基于稀疏优化模型的网格逼近

提出了一种新的基于稀疏优化的网格逼近方法,使得三维几何物体可以由用户指定的合理的面片数的平面多边形来近似表示.该方法首先对输入的三维网格的面片法向进行L_0模优化,然后根据优化后的面片法向信息来驱动顶点位置更新.其次,对现有模型进行面片聚类.最后提出了一个基于全局顶点的稀疏优化模型.通过约束聚类边界顶点梯度L_0模最小对网格进行平面多边形逼近.大量的网格简化结果证明了所提出的优化模型与方法的有效性以及稳定性.

关于逼近误差的L_∞范数下界稀疏回归模型辨识

针对来自系统参数、模型结构以及测量数据的不确定性等因素,建模它们的最优下界对实际问题的研究显得尤为重要.基于复杂系统的不确定性测量数据,提出了一种带稀疏特性的最优下界回归模型建模的一种新方法,该方法将逼近误差的L_∞范数思想与结构风险最小化理论相结合,建立求解下界回归模型的最优化问题,应用线性规划独立求解模型参数.其显著特点如下:1)下界输出模型包络了由各种不确定性因素引起的输出,进而提高建模的鲁棒性;2)应用逼近误差的L_∞范数保证下界模型的建模精度;3)融合结构风险最小化理论控制回归模型结构的复杂性,提高模型泛化性能.通过仿真计算分析表明:对来自测量以及参数不确定性的数据,从均方根误差(RMSE)以及支持向量的百分数(SVs%)两个指标论证了提出方法的建模精度和稀疏特性.

基于数字前置滤波器优化的ZPETC在伺服跟踪控制中的应用

在高精度伺服跟踪控制系统中,为使输出响应能完整地跟踪输入指令,不仅要求输出与输入之间的相位差为零,而且要求幅值一致,通常采用零相位误差跟踪控制器(ZPETC)作为前馈控制器,补偿相位误差,但同时也产生一定的增益误差。为改善ZPETC的跟踪性能,提出一种基于L2?范数优化的前馈控制器设计方案,通过选取适当的目标函数,设计出最优的数字前置滤波器(DPF),将此滤波器与ZPETC串联构造成新的前馈控制器。仿真结果表明,采用本文提出的优化设计方案,既补偿了相位误差,又改善了系统的增益性能,从而提高了系统的跟踪精度。

带结构风险最小化的最优区间回归模型辨识

针对来自模型结构、参数以及测量数据的不确定性等因素,传统的辨识方法获取的是确定性数学模型的点输出,其鲁棒性差,易受外界干扰.因此,采用区间输出比点输出更易于实际问题的研究.基于复杂系统的不确定性测量数据以及系统参数的不确定性,提出了最优区间回归模型辨识的一种新方法,该方法将逼近误差的L∞范数思想与结构风险最小化理论相结合,建立求解区间模型的最优化问题,应用线性规划独立求解区间模型的上界和下界模型.该方法在保证模型辨识精度的同时,其泛化性能得到进一步提高.实验分析表明,提出的方法对来自噪声以及参数不确定性的数据,可以从区间模型的辨识精度和泛化性能之间取其平衡.

基于区间T-S模糊模型的自适应故障检测算法研究

针对传统的故障检测方法通常事先人为设定一个健康状况下的确定阈值来实现故障检测,往往不具有故障的自适应检测能力,本文提出了基于区间T-S模糊模型的自适应故障检测方法,即系统在运行过程中的不同时刻,系统无故障状态对应的阈值是不一样的.该方法首先将故障检测的问题转化为基于逼近误差的l1范数最小化的区间模型优化问题,应用线性规划对由T-S模型构成的区间[f L(t),f U(t)]参数进行求解.所建立的区间模糊模型将用于判断故障是否发生.最后,通过Tennessee Eastman(TE)过程论证了提出方法对故障检测的自适应能力和实时性.

最优ZPETC在高精度直线伺服跟踪控制中的应用

在高精度直线伺服跟踪控制系统中,为使输出响应能完整地跟踪输入指令,不仅要求输出与输入之间的相位差为零,而且要求幅值一致,通常采用零相位误差跟踪控制器(ZPETC)作为前馈控制器,补偿相位误差,但同时也产生一定的增益误差.为改善ZPETC的跟踪性能,提出一种基于L2-范数优化的前馈控制器设计方案,通过选取适当的目标函数,设计出最优的数字前置滤波器(DPF).该方案在保持系统零相位误差的同时,改善了系统的增益性能,从而提高了跟踪精度,这一点已得到仿真结果的证明.

