两轮自平衡机器人的自适应模糊平衡控制

在两轮自平衡机器人系统的平衡控制中,为解决因所建立的数学模型不准确和存在未知干扰而影响控制性能的问题,设计了一种自适应模糊控制方法。首先,运用牛顿力学法建立了系统在斜坡上运动的数学模型。针对所建动态模型的非线性,提出采用单点模糊化、乘积推理机和中心平均解模糊化的方法构建了自适应模糊逻辑控制器,然后通过李雅普诺夫稳定性分析的方法,导出控制器的自适应律。在MATLAB/Simulink中,对自适应模糊控制的两轮自平衡机器人的平衡情况进行了仿真,结果表明,提出的自适应模糊控制器可以实现系统平衡,并具有自适应能力和鲁棒性,为两轮机器人优化控制提供了依据。

优化加权多视角K-means聚类算法

现存的多视角聚类算法能够充分利用多个视角的信息进行聚类,因而其聚类效果较单视角聚类算法更优,但是绝大多数多视角聚类算法在聚类过程中为各个视角赋予了同等的权重值,这对于划分不明确的视角,会严重影响聚类的最终结果。目前的加权K-means聚类算法在面对多视角聚类任务时,能解决上述权重的取值分配问题,但其权重在迭代过程中会出现除以零错误,造成相关视角的丢失。针对这个问题,提出了一种优化加权多视角K-means聚类算法(MKSC)。该算法给每个视角分配权重,利用加权策略有效地控制各个视角的重要程度,通过引入常数对每个视角的权重进行优化,使用K-means进行聚类。通过基于人工数据集和真实数据集的实验对该算法进行验证,实验结果表明该算法较已有的多视角聚类技术具有更好的聚类性能。