基于观测器的受扰非线性系统近似最优跟踪控制

研究一类受扰非线性系统的最优输出跟踪控制问题.给出了有限时域最优输出跟踪控制律的近似设计算法.首先将求解受扰非线性系统最优跟踪控制问题转换为求解状态向量与伴随向量耦合的非线性两点边值问题,然后利用逐次逼近方法构造序列将其转化为求解两个解耦的线性微分方程序列问题.通过迭代求解伴随向量的序列,可得到由解析的线性前馈-反馈控制部分和伴随向量的极限形式的非线性补偿部分组成的最优输出跟踪控制律.利用参考输入降维观测器和扰动降维观测器,解决了前馈控制的物理可实现问题.最后仿真结果表明了该方法的有效性.

含正弦扰动奇异摄动时滞系统的最优减振控制

研究奇异摄动时滞系统在正弦扰动下的最优减振控制问题．基于奇异摄动的快慢分解理论,将原最优控制问题转化为无时滞快子问题和受扰线性时滞慢子问题,通过摄动法和前馈补偿技术求解时滞慢子系统的最优控制问题,得到了系统的前馈反馈组合控制(FFCC)律及其存在唯一性条件．FFCC律由线性解析项和共态向量无穷级数和表示的时滞补偿项组成,其中线性解析项可通过求解Riccati方程和Sylvester方程得到,时滞补偿项通过递推求解共态向量方程得到,仿真算例表明了方法的有效性．

基于神经网络的回归学习算法收敛性分析(英文)

本文利用最小二乘理论研究学习理论中的回归问题.其目的在于利用概率不等式与神经网络的逼近性质来分析回归学习算法的误差.结论表明,当回归函数满足一定的光滑性时,得到较为紧的上界且该上界与输入空间的维数无关.

压缩回归学习算法的泛化界

研究了压缩最小平方回归学习算法的泛化性问题.利用随机投影、覆盖数等理论以及概率不等式得到了该学习算法的泛化误差上界.所获结果表明:压缩学习虽以增大逼近误差的方式降低样本误差,但其增量是可控的.此外,通过压缩学习,在一定程度上克服了学习过程中所出现的过拟合现象.

高斯核正则化学习算法的泛化误差

对广义凸损失函数和变高斯核情形下正则化学习算法的泛化性能展开研究.其目标是给出学习算法泛化误差的一个较为满意上界.泛化误差可以利用正则误差和样本误差来测定.基于高斯核的特性,通过构构建一个径向基函数(简记为RBF)神经网络,给出了正则误差的上界估计,通过投影算子和再生高斯核希尔伯特空间的覆盖数给出样本误差的上界估计.所获结果表明,通过适当选取参数σ和λ,可以提高学习算法的泛化性能.

三角代数的模糊滤子

引入三角代数和三角代数中滤子的概念,研究三角代数中滤子的性质.给出了三角代数中模糊滤子的概念,进一步给出三角代数模糊滤子的等价刻画;研究了三角代数中滤子与模糊滤子之间的关系,并证明由滤子可以诱导出模糊滤子,反之,由模糊滤子也可以诱导出滤子.