摘要：研究了一类不确定离散时滞模糊系统的鲁棒H∞稳定性问题.基于模糊Lyapunov-Krasovskii函数,应用并行分布补偿算法,设计了使模糊系统全局渐近稳定的控制器,提出并证明了一个新的判别闭环不确定离散时滞模糊系统鲁棒H∞渐近稳定的充分条件.引入多个附加矩阵变量,可由一组线性矩阵不等式的解得到控制器.由于使用了模糊Lyapunov-Krasovskii函数,此鲁棒稳定条件比基于公共Lyapunov-Krasovskii函数的稳定条件的保守性更小,由仿真算例验证了结果.

摘要：提出了一种对一类离散模糊双线性系统(discrete-time fuzzy bilinear system,DFBS)稳定控制的新方法。首先,把DFBS转换成一个等价的切换DFBS。然后,基于分段Lyapunov函数,同时考虑同一个子空间内不同模糊子系统之间的相互作用,得到了闭环系统放松的渐近稳定的充分条件。采用锥补线性化(cone complemen-tarity linearization,CCL)算法将控制器的设计转化成一个受线性矩阵不等式(linear matrix inequality,LMI)约束的最小化问题。最后,由仿真数例说明了所提方法的有效性。

摘要：针对公共Lyapunov-krasovskii函数(LKF)方法判断离散时滞模糊系统鲁棒稳定性的保守性,构造了模糊LKF,并给出了系统鲁棒稳定的充分条件。应用并行分布补偿算法(PDC),设计了全局鲁棒稳定的模糊控制器。多个附加矩阵变量的引入,使控制器可以通过求解一系列线性矩阵不等式(LMI)获得。最后,通过一个仿真例子验证了方法的有效性。

摘要：提出了一种新的具有未知时变参数复杂动态网络同步的自适应学习控制方法.运用重新参数化技术,设计周期时变参数的自适应学习律、常参数的更新律以及自适应控制策略确保同步误差渐近收敛.通过构造复合能量函数给出同步的一个充分条件.最后给出一个复杂网络的例子验证所提方法的有效性.

摘要：本文利用迭代学习的方法研究了带头结点的多智能体系统的一致性问题.文中分别对单积分多智能体系统和一般的线性多智能体系统提出了迭代学习型的一致性算法.该算法对每一个从节点所设计的分布迭代学习序列可以保证从节点能完全跟随上头结点.假设头结点是全局可达的,对于有向拓扑连接图,给出了智能体达到完全一致的充分条件.最后,仿真实例说明了文中所给方法的有效性.

摘要：研究了一类具有随机时延和外部扰动的网络控制系统的H∞预测状态反馈控制器的设计问题.利用变采样周期的方法,将连续的网络控制系统离散化,从而建模为部分转移概率未知的马尔可夫跳变线性系统.利用一步性能函数,给出了保证整个闭环系统随机渐进稳定且具有性能指标上界的充分条件,通过线性矩阵不等式的方法,给出了预测状态反馈控制器的设计方法。

摘要：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.

摘要：该文针对基于有限状态自动机的非线性脉冲混合动态系统,设计一种新的脉冲混合观测器,然后应用有限状态自动机理论和Backstepping方法设计了基于混合观测器的脉冲输出反馈控制器,并构造了多Lyapunov函数,通过混合系统的渐近稳定性理论以及多Lyapunov函数法给出整个闭环系统渐近稳定的充分条件,数值仿真验证了该控制器的有效性。

摘要：在工业视频监控场景中,由于复杂背景、人体多姿态和人体遮挡等因素的影响,现有人体检测算法存在着准确率不高、模型泛化能力不强等显著问题。针对以上问题,基于特征图像金字塔和多尺度感受野理论,设计了一种检测网络的特征融合方式和特征图的生成策略,依靠轻量级的特征图像金字塔技术,并结合数据增强、锚点框匹配策略和遮挡损失函数等优化方法,进而提出了一种基于深度神经网络的人体检测算法EFIPNet。同时,为了充分验证EFIPNet算法的有效性,共建立了4个多元化的复杂监控场景下的人体数据集,其中涉及50种常见的人体行为。算法的有效性验证表明,新设计的高效人体检测算法可以有效地提高人体目标的检测精度,实现复杂监控场景下的人体精确和实时检测。此外,为了验证EFIPNet算法中不同模块的有效性,采用消融研究方法分析了网络中主要模块对人体检测模型性能的影响。在Person数据集上,EFIPNet算法在保持45帧/s检测速度的同时,相比于单发多盒检测器检测算法,将人体目标的检测精度提升了4.34%。

摘要：针对一类输出反馈非线性时滞系统,提出一种简化的自适应神经网络镇定算法.所设计的状态观测器和控制器不依赖于时滞.不同于现有的结果,系统的时滞项假定完全未知,仅采用一个神经网络补偿所有未知非线性函数,因此控制器设计更加简单,而且最终的闭环系统被证明是半全局渐近稳定的.仿真结果进一步验证了该控制方案的有效性.