线性奇异系统混杂反馈H_∞鲁棒控制

利用混杂状态反馈控制方法研究了线性奇异系统、线性时滞奇异系统的H∞镇定问题。在假定每个单一的控制器均不能使系统稳定且具有H∞扰动衰减度的条件下,利用凸组合条件给出了切换律的设计方案,通过在有限个控制器间的切换得到了镇定的充分条件。     

带有不确定性的异步中立时滞系统的鲁棒镇定

研究一类基于异步切换的带有不确定性的中立时滞系统的鲁棒控制镇定问题．通过构造不同的Lyapunov泛函,基于平均驻留时间得到了闭环系统指数稳定的的充分条件,然后给出系统鲁棒镇定的控制器设计方法。     

一类不确定时滞系统的同时镇定

该文所研究的问题是设计一个公共的状态反馈控制器,同时镇定一组时滞不确定线性系统。文章给出了同时镇定状态反馈控制器存在的一个充分条件,并且基于Lyapunov-Krasorvskii泛函方法给出了状态反馈控制器的构造方法,通过求解一个线性矩阵不等式得到了控制器的设计方法.     

一类具有时滞的Cohen-Grossberg神经网络的稳定性

文章考查一类具有时滞的Cohen-Grossberg神经网络的动力学性质,给出具有时滞的Cohen-Grossberg神经网络的全局渐近稳定性的判据.     

基于线性矩阵不等式的时滞广义系统的稳定性与镇定

研究了时滞广义系统的稳定与镇定问题.利用广义二次稳定和广义二次镇定的概念,应用线性矩阵不等式方法分别给出了时滞广义系统广义二次稳定和广义二次镇定的充要条件,它们都是一严格的线性矩阵不等式,同时给出了相应的控制器表达式.最后,举例说明了给出方法的应用.     

关联大系统的时滞相关镇定新判据

本文研究了具有n2个未知常时滞的关联大系统的时滞相关镇定问题,通过构造适当的Lyapunov-Krasovskii泛函,结合自由权矩阵方法,获得基于线性矩阵不等式结果的可分散反馈镇定的充分条件,并给出状态反馈控制器的设计方案,最后用数值例子验证所得结论的有效性。     

含时滞不确定线性系统的输出鲁棒镇定

研究了含时滞的不确定系统的输出反馈鲁棒镇定问题，该系统同时含有时变状态时滞和时变控制时滞，所构造的控制器增益矩阵包含在两个Hamiltonina矩阵中。所给镇定的充分条件易于检测，控制器有易于设计的特点。     

脉冲函数含时滞的脉冲切换系统指数稳定性

本文主要研究了一类脉冲函数具有分布时滞的脉冲切换系统的全局指数稳定性.针对这类系统,主要利用共同Lyapunov函数方法,结合平均驻留时间和Halanay不等式等技巧,给出了脉冲时滞切换系统全局指数稳定的一个判据,这表明了带脉冲的时滞切换系统的全局指数稳定性与脉冲作用的强度有关.最后通过一个数值仿真例子验证了所获定理的正确性和有效性.     

具有变时滞的随机神经网络的同步控制

本文研究了一类具有变时滞的随机神经网络的同步控制问题,根据Lyapunov稳定性理论结合线性矩阵不等式技巧,通过构造含时滞状态反馈控制器,得到了随机时滞神经网络同步的一个充分条件．     

一类时滞连续时间神经网络的稳定性

研究了具有时滞的连续时间神经网络的稳定性问题;通过使用不等式分析技巧和微分方程性质,利用常数变易法,获得了一类时滞连续时间神经网络的平衡点的K-全局渐近稳定性与K-全局指数稳定性的易于验证的时滞相关充分条件．     

一类非线性不确定系统的多通道鲁棒故障诊断

针对一类含有状态时滞和扰动的非线性不确定系统,研究了一种基于状态估计的执行器故障诊断方法。在通过变换得到等价系统的基础上,构造全阶时滞观测器(TDO),削弱外扰影响,并利用神经网络设计的故障估计器在线估计出系统故障,实现多通道诊断,最后采用域值处理技术提高故障估计的鲁棒性。仿真示例表明了该方法的有效性。     

模糊RBF神经网络在纯滞后系统中的应用

在工业过程控制系统中,许多被控对象具有纯滞后的性质,这种纯滞后环节将导致系统不稳定。针对这种情况设计了一种控制器,这种控制器结合了模糊控制和神经网络控制的优点,可以在线调整得到一组最优的PID控制参数。仿真结果表明这种控制器结构简单,对纯滞后系统的控制效果良好。     

