基于自适应神经网络的一类不确定非线性系统的鲁棒H∞控制

针对一类不确定非线性多输入时变系统，提出了一种新的鲁棒H∞控制方案．通过引入2个自适应神经网络逼近器，提出了一个简化的Hamilton—Jaeobi—like不等式，并据此设计了非线性H∞控制器和匹配不确定项补偿控制器，消除了输入摄动项和估计器最优逼近误差的有界性假设．机器人系统的鲁棒跟踪控制仿真算例证实了所提出控制方案的有效性．     

无确定度逆向云模型新算法

针对现有结果未揭示决定云模型雾化特性的本质因素以及无确定度逆向云模型算法误差较大这两个问题进行研究。通过对正向云模型的数学分析, 指出云滴定量数据的标准差决定云模型雾化特性, 提出用熵和超熵的比值度量云滴离散程度, 称为雾化因子。分析和实验表明, 云分布对应雾化因子取值在3~18之间, 当其大于18时, 云分布退化为正态分布, 无确定度逆向云模型算法不再适用。在此基础上, 利用云分布四阶原点矩来估计云模型的数字特征, 提出一种新的无确定度逆向云模型算法, 不同雾化因子和云滴数量的对比实验结果表明, 所提算法在对云模型数字特征估计的准确性与稳定性方面优于现有算法。     

用于癌症分类与基因选择的一种改进的弹性网络

提出了一种用于辨识癌症分类的重要基因的改进弹性网络. 通过引入数据驱动权重系数, 改进的弹性网络能自适应地成群选择基因并减少重要基因对应系数的收缩偏好. 此外, 不相关观测被从增广数据集中消除从而大大减少了计算复杂性. 在急性白血病数据集上的实验结果验证了所提方法的有效性.     

最小二乘双支持向量机的在线学习算法

针对具有两个非并行分类超平面的最小二乘双支持向量机,提出了一种在线学习算法。通过利用矩阵求逆分解引理,所提在线学习算法能充分利用历史的训练结果,避免了大型矩阵的求逆计算过程,从而降低了计算的复杂性。仿真结果验证了所提学习算法的有效性。     

一类不确定T-S模糊时滞系统新的滑模控制方法

针对一类时滞不确定系统,基于模糊滑模控制方法,考虑了其镇定问题.所研究系统中的时滞项和参数不确定项分别为有界时变和非匹配的.首先设计滑模面,使得系统状态在滑模面保持指数渐近稳定,并且将系统的稳定性证明转化为线性矩阵不等式的解的存在性问题;其次,基于到达条件,构造控制器,使得系统在设计控制器的作用下在有限时间内到达切换面;最后,给出仿真算例,经验证说明所设计的控制器的有效性.     

不确定系统的不确定项观测器设计

为了克服常规用不确定项的界估计来设计控制器带来的保守性和动态性能差的弊端,本文就连续的和离散的不确定系统,分别提出了不确定项的观测器设计方案.通过引入分布和离散加权平均的概念,对这两种观测器的观测误差精度进行了分析估算,从数学上证明了所得的观测值在加权平均意义下是无偏的.此外,通过适当选择观测器反馈增益,可以得到满意的误差估计精度.把该方法应用到一个控制系统中,仿真结果表明所提出的观测器能很好的估计不确定项和改进闭环系统动态性能.     

用于微阵列分类的Huberized多类支持向量机

提出了一种能同时进行基因选择和微阵列分类的新型多类支持向量机. 通过结合huberized hinge 损失函数与弹性网络惩罚, 所提支持向量机能自动地进行基因选择并激励一种群体效应. 所提支持向量机的系数路关于单正则化参数是分段线性的, 并基于此发展了解路算法, 减少了计算的复杂性. 白血病数据集上的实验验证了所提方法的有效性.     

PCD型自适应弹性网络在微阵列分类中的应用

针对癌症分类中的重要基因选择问题,提出了一种基于顺向坐标下降算法的自适应弹性网络.该自适应弹性网络通过引入数据驱动权重,在构建分类器的同时能自适应地成群选择基因,从而产生了一个稀疏的学习模型,增强了可解释性.此外,通过引入惩罚因子,顺向坐标下降算法被改进并有效地用于求解该自适应弹性网络.急性白血病分类实验结果验证了所提方法的有效性.