基于LabVIEW的振动主动控制试验研究

在振动主动控制技术中,为了对控制系统以及作动机构的时滞进行有效补偿,开发了基于脉冲激励的时滞测试系统,对测控系统的时滞进行了试验研究.在此基础上.应用LabVIEW编写移相控制算法对振动系统的行为进行主动控制,仿真结果表明了该方法是可行的.试验研究中,由于反馈信号中含有多谐波成分,应用低通滤波算法进行处理后再实施控制,取得了良好的控制效果.     

基于自适应迭代学习控制的列车自动驾驶算法

针对高速列车自动驾驶系统受到时变外部扰动和受限状态的情况,提出一种基于迭代学习控制的自适应控制算法. 基于Lyapunov 函数,利用列车运行过程中的状态偏差,推导出自适应迭代学习控制律和参数学习更新律. 构造类Lyapunov 函数的复合能量函数,通过迭代域的差分,证明其差分负定性和收敛性. 采用所提控制算法对列车跟踪性能进行计算机仿真和实例仿真验证,结果表明,所提出的自适应迭代学习控制算法对列车期望曲线跟踪具有较高的精度和较快的收敛速度,能够在较短的迭代次数实现对期望曲线的精确跟踪.     

移相法对磁流变阻尼结构的时滞补偿

控制系统中的时滞现象成为影响控制效果的不可忽视的因素,采用移相法对磁流变阻尼控制系统的算法进行仿真计算,分析在不同情况下移相法对磁流变阻尼控制系统的时滞补偿效果,并与主动控制系统进行比较。结果表明移相法对磁流变阻尼控制系统有一定的补偿效果,对主动控制系统效果更加显著。     

时滞网络化群体编队控制系统收敛性分析

针对时滞网络化群体的编队控制问题,设计了PD控制器进行控制.群体为双积分系统,群体中的个体之间基于固定的拓扑结构图进行交互作用.个体的反馈控制作用仅仅基于个体与其邻居之间的相对信息,通信拓扑结构图可以为无向和有向图.设计了PD控制器来提高系统的收敛性.通过仿真确定了PD控制器的比例系数、微分系数对系统收敛性的影响,并给出了设计控制器参数的方法.仿真结果表明所设计的PD控制器提高了系统的收敛性.     

基于多智能体的有限时间一致性迭代学习控制

针对多智能体系统的迭代学习一致性控制问题,提出一种基于有限时间算法的控制策略.首先引入虚拟领导者,利用有限时间算法处理前次迭代时各智能体与虚拟领导者间的跟踪误差,以提高误差收敛速率;在此基础上构造一种新的有限时间迭代学习律,改进后的学习律使系统误差收敛所需迭代次数显著减少;然后利用应用图论、李亚普洛夫稳定性理论证明了该学习律在有限时间内的稳定性,基于范数理论得到了学习律的收敛条件;最后通过Matlab数值仿真结果验证了本文方法的有效性.     

脉冲干扰复数域Cohen-Grossberg神经网络的稳定性

为了分析脉冲干扰因素对复数域神经网络的影响,研究了一类具有脉冲干扰的变时滞复数域Cohen-Grossberg神经网络的平衡点的动态行为.在假定放大函数、自反馈函数以及激活函数定义在复数域的情况下,首先,利用M矩阵和同胚映射的相关原理,分析了该系统平衡点的存在性和唯一性;其次,利用向量Lyapunov函数法以及数学归纳法,研究了该系统平衡点的全局模指数稳定性,并建立的稳定性判据;最后,通过两个数值仿真算例验证了所得结论的实用性和正确性.仿真结果显示系统状态在0.5 s便可收敛到平衡状态.研究结果表明:时滞和脉冲干扰强度越大、放大函数越小,则神经元状态的指数收敛速度越慢.      

具有输入时滞的二轮自平衡车自适应滑模控制

对具有输入时滞的二轮自平衡车系统, 设计了一种自适应滑模控制算法; 采用拉格朗日函数建立二轮自平衡车系统的动力学数学模型, 并在系统模型中考虑实际中存在输入时滞, 以及在处理输入时滞时所引入的未知扰动; 对变换后的输入矩阵做奇异值分解, 进一步设计了对扰动参数具有自适应估计能力的自适应滑模控制器; 基于Lyapunov稳定性理论, 保证了闭环系统鲁棒渐近稳定; 试验采用陀螺仪MPU-6050以及加速度传感器构成小车姿态检测装置。分析结果表明: 当控制参数较小时, 系统的超调量较小, 然而系统的调节时间较长; 当控制参数较大时, 系统产生了较明显的超调量, 然而系统的调节时间缩短了; 当外加扰动较小时, 车体速度变化小于0.08 m·s-1, 倾角角速度变化小于0.6°·s-1; 当外加扰动较大时, 车体速度变化小于0.10 m·s-1, 倾角角速度变化小于0.8°·s-1; 初始倾角为5°时, 车体速度保持在0.005 m·s-1范围内, 倾角角速度保持在0.022°·s-1范围内; 初始倾角为10°时, 车体速度保持在0.007 m·s-1范围内, 倾角角速度保持在0.031°·s-1范围内。可见, 自适应滑模控制算法能在引入适量干扰和不同初始车体倾角的情况下, 使小车自主调整并迅速恢复稳定状态。      

