基于扩张状态观测器的永磁同步电机重复学习控制

本文针对非参数不确定永磁同步电机系统,提出一种基于扩张状态观测器的重复学习控制方法,实现对周期期望轨迹的高精度跟踪.首先,将永磁同步电机中的非参数不确定性分为周期不确定与非周期不确定两部分.其次,构造包含周期不确定的未知期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定.在此基础上,设计扩张状态观测器,估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性.与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内.最后,基于李雅普诺夫方法分析误差的收敛性能,并给出仿真和实验结果验证本文所提方法的有效性.

融合自注意力机制改进ResNet的图像分类方法

为解决在大数据集的图像分类任务上,卷积神经网络因缺乏全局信息导致识别准确率受限制的问题,提出将自注意力机制引入卷积神经网络。首先,通过卷积神经网络提取图像特征、改进自注意力模块;其次,基于卷积运算计算注意力的CA模块重构特征图,以突出重要特征并抑制一般特征,为网络加入全局信息;最后,在输出层Avgpool后引入Dropout层减少过拟合,提升模型鲁棒性和泛化性能。在公开数据集ImageNet-1K、Oxford 102 Flowers和CIFAR-100的实验表明,所提方法识别准确率相较于ResNet50分别提升1.8%、0.72%和13.7%,相较于ResNet50模型的识别性能更优。

一类非参数不确定系统的自适应神经网络重复学习控制

本文针对一类非参数不确定系统提出一种自适应神经网络重复学习控制方法。利用期望轨迹的周期特性,构造周期性期望控制输入,并设计重复学习律估计未知期望控制输入并补偿系统周期不确定,实现系统对期望轨迹的高精度跟踪。在此基础上,利用神经网络估计系统未知状态和补偿非周期性不确定,进而提高系统鲁棒性。与已有的部分限幅学习律相比,本文提出的全限幅重复学习律可以保证估计值的连续性且能够被限制在指定的界内。最后,基于Lyapunov方法分析误差的收敛性能,并给出仿真结果验证了本文所提方法的有效性。