中腹摆弹臂的递归学习输入成形振动抑制方法

改变传统大口径舰炮旁侧路的复杂供弹模式,提出了一种应用中心单线摆弹机理的中腹供弹方式,针对中腹摆弹机构的动力特性分析,在摆弹臂变形场的描述中计及了纵向变形的二次耦合项,建立了中腹摆弹臂的一次近似刚-柔耦合动力学模型;并提出了基于一次近似理论的递归学习输入成形控制方法,联合PD反馈控制对中腹摆弹臂残余振动的抑制进行了研究,通过对不同射角下中腹摆弹臂残余振动控制的数值仿真,表明递归学习输入成形方法对大变形情况下中腹摆弹臂的振动具有显著的抑制效果.

递归学习寻找对称变量

逻辑验证和逻辑综合中 ,利用对称变量的性质能提高算法整体的效率 .通常 fxixj=fxjxi被用来检验变量的对称性 .一般先分别建立 fxixj和 fxjxi的 BDD( Binary Decision Diagram)二分决策图 ,然后通过检查两 BDD图是否同构来验证 fxixj=fxjxi.但将电路转化为 BDD图本身就需要一定的时间 ,而且对于大的电路 ,存在 BDD图不能建立的可能性 ,致使同构验证无法进行 .本文利用递归学习 ,无需建立 BDD图直接在电路拓扑图上验证 fxixj=fxjxi.递归学习算法执行效率高 ,可以大大缩减对称变量检测的过程 .试验结果表明 ,利用递归学习算法检测对称变量执行时间减少 ,并且能将大的电路作为检测对象 .

基于Elman网络和实时递归学习的洪水预报研究

流域洪水形成过程异常复杂且动态变化,一般难以用传统的静态神经网络进行描述。然而,具有反馈连接的动态神经网络能够很好地反映洪水过程这种动态变化特征。为此,研究基于Elman动态网络构建流域洪水预报模型,采用具有在线学习功能的实时递归学习算法进行模型训练,并将所建模型和算法运用于淮河水系响洪甸水库的入库洪水实时预报中。结果表明,所建模型预报精度高,实时性强,能够为流域的防洪决策提供支持。

广义PID实时递归学习算法

利用经典的ＰＩＤ控制思想，在实时递归学习（ＲＴＲＬ）算法基础上，研究了微分项和积分项对目标函数收敛行为的影响．结果表明：只要能动态地调整积分项和微分项，收敛速度就会大大加快且能跨越局部极小值．基于此，提出了改进ＲＴＲＬ算法，包括ＰＩＤ参数自动调整和积分项、微分项动态调整规则．采用遗忘因子有效地解决了过去状态对当前灵敏度过度影响的问题．通过一阶混沌序列预测的仿真表明，文中的算法较之标准ＲＴＲＬ和动量项ＲＴＲＬ算法，有更快的学习收敛速度。

基于递归学习的组合电路等价性检验方法研究

等价性检验方法通常包括功能性和结构性的验证方法。分析了等价性检验的一般方法;并讨论了基于递归学习的组合电路等价性检验方法;算法利用直接蕴含和间接蕴含的方法,解决了布尔可满足问题。实验结果表明了该方法的有效性和可行性。

基于递归学习的静态逻辑电路功耗优化方法

由于影响静态逻辑电路功耗的因素较多,导致功耗的收敛性较低,因此提出基于递归学习的静态逻辑电路功耗优化方法。分别从静态功耗和动态功耗两个角度构建静态逻辑电路功耗模型,并引入了电源电压和电流参量,综合分析在不同电压环境下静态逻辑电路单元延时的标准差和均值。根据获取的延时数据,计算各个单元对应的功耗值。将电路的延时作为递归学习的敏感度函数,采用递归学习的方式实施对静态逻辑电路功耗收敛效果的优化。测试结果表明,设计方法可以实现FPRM逻辑电路功耗和混合极性XNOR/OR电路功耗的快速收敛。

信息不完备小样本条件下离散DBN参数学习

针对信息不完备小样本条件下离散动态贝叶斯网络参数学习问题,提出约束递归学习算法。该方法通过前向算法建立含有隐藏变量的离散动态贝叶斯网络参数递归估计模型,以当前时刻网络参数为变量,构建均匀分布表示的先验参数约束模型。在此基础上利用优化算法获得近似的Beta分布,将该分布下的先验参数信息加入递归估计模型中完成参数学习。通过无人机动态威胁评估模型验证了该方法的有效性和精确性。