基于模糊补偿的RBF神经网络机械手控制

针对机械手系统的高精度轨迹跟踪控制,提出了一种基于模糊补偿的RBF（radial basis function）神经网络机械手控制方法.该方法首先利用PD（proportional-integral）控制器获得机械手的控制策略,将其输出作为RBF神经网络的输入,并学习得到系统模型;然后运用模糊逻辑补偿器对系统扰动和建模误差进行补偿;最后,在MATLAB/Simulink平台上针对两关节机械臂,进行了有模糊补偿和无模糊补偿系统跟踪的均方根误差测量仿真实验.研究结果表明,两关节机械臂的控制精度分别提高了60.8%和71.4%,本文提出的方法能够解决机械手实际模型很难精确建立的问题,并能对系统未建模部分和扰动部分进行自适应补偿.      

���޵���ѧϰ����ѵ����������Է���

在实际的快速路交通流系统中,入口匝道的流量和快速路主路的速度都是受限的,因此在对快速路交通流进行控制时考虑这些限制十分必要. 基于迭代学习控制的快速路入口匝道控制是近年来快速路控制领域的一个研究热点,然而,至今为止还没有在输入和状态同时受限情况下的相关收敛性分析. 本文首先介绍了快速路交通流模型,并将交通密度控制转化为输出跟踪问题;然后通过严格的数学分析证明了在入口匝道流量受限和主路速度受限的情况下,基于迭代学习控制的入口匝道控制仍然能保证交通流密度收敛于期望密度;最后通过仿真研究验证了该方法在受限情况下能达到很好的控制效果.     

基于特征重整及优化训练的遮挡人脸识别算法

以ResNet50网络为基础网络,提出了使用信息熵的权重特征对池化层的信息进行优化,在不增加额外参数的情况下使得网络特征提取更加充分;同时提出了改进型PSO(粒子群)算法对卷积网络误差反向传播阶段进行优化,通过比较GSA(引力搜索)优化前后最优粒子的适应度函数值,以此确保每次迭代中获得全局最优粒子.实验结果表明本文提出的方法有助于人脸的识别,尤其是在遮挡人脸的识别中,同时优化后的网络的训练收敛速度和识别速度也有了明显提升.     

网络控制系统的时延估计和自适应预测控制

提出了基于最小二乘支持向量机（LS-SVM）的网络时延预估网络控制系统（NCS）的自适应预测控制方法．先将网络时延转化为非线性时间序列，再用径向基函数（RBF）作为LS-SVM的核函数，建立NCS的时延预测模型．用通过该模型预测的时延设计自适应控预测制器，补偿和控制NCS的时延．仿真结果表明，该时延预测方法对NCS的随机时变时延有较高的预测精度，根据预测的时延设计的控制器能使系统的输出很好地跟踪期望的输出．     

A Reduced Complexity Time-Delay Tracking and Channel Estimation for OFDM Systems

Introduction OFDM[1]is a special case of multicarrier trans-mission, where a single datastream is transmittedover a number of orthogonal subcarriers. Becausethe symbol duration increases for the lower rateparallel subcarriers, the relative amount of disper-sion in time caused by multipath delay spread is de-creased. Intersymbol interference is eliminated al-most completely by introducing a guard time in ev-ery OFDM symbol. Due to these advantages,OFDM is widely exploited for the communica…     

峰峰值自适应延迟反馈混沌控制算法的改进

研究了混沌控制理论的时滞反馈控制算法及在该算法基础上改进的峰峰值自适应延迟反馈控制算法,得出以上算法在测量受到噪音干扰情况下,信号的峰值很难准确确定,而且控制稳定后,所得到的周期轨道不能很好重叠等不足,本文提出一种修正的峰峰值自适应延迟反馈算法,该算法通过事先给定延迟时间的变化阈值,来消除在自适应调节延迟时间过程中因测量误差带来的延迟时间的小幅波动,使轨道达到稳定的时间减小.最后使用该方法对自治Rossler系统进行控制,并用Matlab/Simulink工具箱对该系统进行了仿真验证.     

