面向模型未知的冗余机器人运动规划方案

为解决模型未知的冗余机器人运动规划问题,提出一种基于梯度下降的学习方案,使用数据驱动技术将冗余机器人的末端执行器速度及关节角速度作为系统输入量,将冗余机器人各关节控制信息作为系统输出量,使用梯度信息最小化估计误差以得到雅克比矩阵的估计值.基于该方案设计了一种加速度层的冗余机器人运动规划方案.理论分析和数值仿真结果均证明该方案能有效控制模型未知冗余机器人完成运动规划任务.

一类模型未知系统的辨识和混沌化控制(英文)

对于一类模型未知的非混沌系统采用模糊神经网络辨识其动力学特性 ,将得到的模糊神经网络辨识模型应用于逆系统方法中 ,实现了一类模型未知非混沌系统的混沌化控制 .该方法不依赖于被控对象的数学模型 ,就可以进行有效控制 .研究了模糊神经网络辨识误差对控制精度的影响 ,证明了适当设计参数可以使由辨识误差引起的控制误差小于辨识误差 .针对连续和离散两类系统的仿真研究证明了该方法的有效性 .

一种基于未知模型的广义预测控制算法

研究未知被控对象具有动态调整、参数时变以及受到外界干扰时,采用广义自适应预测控制算法(GPC)对系统进行控制。运用基于CARMA模型的参数在线动态辨识,在线时实算出未知对象的参数模型,再运用预测控制算法,计算出当前的控制量;再滚动优化,使未知系统具有良好的控制性能。并且通过Matlab分析仿真证明了广义预测控制的全局稳定性、收敛性和鲁棒性。

一类未知噪声模型的图像去噪方法

图像中包含噪声不仅会降低图像质量,而且严重影响后续相关算法的有效性。高效稳健的去噪方法对于各类信号处理非常重要。为了改善实际夜间远程拍摄图像的质量,引入五种图像降噪方法。首先在合理推导噪声模型的基础上,引入Kalman滤波器去除夜空图像背景噪声;然后分别进行中值滤波、均值滤波、维纳滤波和无参估计的均值漂移算法去除实际夜空图像噪声;最后分析比较五种去噪方法,并给出不同算法的信噪比与峰值信噪比。实验结果:五种降噪方法虽不同程度地降低了夜空图像噪声影响,但均值漂移算法较好地保持了图像有用信息和边缘特征,而且算法不需考虑噪声模型。结论:均值漂移算法展示出在这一类未知噪声模型的夜空背景降噪中的优势。

未知状态模型下基于高阶容积卡尔曼滤波和神经网络的状态估计算法

针对非线性系统状态模型未知的情形,提出一种基于高阶容积卡尔曼滤波和神经网络的状态估计算法,解决了未知非线性系统模型的状态估计问题。在算法的实现过程中,首先利用神经网络对非线性系统建立状态空间模型,然后把神经网络的权重和系统的状态变量组合在一起作为新的状态变量,并采用高阶容积卡尔曼滤波对新的状态进行实时更新,从而达到神经网络对非线性系统模型的真实逼近以及对状态值的精确估计。最后的目标跟踪仿真表明,该算法具有更高的估计精度。

未知动力学模型的化学反应过程的解析

采用迭代目标转换因子分析法(ITTFA)解析动力学模型未知的化学反应过程中的动力学-光谱数据矩阵,获得了各组分的动力学谱.基于体系中各组分间的等吸收点等光谱特征,提出并建立了一种新的初始迭代矢量的方法.利用该方法解析了动力学模型未知且各组分均有吸收的两步连续反应的模拟数据矩阵,并对最终产物无吸收的水杨酸水溶液电降解反应过程中测得的数据矩阵进行解析,获得了可靠的结果.