基于递归残差网络的遥感图像超分辨率重建

深层网络有效地提高了重建图像的精度,但是拥有大量参数,使训练时间过长。因此,改进了一种基于递归残差网络的遥感图像超分辨率重建算法,将全局残差学习和局部残差学习相结合,有效地降低训练深层网络的难度,并且通过递归学习控制网络参数。实验结果证明了递归残差网络在遥感图像超分辨率重建中的有效性,改进的网络可以获得更好的主观视觉效果以及客观评价指标。

一种新型滑模控制算法在挠性多体卫星姿态控制中的应用

针对一类挠性多体卫星的复合控制问题,提出一种新型滑模变结构控制算法。新型算法利用闭环系统Lyapunov函数的一阶导数估计值设计控制器,且控制器采用了递归学习控制结构,能够有效解决传统滑模控制技术的颤振问题。随后根据Lyapunov稳定性理论证明闭环系统轨迹可以快速收敛到滑模面,并且系统状态误差可在滑模面上渐近收敛到零。此外,设计的控制器能够有效抑制外部干扰,而且控制器只需要控制输入矩阵信息而不需受控系统和未知参数的其他先验信息,使得算法具有较强鲁棒性。最后通过数值仿真与现有文献中控制算法进行对比,结果充分验证了本文设计控制算法的有效性和实用性。

基于NARX网络的无刷直流电机自适应逆控制

针对无刷直流电机(brushless DC motor,BLDCM)非线性的特点,引入了一种基于神经网络的自适应逆控制方法。该方案中,用非线性自回归(NARX)动态网络做为模型辨识器和控制器。辨识器采用了BP(back propagation)算法在线调整参数,并获取被控对象精确的Jacobian信息,再由实时递归学习算法(RTRL)实现对控制器的在线整定。仿真结果表明,方法具有响应速度较快、无超调的优点,且具备较强的自适应性和鲁棒性。

基于小波深层网络的图像超分辨率方法研究

近年来,利用深度网络进行图像超分辨率重建研究已经得到了长足发展,但这些方法仅从图像的空域进行研究,忽略了频域对图像重建的作用。将深度学习与小波变换相结合,提出一种基于小波深度网络的图像超分辨率方法,发挥了小波变换能够提取细节信息的特性与深层网络优异的图像重建性能的双重优势。首先采用小波变换将低分辨率图像分解为四个分量,其次采用全局与局部残差学习及递归学习构建深层网络,利用该网络对分量进行超分辨率重建,继而通过小波逆变换操作得到高分辨率图像。对该方法进行测试,并将结果与其他方法进行比较。实验结果表明,其不仅在客观评价指标上表现良好,还在主观视觉效果方面也有所提升。

全局注意力门控残差记忆网络的图像超分重建

目的随着深度卷积神经网络的兴起,图像超分重建算法在精度与速度方面均取得长足进展。然而,目前多数超分重建方法需要较深的网络才能取得良好性能,不仅训练难度大,而且到网络末端浅层特征信息容易丢失,难以充分捕获对超分重建起关键作用的高频细节信息。为此,本文融合多尺度特征充分挖掘超分重建所需的高频细节信息,提出了一种全局注意力门控残差记忆网络。方法在网络前端特征提取部分,利用单层卷积提取浅层特征信息。在网络主体非线性映射部分,级联一组递归的残差记忆模块,每个模块融合多个递归的多尺度残差单元和一个全局注意力门控模块来输出具备多层级信息的特征表征。在网络末端,并联多尺度特征并通过像素重组机制实现高质量的图像放大。结果本文分别在图像超分重建的5个基准测试数据集(Set5、Set14、B100、Urban100和Manga109)上进行评估,在评估指标峰值信噪比(peak signal to noise ratio,PSNR)和结构相似性(structural similarity,SSIM)上相比当前先进的网络模型均获得更优性能,尤其在Manga109测试数据集上本文算法取得的PSNR结果达到39.19 dB,相比当前先进的轻量型算法AWSRN(adaptive weighted super-resolution network)提高0.32 dB。结论本文网络模型在对低分图像进行超分重建时,能够联合学习网络多层级、多尺度特征,充分挖掘图像高频信息,获得高质量的重建结果。