Robust buffer management mechanism in quality of service routers

Active queue management (AQM) is essentially a router buffer management strategy supporting TCP congestion control. Since existing AQM schemes exhibit poor performance and even instability in time delay uncertain networks, a robust buffer management (RBM) mechanism is proposed to guarantee the quality of service (QoS). RBM consists of a Smith predictor and two independent controllers. The Smith predictor is used to compensate for the round trip time (RTT) delay and to restrain its negative influence on network performance. The main feedback controller and the disturbance rejection controller are designed as proportional-integral (PI) controller and proportional (P) controller by internal model control (IMC) and frequency-domain analysis respectively. By simulation experiments in Netwrok-Simulator-2 (NS2), it is demonstrated that RBM can effectively manage the buffer occupation around the target value against time delay and system disturbance. Compared with delay compensation-AQM algorithm (DC-AQM), proportional-integral-derivative (PID) algorithm and random exponential marking (REM) algorithm, the RBM scheme exhibits the superiority in terms of stability, responsiveness and robustness.     

Delay Restoration of Single-Track Railway Rescheduling

On the basis of analysis of the principle of delay restoration in a disturbed schedule, a heuristic algorithm for rescheduling trains is developed by restoring the total delay of the disturbed schedule. A discrete event topologic model is derived from the original undisturbed train diagram and a back propagation analysis method is used to label the maximum buffer time of each point in the model. In order to analyze the principle of delay restoration, the concept of critical delay is developed from the labeled maximum buffer time. The critical delay is the critical point of successful delay restoration. All the disturbed trains are classified into the strong-delayed trains and the weak-delayed trains by the criterion of the critical delay. Only the latter, in which actual delay is less than its critical delay, can be adjusted to a normal running state during time horizon considered. The heuristic algorithm is used to restore all the disturbed trains according to their critical details. The cores of the algorithm are the iterative repair technique and two repair methods for the two kinds of trains. The algorithm searches iteratively the space of possible conflicts caused by disturbed trains using an earfiest-delay-first heuristics and always attempts to repair the earliest constraint violation. The algorithm adjusts the weak-delayed trains directly back to the normal running state using the buffer time of the original train diagram. For the strong-delayed trains,the algorithm uses an utility function with some weighted attributes to determine the dynamic priority of the trains, and resolves the conflict according to the calculated dynamic priority. In the end, the experimental results show that the algorithm produces ＂good enough＂ schedules effectively and efficiently in disturbed situations.     

快速路系统反馈控制器设计及算法

为了提高快速路系统的利用效率,设计了一个反馈控制器,提出了反馈控制器的迭代求解算法,控制器能实时跟踪车辆的密度,并与所期望的密度进行比较,把误差反馈给车辆,通过给车辆发布恰当的速度命令来控制车辆运行,使实际车辆密度收敛于期望密度。仿真计算结果表明:算法取4次迭代时的车辆密度与运行速度最大相对误差为0.32%,平均耗时为0.32 s,因此,设计的控制器使交通流运行趋于平稳,减少了车辆延误,从而提高了系统利用效率。     

基于车载视觉的行人检测与跟踪方法

为提高城市交通环境下车辆主动安全性,保障行人安全,提出了基于车载视觉传感器的行人保护方法. 利用Adaboost算法实现行人的快速检测,结合Kalman滤波原理跟踪行人,以获取其运行轨迹.该方法利用离散 Adaboost算法训练样本类Haar特征,得到识别行人的级联分类器,遍历车载视觉采集的图像,以获取行人目 标;结合Kalman滤波原理,对检测到的行人目标进行跟踪,建立检测行人的动态感兴趣区域,利用跟踪结果分 析行人的运行轨迹.试验表明:该方法平均耗时约80ms/帧,检测率达到88%;结合Kalman滤波原理跟踪后,平 均耗时降到55ms/帧,实时性较好.      

现场总线控制系统时延特性及控制

分析了现场总线控制系统前向通道和反馈通道的传输时延特性，针对执行器的工作方式推导了线性被控对象在时间驱动方式下和在事件驱动方式下的离散时间模型，提出了2种现场总线控制系统的控制方法，1种是将随机时延转化为固定时延，进而对固定时延进行补偿；另1种是直接处理随机时延，这2种方法互为补偿，可有效地消除时延对现场总线控制系统性能的不良影响。     

两自由度并联机器人的RBF神经网络辨识自适应控制

针对平面两自由度五杆并联机器人的轨迹跟踪问题,提出了一种基于RBF神经网络的自适应PID控制方法.该控制方案利用RBF神经网络自适应学习辨识并联机器人系统的未知非线性动态,可以在线调整PID控制参数以实现高精度控制.仿真结果显示该控制策略可以精确实现对于并联五杆机器人的轨迹跟踪控制,该方法的自适应性和跟踪性能均优于传统的PID控制.