带未知模型参数和衰减观测率系统自校正分布式融合估计

研究了带未知模型参数和衰减观测率多传感器线性离散随机系统的信息融合估计问题.在模型参数和衰减观测率未知的情形下,应用递推增广最小二乘(Recursive extend least squares,RELS)算法和加权融合估计算法提出了分布式融合未知模型参数辨识器;应用相关函数对描述衰减观测现象的随机变量的数学期望和方差进行在线辨识.将辨识后的模型参数、数学期望和方差代入到最优分布式融合状态滤波器中,获得了相应的自校正融合状态滤波算法.应用动态误差系统分析(Dynamic error system analysis,DESA)方法证明了算法的收敛性.仿真例子验证了算法的有效性.

基于自适应模糊补偿的机械手鲁棒滑模控制

本文提出了一种基于自适应模糊补偿的机器人机械手鲁棒滑模控制方法,以解决柔性机械手动力学方程复杂、外部扰动和模型不确定性的挑战。该方法用于设计非线性系统的控制器。通过采用模糊系统,实现对机器手模型未知部分的自适应逼近,从而提高系统对外部扰动和不确定性的鲁棒性。通过Matlab/Simulink仿真结果表明,基于自适应模糊补偿能够实现控制系统稳定,可有效降低模糊增益。

未知模型检测中的参数优化方法

针对数字图像源辨识中的未知模型检测问题,笔者提出了一种参数优化方法。参数优化方法中,首先定义两个指标未知模型准确率和已知模型正确率,其次利用这两个指标得到训练集的数据标记情况,最后通过标记数据集的小部分数据作为伪未标记数据介入参数优化算法中,以此模拟未标记数据集中的已知模型正确率,进而选择K近邻算法中的最优参数K。

基于均差估计二变量Meta-分析的未知不相等方差模型

本文介绍基于均差估值的二变量Meta-分析的未知不相等方差模型,通过极大似然估计法给出效应量及方差估计,进而得到各研究均值效应量协方差矩阵的估计量。然后,通过基于均差效应量二变量Meta-分析的固定效应模型给出了合并均差统计量Doverall的具体形式和权重。进而得到了Doverall的协方差矩阵和两个变量的(1-α)100%置信区间。

多传感器系统模型参数和噪声统计的一种信息融合辨识方法

对于带有未知模型参数和未知相关噪声统计的多传感器随机系统,基于ARMA新息模型,利用相关方法,用平均局部的模型参数和噪声统计估值器的方法,提出了模型参数和噪声统计信息的在线信息融合估计器,它们可以被解释为最小二乘融合估计,并证明了相应的辨识器具有强一致性,即以概率1收敛于相应的真实值。一个2传感器系统的仿真例子说明其有效性。

基于交互式多模型滤波的船体变形惯性测量方法

基于惯性测量单元的匹配滤波算法是测量船体变形的发展趋势,然而在实际航行中,船体变形模型参数是未知或存在不确定性,模型参数的这一特性对滤波估计结果影响较大。针对此问题,利用"速度+角速度"匹配算法分析了模型参数未知对滤波估计效果的影响,引入交互式多模型卡尔曼滤波方法,利用不同模型参数的似然函数进行概率分配。最后通过仿真对提出的方法进行了验证,结果表明,与传统卡尔曼滤波相比,估计精度提高了5%~10%,收敛时间提高了1倍,动态变形角的收敛时间在10 s以内,静态变形角的收敛时间在5s以内,提高了系统的环境适应性。

未知杂波环境下的多目标跟踪算法

提出了一种未知杂波环境下的多目标跟踪算法.该算法通过有限混合模型(Finite mixtrue model,FMM)建立多目标似然函数,其中混合模型参数可通过期望极大化(Expectation maximum,EM)算法及模型合并与删除技术得到.由估计的混合模型参数可进一步得到杂波模型估计、目标个数估计以及多目标状态估计.类似基于随机有限集(Random finite set,RFS)的多目标跟踪算法,该算法也可避免目标与测量的关联过程.仿真实验表明,当杂波分布未知并且较复杂时,本文算法的估计效果要明显优于未进行杂波拟合时的多目标跟踪算法.