基于车流量的信号灯及车道数智能调节系统设计

针对城市道路交通流的不确定性和随机波动性,应用基于BP神经网络算法和韦伯斯特模型来优化城市道路,提高车辆通行效率。利用神经网络算法较高的预测精确度对交通流进行预测,并以此预测结果为基础,提前对导向可变车道进行变换,由此提高了道路的空间利用率;然后依据车道属性改变后的数据,运用改进后的韦伯斯特模型计算信号灯配时参数,并结合当前道路的具体状况来优化红绿灯配时,由此提高了路口的时间利用率。以合肥市某交叉路口交通流量数据对提出的方法进行测试,验证了该方法的有效性。     

任意转换下带有未知迟滞的随机非线性系统自适应跟踪控制方案

主要研究了任意转换下带有未知迟滞的随机非线性系统的自适应跟踪控制问题。采用变量分离方法对状态变量进行分解,使其在任意转换之下逼近于一个光滑函数。通过把径向基函数神经网络普遍近似性能与自适应反步法相结合,构造出一个在任意转换之下的自适应神经控制算法。所设计的控制器保证了所有闭路系统信号半全局一致有界,并且,跟踪误差最终收敛到一个原点小邻域内,提出的方案更好地保证了在任意转换之下系统的稳定性。     

基于模糊PID控制的主动队列管理算法研究

针对网络系统具有长时滞和动态变化的特性,但PID控制器不能随着变化的网络环境在线调节参数的缺陷,引入模糊PID算法在线整定PID参数,通过模糊控制器自动调整PID参数。仿真实验结果表明,用该方法设计的控制器与PID算法相比,动静态性能更好。     

Multi-agent reinforcement learning using modular neural network Q-learning algorithms

1 Introduction Reinforcement learning is a machine learningmethod for agents to acquire the optimal policyautonomously from the environment of their behaviors.When an action is executed, the agent receives areinforcement signal by interacting with theenvironment. This technology has recently been used inmany fields, such as robot control [1], artificialintelligence [2], especially multi-agent system [3,4].Generally, when the state space of the environment issmall enough and all states can be e…     

基于粒子群算法优化的城市供水量预测模型研究

鉴于BP神经网络、RBF神经网络在城市供水量预测精度上的不足,利用粒子群算法优化两者相关参数,实现更高预测精度,并通过建立BP神经网络、RBF神经网络、PSO-BP神经网络、PSO-RBF神经网络分别对城市供水量数据进行仿真预测。最终测试样本统计结果显示：RBF神经网络比BP神经网络平均相对误差（MRE）低约1%,在拟合度（R2）上高约0.014;PSO-BP神经网络比BP神经网络在MRE上降低约1.25%,在R2上提高约0.05;PSO-RBF神经网络比RBF神经网络在MRE上降低约0.3%,在R2上提高约0.072。由此说明RBF神经网络比BP神经网络在城市供水量预测方面更有优势,并且利用粒子群算法优化神经网络模型参数可有效提升神经网络预测精度。     

引入双循环机制深度学习模型的文本情感分析

深度神经网络模型通常使用注意力机制或融合卷积神经网络来提取特征,但由于注意力机制抓取的特征过于单一,存在提取特征不完善的问题。 将循环机制引入卷积神经网络中,构建了具有双循环结构的网络模型(DRCNN),从而改善模型的特征提取能力,将其与双向长短期记忆网络结合,提出一种带有注意力机制、特征提取能力更强的混合模型(BiLSTM-DRCNN)并应用于情感分类任务中。通过情感分类的实验分析表明,BiLSTM-DRCNN 神经网络模型具有比较好的性能,与融合卷积神经网络(CNN)和双循环长短期记忆神经网络(BiLSTM)模型相比,综合评价指标提高2%以上;与BiLSTM-CNN、Fusion Model 模型相比,综合评价指标提高了近1%,且收敛速度更快。     

同时时延和数据包丢失的NCS指数稳定性分析

文章针对网络时延和数据包丢失同时存在的情况下,将网络控制系统建模为具有事件约束条件的异步动态系统,利用李雅普诺夫函数和线性矩阵不等式原理,提出了网络控制系统指数稳定性的充分条件,并通过求解矩阵得出系统指数稳定的状态反馈控制律。最后的仿真表明该条件是有效的。     

RBF神经网络改进模型在医学生UPI中的仿真研究

采用概率竞争和RBF(Radial-based Function Method)相结合的神经网络模型,研究UPI(UniversityPersonality Inventory大学生心理健康清单)多变量非线性诊断指标和分类标准的内在联系。提出了一种UPI辅助诊断的概率竞争型RBF神经网络的解决方案,把UPI数据作为概率竞争和RBF神经网络改进模型的输入,构建2层改进的RBF神经网络仿真模型。实验结果显示,综合运用概率竞争和RBF神经网络的方法能使UPI分类达到较好的效果。构建的概率竞争神经网络模型用于UPI的辅助诊断是可行的。