最优ZPETC在伺服跟踪控制中的应用

在高精度伺服跟踪控制系统中,为使输出响应能完整地跟踪输入指令,不仅要求输出与输入之间的相位差为零,而且要求幅值一致,通常采用零相位误差跟踪控制器(ZPETC)作为前馈控制器,补偿相位误差,但同时也产生一定的增益误差。为改善ZPETC的跟踪性能,提出一种基于L2-范数优化的前馈控制器设计方案,通过选取适当的目标函数,设计出最优的数字前置滤波器(DPF),将此滤波器与ZPETC串联构造成最优ZPETC。仿真结果表明,该优化设计方案,既补偿了相位误差,又改善了系统的增益性能,从而提高了系统的跟踪精度。

保精度-稀疏特性核回归模型的非线性动态系统辨识

针对一组有限测量数据的非线性动态系统建模方法存在模型结构复杂且易出现过拟合等问题,从建模精度及模型稀疏特性出发,提出了保精度-稀疏特性的核回归模型用于辨识非线性动态系统。该方法将逼近误差的L∞范数思想与结构风险最小化理论相结合,建立求解非线性动态系统所对应的核回归模型优化问题,再应用较简单的线性规划对其求解。提出的方法具有如下三个显著特性:①应用逼近误差的L∞范数最小化可保证非线性动态系统的辨识精度;②引入支持向量回归架构下的结构风险L1范数对模型结构复杂性进行有效控制可保证模型稀疏特性;③模型的泛化性能可通过提出的方法从建模精度与模型稀疏特性之间取其平衡。最后,通过实验分析论证了提出方法在辨识非线性动态系统上的保精度-稀疏特性的合理性与优越性。

保泛化性能的最优上边界回归模型辨识

从控制模型结构复杂性及提高模型辨识精度出发,提出了建模由参数或测量不确定性引起的最优上边界回归模型的一种新方法.首先,将二次规划的支持向量回归(SVR,support vector regression)转化为l1范数的优化问题,用于获取模型结构的稀疏解;其次,建立上边界回归模型的约束条件,并将模型的被估输出与实际输出之间的所有逼近误差最小化,即逼近误差的l1范数最小化问题,来提高模型辨识精度;最后,将l1范数的结构风险与逼近误差的l1范数以及上边界回归模型约束条件相结合构成新的优化问题,应用较简单的线性规划对其求解,得到最优上边界回归模型.提出的方法具有如下三个显著特性:1)应用逼近误差的l1范数最小化,可保证模型的建模精度;2)引入SVR架构下的结构风险l1范数,可保证模型的稀疏特性;3)通过提出的方法从建模精度与模型稀疏特性之间取其平衡,可提高模型泛化性能.通过来自测量数据以及模型参数不确定性的实验分析,论证了提出方法的合理性与优越性.

带稀疏特性的最优区间回归模型辨识方法

传统的系统辨识方法主要是针对确定性数学模型辨识,其输出为确定的点输出,鲁棒性差,易受外界干扰。本文针对此问题,提出了最优区间回归模型(OIRM)辨识的方法。该方法将逼近误差的?1范数思想与结构风险最小化理论相结合,建立求解区间模型的最优化问题,应用线性规划独立求解区间模型的上界和下界模型。实验分析表明,对来自测量以及参数不确定性的数据,从均方根误差(RMSE)以及支持向量的百分数(SVs%)两个指标论证了,提出的方法不仅可以获取最优区间输出,还能确定区间模型的辨识精度和泛化性能之间的平衡。

保精度-稀疏特性的最优上边界回归模型辨识

从建模精度及模型稀疏特性出发,提出了建模最优上边界回归模型的方法。该方法将逼近误差L∞范数思想与结构风险最小化理论相结合,建立求解上边界回归模型的优化问题,应用较简单的线性规划对其求解。提出的方法具有如下显著特性:应用逼近误差的L∞范数最小化可保证模型的建模精度;引入支持向量回归架构下的结构风险L1范数对模型结构复杂性进行有效控制可保证模型的稀疏特性;模型的最优性可通过提出的方法从建模精度与模型稀疏特性之间取其平衡。最后,通过实验分析论证了所提出方法在不确定性测量输出以及系统参数不确定性下的合理性与优越性。