WDM光网络仿真系统的数学建模与设计

根据WDM光网络系统中光网络结构优化设计以及有限网络资源条件下光网络性能分析与优化的仿真要求,建立了用于实现WDM光网络仿真系统计算机模拟的数学模型,该模型能够体现WDM光网络系统组成原理、系统结构、系统参数等方面的不同。此外,考虑到WDM光网络仿真系统的用途、仿真的层次、仿真系统的运行条件以及仿真结果的表现方法的不同,对WDM光网络仿真系统的功能进行了分析,并实现了系统的设计。最后,对该仿真系统的优越性和创新点进行了总结。

周期时变时滞非线性参数化系统的自适应学习控制

针对一阶未知非线性参数化周期时变时滞系统,设计了一种自适应学习控制方案。假设未知时变参数,时变时滞和参考信号的共同周期是已知的,通过重构系统方程,将包含时变时滞在内的所有未知时变项合并成为一个周期时变向量,采用周期自适应律估计该向量.通过构造一个Lyapunov—Krasovskii型复合能量函数证明了所有信号有界并且跟踪误差收敛.结果被推广到一类含有混合参数的高阶非线性系统.通过两个仿真例子说明本文所提出的控制算法的有效性.

基于均匀设计的多目标自适应遗传算法及应用

提出一种多目标遗传算法 ,将均匀设计技术应用于适应度函数合成和交叉算子构造 ,以提高遗传算法的空间搜索均匀性、子代质量和运算效率 .分析和实验结果表明 ,该方法可缩短算法运行时间和得到分布较均匀的Pareto有效解集 ;配合基于元件标称值的网表级高效编码方案和考虑基因位差异的遗传概率调整策略 ,可实现模拟电路自动设计 ,通过单次运行即获得对应不同偏好的多种实用化设计结果 .

未知时变时滞非线性参数化系统自适应迭代学习控制

针对含有未知时变参数和时变时滞的非线性参数化系统,提出了一种新的自适应迭代学习控制方法.该方法将参数分离技术与信号置换思想相结合,可以处理含有时变参数和时滞相关不确定性的非线性系统.设计了一种自适应控制策略,使跟踪误差的平方在一个有限区间上的积分渐近收敛于零.通过构造Lyapunov-Krasovskii型复合能量函数,给出了闭环系统收敛的一个充分条件.给出两个仿真例子验证了控制方法的有效性.

基于双线性模型的动态系统优化和参数估计集成方法

针对双线性模型与实际系统之间的差异，提出一种基于双线性模型求解非线性动态系统最优控制的迭代算法。该算法通过重复求解修正的基于双线性模型的优化控制问题和参数估计问题，获得实际系统的最优解。同时提出求解修正的基于双线性模型的优化控制问题的一种新的分解方法，克服了非线性和双线性两点边值问题求解的困难。仿真例子表明该算法的有效性和实用性。

一类非线性时滞输出反馈系统的自适应控制

针对一类参数化非线性时滞输出反馈系统,提出了一种无记忆自适应跟踪控制器的设计方案.采用时滞滤波器估计系统状态,用Domination处理非线性时滞项,应用Backstepping技术设计控制器和参数自适应律.放宽了对时滞项的要求.通过构建一个Lyapunov＿Krasoviskii泛函,证明了闭环系统的稳定性,实现了对目标轨线的渐近跟踪,保证了所有信号一致有界.实例仿真说明了该方案的可行性.

非线性时滞大系统自适应神经网络分散控制

针对一类未知非线性时滞关联大系统,提出一种自适应神经网络分散跟踪控制方案.采用神经网络逼近各子系统内部的非线性函数和关联项中的时滞非线性函数;利用占有方法处理时滞项,采用B ackstepp ing技术设计分散控制律和参数自适应律.基于Lyapunov-K rasov isk ii泛函证明了闭环大系统所有信号半全局一致最终有界.通过调节设计参数和增加神经元个数,可以实现任意输出跟踪精度.实例仿真说明了该方案的可行性.

离散时间非线性时滞系统最优控制的DISOPE算法

对于非线性时滞系统的最优控制 ,提出一种基于线性时滞模型和二次型性能指标问题的迭代算法 ,将时滞系统化为满足马尔可夫性质的增广状态系统 ,在模型和实际存在差异的情况下 ,该算法通过迭代求解时滞线性最优控制问题和参数估计问题 ,获得原问题的最优解 .仿真实例表明该算法的有效性和实用性 .

