网络自适应学习不确定项的上界,设计了权值调整规则及动态神经滑模控制器。该控制器不仅可以保证非线性不确定系统渐近稳定,降低一般滑模控制理论分析的条件,还有效地抑制了抖振。仿真实例表明,该控制方法是正确有效的。     

一类双色有向图的指数上界

一个双色有向图D是本原的,如果存在非负整数h和k,且h+k＞0,使得D中的每一对顶点(i,j)都存在从i到j的(h,k)-途径,则称h+k的最小值为D的本原指数.考虑了一类特殊的双色有向图,它的未着色图有(2n-t-2)个顶点,包含一个n-圈和一个(n-t)-圈,给出了本原条件和指数上界,并对极图进行了刻划.     

实系数多项式根模上界估计的注解

提出了实系数多项式根模上界估计定理的一个新的证明方法,利用简单的数学分析方法证明了较复杂的数学题．     

一类特殊矩阵谱条件数的注记

研究得到了一类特殊矩阵谱条件数上界的估计,与现有文献中只讨论参数｜α｜＞1时这类矩阵条件数界的不同,本文补充讨论了｜α｜≤1时条件数的上界,完善了相应文献对这类特殊矩阵条件数的估计.     

随机网络控制系统的量化L2-L∞滤波

考虑到带宽有限网络环境下信号需经过量化处理才能进行发送,研究了一类带宽受限随机网络控制系统的L_2-L_∞滤波问题。采用对数量化器,将量化后的测量信号作为滤波器输入信号。首先将滤波误差系统建模成范数有界不确定随机时滞系统,进一步基于线性矩阵不等式方法推出了该随机网络控制系统的稳定性和滤波器设计的充分条件,并将滤波器的设计转化为一个凸优化的求解问题。所设计的滤波器能够保证相对于所有能量有界的外界扰动信号,随机网络控制系统的L_2-L_∞性能指标小于一定值γ。仿真实例证实了该设计方法的有效性。     

WSN中单数据流端到端延迟上界研究

在WSN中采用独立分析（SFA）法求得的单数据流端到端延迟上界有时比整体分析（TFA）法求得的总数据流端到端延迟上界要大, 这不符合物理意义。针对这一问题, 分析了现有TFA法与SFA法在数据流服务分配机制上的差别, 并指出这两种方法求得的延迟上界不具有可比性。随后在修正流经节点数据流输出上界的基础上, 推导出与TFA法数据流服务分配机制相匹配的单数据流端到端延迟上界表达式。公式推导与数值分析结果均表明, 本方法求得的单数据流端到端延迟上界能够被TFA法总数据流端到端延迟上界所包络, 符合物理意义且更精确。     

基于单领航者相对位置测量的多AUV协同导航系统定位性能分析

自主水下航行器 (Autonomous underwater vehicle, AUV) 的协同导航是解决水下导航定位问题的重要方法, 其中导航系统的定位误差增长特性是衡量其定位性能的关键指标. 本文针对单领航者相对位置测量的多 AUV 协同导航系统, 利用扩展卡尔曼滤波方法建立了导航系统的整体定位误差关于相对位置量测误差的传递方程. 在此基础上, 通过求解系统定位误差随时间演化的代数黎卡提方程, 得到了其在稳态情形下的方差上界估计. 理论分析表明, 单领航 AUV 协同导航系统的整体定位误差有界收敛且与初始化滤波方差无关, 具有良好的综合性能. 最后, 仿真实例验证了文中理论分析结果的正确性.     

B样条曲线与其控制多边形的局部距离上界

在对B样条曲线进行绘制和分析时,一个常用的方法是通过细分控制多边形近似B样条曲线,其中对控制多边形到曲线的距离的上界进行估计是影响细分深度的关键因素.为了获得更紧致的距离上界,从而减小折线近似的数据量,利用控制多边形的二阶差分的模以及前两阶差分之间的夹角,并通过在每一步细分过程中可能发生的最大变化的累加和来估计局部距离...     

星图互联网络上的并行路径算法

为了提高星图互联网络中任意两个结点之间传输大量数据信息的效率以及当星图网络中出现结点故障或链路故障的情况下保证数据信息的正常传输,从群论的角度出发,重点采用循环置换的相关性质,给出了一种新的寻找星图互联网络中任意两点之间的所有并行路径的方法。由于在寻找的过程中,该方法将条件细化成不同的情况讨论,从而保证了在每种情况下给出的所有并行路径的长度构成的集合的上界都是最短的,同时也保证了该算法的有效性和最优性。     

基于上界单纯形投影图张量学习的多核聚类算法

近年来,多核图聚类（MKGC）受到了广泛的关注,这得益于多核学习能有效地避免核函数与核参数的选择,而图聚类能充分挖掘样本间的复杂结构信息。然而现有的MKGC方法存在着如下问题：图学习技术使得模型复杂化,图拉普拉斯矩阵的高秩特性使其难以保证学到的关系图包含精确的c个连通分量（块对角性质）,以及大部分方法忽略了候选关系图间的高阶结构信息,使得多核信息难以被充分利用。针对以上问题,提出了一种新的MKGC方法。首先,提出一种新的上界单纯形投影图学习方法,直接将核矩阵投影到图单纯形上,降低了计算复杂度;同时,引入一种新的块对角约束,使学到的关系图能保持精确的块对角属性;此外,在上界单纯形投影空间中引入低秩张量学习来充分挖掘多个候选关系图的高阶结构信息。在多个数据集上与现有的MKGC方法相比,所提出方法计算量小、稳定性高,在聚类精度（ACC）和标准互信息（NMI）指标上具有较大的优势。