基于高阶递归神经网络的AUV鲁棒控制方法

目的 提出一种基于高阶递归神经网络的AUV鲁棒控制方法。方法 利用结构简单但逼近效果优越的高阶递归神经网络,对建模不确定性和外部未知干扰进行估计,并将其补偿到输入控制律中,以提高控制性能。之后,基于HJI理论和Lyapunov稳定性分析导出神经网络权重自适应更新律和AUV自适应控制律,设计反步滑模方法作为对比方法,并进行仿真实验。结果 设计的基于高阶递归神经网络的AUV鲁棒控制方法的跟踪误差、调节时间等控制指标均优于反步滑模方法。设计的鲁棒控制方法可以控制AUV精确跟踪目标轨迹,同时具有优秀的控制性能和鲁棒性。结论 这一研究为AUV轨迹跟踪控制领域提供了一种高效且有效的方法,有望在复杂、不确定的水下环境中得到应用。

GRAPES-3DVar高阶递归滤波方案及其初步试验

背景误差协方差矩阵B及其逆的求解是三维变分同化研究的核心问题之一。在GRAPES区域三维变分同化系统(GRAPES-3Dvar)中背景误差协方差矩阵的水平变换部分,假定各向同性并进行递归滤波运算。原有方案中采用一阶递归滤波器,但收敛不够迅速,每次循环同化时需滤波10次才能使目标函数收敛。根据Purser等2003年的研究思路,研究发展了针对GRAPES区域三维变分同化系统的高阶递归滤波方案;理想试验结果表明,使用四阶递归滤波仅需运行一次就能使目标函数收敛,滤波后的输出场呈现高斯型分布,达到计算精度要求,并且,滤波效果明显好于一阶递归滤波运行4次的结果。另外,为了使高斯型函数的功率谱接近大气实际的谱衰减,对3种不同特征尺度的四阶递归滤波器进行线性组合。通过实验表明,拟合后的多尺度四阶递归滤波在保持原有大尺度信息的基础上,更清晰地显示出了一些中小尺度的信息。

多个低阶滤波器实现高阶递归数字滤波器的方法

研究一种实现高阶递归数字滤波器的方法，其特点是将高阶滤波器分解成一组并联的低阶滤波器，其设计步骤为：首先选择低阶滤波器的数量和阶数，然后给低阶滤波器分配极点，并将滤波器的传递函数分解成低阶滤波器的并联，最后综合每一个低阶滤波器． 采用该方法设计的高阶数字滤波器与其它滤波器相比能够减少量化噪声， 增大量化的允许偏差．

并行准高斯高阶递归滤波算法研究

三维变分同化系统中一个重要的问题是背景误差协方差矩阵B及其逆的求解.背景误差协方差矩阵的水平变换部分采用递归滤波运算,可以简化矩阵的求解,解决了背景误差协方差矩阵B及其逆难以求解的问题.本文对准高斯高阶递归滤波的算法原理和过程进行了深入研究.因为递归滤波并行的低可扩展性制约了高阶递归滤波算法在三维变分同化系统中的应用,所以本文提出了阶段二维区域剖分并行化方法,实现了并行准高斯高阶递归滤波算法库.数值试验表明,四阶递归滤波1次的效果明显优于一阶4次的滤波效果;并且高阶递归滤波并行算法64核时能达到大约50倍的加速,并行效率高达78%,具有良好的加速效果和较强的可扩展性.

时标上一类具有广义激活函数的高阶递归神经网络系统的指数收敛性（英文）

考虑了时标上一类具有广义激活函数的高阶递归神经网络系统(RNNs).使用数学分析技巧,获得了该系统零点指数收敛的一些充分条件.

一类高阶线性齐次递归数列的几个模性质

给出一类特殊的高阶线性递归序列的几个模性质.

Generalizations of Euler Numbers and Euler Numbers of Higher Order

The purpose of this paper is to define the generalized Euler numbers and the generalized Euler numbers of higher order, their recursion formula and some properties were established, accordingly Euler numbers and Euler numbers of higher order were extended.