面向未知自相关过程的Bootstrap控制图设计

针对自动化生产中,通过拟合自回归滑动平均模型(ARMA)建立残差控制图监控未知自相关过程数据时,存在误报率高的问题,提出一种基于Bootstrap的方法,通过重构样本,对原始数据建立非参数控制图。在考虑不同的模型系数、偏移大小、样本个数及残差分布类型的情况下,通过蒙特卡洛模拟,比较传统残差控制图和新控制图的平均运行链长(ARL),证明新控制图提高了对过程偏移的灵敏度,降低了误报率。实际应用中,新的Bootstrap控制图在仅获取一组Phase-I阶段的受控数据样本下即可生成,受所取样本个数的影响较小,且直接用于监控原始数据,适用范围广,操作简便。

有结构变化的半参数回归模型

结合半参数回归模型和含未知变点的结构变化模型提出一个新的模型—有结构变化的半参数回归模型,给出了新模型的有关参数β,β*,γ,k的加权最小二乘估计和f(t)的核估计,证明了参数β,β*γ的估计的√n-相合性,强相合性,讨论了模型的检验等问题,并进一步通过随机模拟验证了新模型的优越性.

有结构变化的半参数回归模型及其级数估计

结合半参数回归模型和含未知变点的结构变化模型,提出一个参数和非参数分量同时存在结构变化的新模型——有结构变化的半参数回归模型.在新模型非参数分量的级数估计基础上,得出模型参数的最小二乘估计,进一步推得条件期望函数估计的收敛速度及其渐近正态性.随机模拟结果表明,本文的新模型及估计方法具有广泛的适用性和灵活性.

虚拟研发团队成员间信任度的未确知测度评价模型设计

本文通过构建虚拟研发团队成员间信任度的评价指标体系,设计出未确知测度评价模型、信息熵确定指标分类权重并应用置信度识别准则,对虚拟研发团队成员间信任度进行符合客观实际的评价,从而能够更直观、更合理地分析评价虚拟研发团队成员间信任关系程度。

基于无模型强化学习的雷达波束多阶段管理方法

火控雷达(FCR)工作时常常面临转发式干扰的挑战,考虑二者间多阶段对抗场景,针对未知环境模型下雷达波束多阶段管理问题,提出了一种基于无模型强化学习的波束驻留时间优化方法。首先,建立了未知环境模型下的马尔可夫决策过程,用于多阶段波束驻留时间优化,为了评价雷达探测的性能,以FCR对目标锁定时间的期望为评价标准;然后,为克服未知环境模型的挑战,提出了一种面向多阶段波束驻留时间优化的强化学习框架,并在此基础上提出了一种基于Q学习的驻留时间优化方法;最后,通过数值仿真验证了该方法的有效性。

基于强化学习的四旋翼无人机鲁棒协同控制

基于强化学习方法,解决了异构四旋翼无人机集群的无模型鲁棒最优编队控制问题.考虑每架四旋翼无人机为受到未知动态模型和外部干扰等因素影响下的非线性欠驱系统.提出一种完全分布式观测器,利用局部信息,为无人机集群生成参考信号,以实现期望的飞行编队.基于强化学习方法,在不需要无人机动态信息条件下,设计鲁棒最优位置控制器和鲁棒最优姿态控制器.通过理论分析和仿真验证了所提编队控制算法的有效性.

引入积分补偿的四旋翼确定性策略梯度控制器

为实现四旋翼无人机位置姿态的自主智能控制,结合强化学习中深度确定性策略梯度算法设计无人机智能控制器,对该控制器在四旋翼位置跟踪过程中出现静差的现象进行分析,提出带积分补偿的改进深度确定性策略梯度算法。仿真结果表明,引入积分补偿的改进深度确定性策略梯度控制器能够实现四旋翼位置姿态的自主稳定控制,位置误差为零,在奖励函数变化后控制过程依然保持平稳,表明积分补偿的加入能够有效消除位置跟踪静差,提高控制的准确性,增强系统的稳定性。