网络系统可靠性分析的马尔可夫过程法

针对网络系统状态空间的巨大问题,提出用最大概值状态生成法生成网络实际运行时最可能出现的状态,并定义数字0和1的一种运算,以生成网络的断集空间用于判断网络状态的正常与故障。从而在网络部件寿命以及修理时间均为指数分布时,可应用马尔可夫过程理论获得网络系统的稳态可用度,首次故障前平均时间,稳态故障频度等指标,并举例进行说明。

具有模型和实际差异的非线性离散动态系统最优控制

针对模型与实际存在一定差异的情况 ,提出了一种求解非线性离散系统最优控制的动态系统优化和参数估计集成 (DynamicIntegratedSystemOptimizationandParameterEstimation ,简称DISOPE)的研究法 .推导出一组求解一类有终端等式约束的非齐次的线性两点边值问题的递推公式 ,对于有终端等式约束的非线性最优控制问题得到了在计算上易于实现的一种DISOPE迭代算法 ,通过修正的基于模型优化和参数估计的迭代求解 ,获得实际控制问题的最优解 .给出了该算法收敛的一个充分条件 ,仿真例子说明了该算法的性能 .

多小波的预处理及其在图像压缩中的应用

多小波是近几年小波理论研究的一个重要方向 ,但在图像压缩中还没有成功的例子 ;本文综述了多小波的重要性质 ,对几个常用多小波作了预处理 ;图像压缩应用实验结果表明平衡处理比预滤波效果好 ,尤其是Opt recl多小波能精确重构 ,无边界失真 。

一类非线性动态系统的自适应模糊小波神经网络控制

对未知非线性动态系统研究基于模糊小波神经网络的自适应跟踪问题,首先构建一个模糊小波神经网络用于逼近未知的非线性函数的模型,然后根据李亚普诺夫稳定性理论建立自适应率,在线调整的模型参数包括小波网络的权重、小波的伸缩量、偏移量和模糊集合隶属函数的相关参数。提出了一种自适应模糊小波神经网络的滑模控制策略,保证系统的跟踪误差和对外界干扰的抑制被衰减到期望的程度。证明了闭环系统的半全局收敛性和鲁棒性,对倒立摆系统的仿真试验证明了所提控制方法的有效性。

非线性关联系统自适应神经网络输出反馈分散控制

针对一类带有完全未知关联项的非线性大系统,提出一种自适应神经网络输出反馈分散控制方法.采用神经网络逼近未知的关联项,因此对关联项常做的假设如匹配条件,被上界函数所界定等不再要求.在神经元输入中采用参考信号取代关联信号,从而成功地避免了对关联信号的微分.保证了闭环系统所有信号半全局一致最终有界,证明了跟踪误差收敛于一个包含原点的小残集.

一类非线性系统基于Backstepping的自适应鲁棒神经网络控制

针对一类未知非线性系统提出了一种基于Backstepping的自适应神经网络控制方法,放松了满足匹配条件,要求神经网络逼近误差的边界已知等一些限制性的假设。扩展了自适应backstepping和自适应神经控制的适用范围,整个闭环系统表明是最终一致有界的。

基于OWGA算子的偏好信息集结法及其在群决策中的应用

研究了决策者的偏好信息以不同形式给出的群决策问题。首先,利用不同偏好信息之间的转换公式,将偏好次序型、效用值型、互反判断矩阵型三种偏好信息一致化为模糊互补判断矩阵型的偏好信息;其次,利用加权几何平均(OWGA)算子对一致化后的决策信息进行集结,再对方案的加权几何平均优势度进行综合集结,并以此进行方案的排序,提出了基于OWGA算子的群决策方法,该方法具有操作简便和计算量少的特点。最后,通过实例说明方法的可行性和实用性。

用数学形态学方法处理地图中间断线型符号

以数学形态学变换为基础，针对地图提出了一种新的地图跟踪方法．该方法通过原始图像与形态学结构元素相运算，并行给出了构成线型地物的各点或线的位置信息．实验表明。

一类未知非线性系统的智能迭代学习控制

从自适应的角度设计迭代学习控制 ,将神经网络引入迭代学习控制中。学习控制与自适应控制相结合 ,使得对网络权值的学习和跟踪控制同时进行 ,克服了经典迭代学习控制的一些缺陷。基于L yapunov直接方法 ,证明了整个控制系统的稳定性并实现了任意精度的跟踪。

几种两层线性规划解法的关系

探讨了求解两层线性规划的几种方法之间的关系，数值结果说明了所得结论的正确性．

不确定关联大系统对时变参数的自适应控制

考虑具有时滞的不确定非线性关联大系统的鲁棒控制问题.假设不确定时变参数为半线性或非线性系统的有界输出,通过对时变不确定参数设计自适应律,从而对不确定参数进行估计.利用线性矩阵不等式技术和自适应参数估计方法,设计出鲁棒自适应控制器,从而保证闭环系统渐近稳定.建立了可由线性矩阵不等式表示的镇定条件.仿真示例说明该方法是有效的.

(h,φ)-数学规划问题的必要条件

给出了(h,(?)-η伪凸函数的概念,利用Ben-Tal广义代数运算讨论了 它与η-伪凸函数之间的关系.当目标函数和约束函数均为(h,(?))-可微函数时,在广义 Slater约束规格下,得到了相应规划问题取得最优解的Kuhn-Tucker必要条件.