基于观测器的非线性系统神经网络鲁棒控制

提出一类不依赖于模型的状态观测器,通过分析其根轨迹和极点要求配置合适的参数,该观测器本身是一个能提取高阶微分的高阶微分器.基于Lyapunov稳定性理论设计了使闭环系统渐近稳定,对模型变化和扰动具有鲁棒性的神经网络自适应控制器.该控制器不仅考虑了闭环系统的输出和设定输入误差的微分,而且考虑了误差的高阶微分,从而提高了控制品质.最后通过仿真例子验证了所提出理论的正确性.

基于DESO运动预测的模板匹配算法

针对战车目标自动跟踪火控系统对跟踪算法实时性、抗遮挡性要求高的特点,提出了一种基于DESO运动预测的模板匹配算法。该算法通过使用DESO对目标的运动轨迹进行预测,减少了目标的搜索范围,缩短了算法的运算时间。同时,遮挡判断和处理的增加使算法的鲁棒性得到了增强。实验结果表明与基于其他滤波算法的模板匹配算法相比,该算法具有不依赖于目标运动模型,预测精度高,实时性好,抗遮挡能力强的优点。

基于混沌遗传的DESO参数整定算法

微分扩张状态观测器作为自抗扰控制技术的核心之一,具有很好的滤波性能,在目标跟踪领域可以很好地实现对目标运动轨迹的预测。针对DESO参数多且难以整定的问题,提出了基于混沌遗传的参数整定算法。算法有效提升了遗传算法的寻优能力,提高了算法的收敛速度,在一定范围内能够求得的全局最优解,满足对多种运动模型的滤波精度要求。仿真实验结果证实了所提算法的可行性和有效性,并表明通过混沌遗传算法整定出的DESO参数具有很强的鲁棒性。

基于DESO的Mean Shift目标跟踪算法研究

将基于DESO的运动预测算法和Mean Shift算法相结合,形成一种新的基于Mean Shift的快速目标跟踪算法.该算法以DESO预测位置作为MeanShift算法下一帧候选模型的计算中心,实现了对快速运动目标的跟踪,并通过DESO对目标运动轨迹进行预测,较好地解决了目标完全遮挡时的跟踪问题.实验结果表明,该算法具有预测精度高、实时性好、抗遮挡能力强的优点.