基于鲁棒右互质分解的直流伺服系统精确跟踪控制

对含有不确定性的直流伺服控制系统,通过应用鲁棒右互质分解方法,设计了一种基于鲁棒右互质分解的精确跟踪控制系统;通常情况下,直流伺服系统中存在诸如非线性特性及参数辨识引起的模型误差和外界扰动,在设计的控制系统中,未知模型误差和外界扰动对系统性能的影响都被看作直流伺服系统的不确定性;在考虑到这些不确定性情况下,设计了一种基于鲁棒右互质分解理论的精确跟踪控制;首先在考虑未知的不确定模型影响系统性能指标的情况下,设计了一种基于演算子理论的反馈控制结构,此结构可以消除不确定模型的影响,在此基础上,设计了基于鲁棒右互质分解的鲁棒精确跟踪控制系统,得出精确跟踪条件;仿真结果表明使用提出的方法可以有效地消除不确定性,使得伺服系统具有很强的鲁棒性和精确跟踪能力。     

基于人工蜂群优化的K均值聚类算法

为了改善K均值聚类算法对初始聚类中心敏感和易于陷入局部最优的不足,提出人工蜂群算法和K均值聚类算法相结合的想法,即基于人工蜂群优化的K均值聚类算法。通过全局寻优能力强的人工蜂群算法初始化K均值的聚类中心并优化聚类中心的位置,从而帮助K均值跳出局部极值,优化聚类效果。将混合聚类算法用Iris、Red Wine和New Red Wine数据集做聚类测试,结果表明该算法既克服了原始K均值聚类算法容易受初始聚类中心影响和不稳定的缺点,又具有良好的性能和聚类效果。     

非线性大系统的部分稳定性研究

研究了孤立子系统分别为定常线性和非线性非自治系统的两类大系统的部分稳定性。利用不等式分析技巧和构造出合适的Lyapunov函数，分别获得了两类大系统的平凡解关于部分变元一致稳定、渐近稳定和指数稳定的代数判据，特别地，对于仅含有两个子系统的大系统，通过Hurwitz判别方法得到了其平凡解部分渐近稳定和部分指数稳定的简单代数判据。     

噪声环境中时滞双向联想记忆神经网络指数稳定

任何系统实际上都是在噪声环境中进行工作的.对处在噪声强度已知的噪声环境下双向联想记忆(BAM)神经网络,其平衡点具有指数渐近稳定性是网络进行异联想记忆的基础.构造一个适当的Lyapunov函数,应用It^o公式、M矩阵等工具讨论了在噪声环境下具有时滞的BAM神经网络概率1指数渐近稳定,得到了指数稳定的代数判据和两个推论,此判据只需验证仅由网络参数构成的矩阵是M矩阵即可,给网络设计带来方便.本文所得结果包括相关文献中确定性结果作为特例.     

基于改进人工蜂群算法的机器人路径规划北大核心CSCD

为了实现在避障环境空间下移动机器人的平滑最优路径规划,提出了一种基于改进蜂群算法的三次Bezier曲线优化的路径规划方法。借助Bezier曲线描述路径,把路径规划问题转换为生成Bezier曲线有限个点的位置优化问题,并改进人工蜂群优化算法进行最优路径搜索。该改进算法在雇佣蜂的搜索阶段中引入个体当前最优值及随机向量,并选择新的选择概率函数,不仅加快算法的收敛速度,而且在一定程度上有利于保持种群多样性,防止算法陷入局部最优。仿真结果表明,该算法可以有效地进行平滑路径的无碰撞路径规划。     

噪声环境中时延区间CNN网络鲁棒稳定性

由于采用大规模集成电路方法实现细胞神经网络(cellular neural networks,CNN),其 电路所产生的噪声不可避免,实际的网络都是在噪声环境中进行工作的,弄清楚这些随机干扰 是如何影响网络的稳定性,在网络设计时非常关键.利用鞅收敛定理、李雅普诺夫直接法和矩阵 分析的方法,研究了白噪声干扰下时延区间细胞神经网络承受扰动的能力,得到了仅依赖系统 参数的充分性代数判据.所得结果在系统设计时检验较为方便.     

细胞神经网络平衡点稳定性分析

采用分割状态空间为若干个子区域的方法,对细胞神经网络平衡点的稳定性进行分析.视平衡点在子区域边界上的情况,分别检验一个或多个相应区域内系统的矩阵的Hurwitz性,得到了仅依赖网络自身元素的充分性条件.该结果容易检验,便于网络设计.     

区间CNN网络鲁棒稳定分析

研究了连接权矩阵为区间矩阵的细胞神经网络(CNN)的鲁棒稳定性，得到了该网络系统鲁棒稳定的若干充分判据。