摘要：针对一类未知的非均匀采样非线性异构多智能体系统一致性跟踪控制问题,提出一种分布式无模型自适应控制方法。首先利用提升变量技术将各个受控的非均匀采样非线性系统转化为当前工作点处的紧格式动态线性化(CFDL)数据模型。然后引入虚拟领导者技术产生期望轨迹,根据一致性原理对各个智能体设计控制协议,保证所有智能体的期望轨迹跟踪的一致性。再利用非线性理论中的Lischitz条件分析所提方法的稳定性,给出算法在固定通信拓扑下的收敛条件。所提方法具有如下特点:分布式控制器的设计仅需要输入和输出数据,以及邻居智能体的输出数据;控制算法计算量小,容易实现。最后,通过仿真实例验证了所提方法的有效性。

摘要：针对采用传统梯度下降算法训练卷积神经网络收敛速度慢的问题,提出了动量分数阶梯度下降算法。介绍了分数阶微积分的定义,并依据问题描述,通过算法推导,将整数阶梯度下降算法中的动量思想应用到分数阶梯度下降算法中,设计出动量分数阶梯度下降算法。使用测试函数验证算法的收敛性,并分析不同分数阶阶次和动量项系数对算法收敛性的影响。在三个数据集上使用动量分数阶梯度下降算法与传统梯度下降算法、动量梯度下降算法作对比实验,实验数据表明,动量分数阶梯度下降算法可以在不同复杂程度的数据集上,在保证较高分类准确率的前提下,极大提高卷积神经网络的收敛速度,为训练卷积神经网络节省大量时间成本。