摘要：宽度学习系统(BLS)是一种基于RVFLN的高效增量学习系统,具有快速且精度高的特点.为了实现BLS对时间序列的精确预测,结合回声状态网络(ESN)的储备池结构,提出一种基于池计算的宽度学习系统(RCBLS).该系统通过在强化层引入简单环型储备池连接,以并行的储备池代替原系统中的前馈连接,使RCBLS具有一定的回声状态特性且方便设计.同时,应用增量学习保证了系统的实时性能.基于MSO时间序列预测问题,针对不同规模数据样本分别研究不同储备池结构RCBLS的性能.结果表明:多储备池结构的RCBLS大大提高了模型的泛化能力和稳定性.

摘要：重载列车是一种由上百甚至几百节车厢组成的动力集中式大载重系统,其牵引力/制动力需通过车钩相继传递给车厢,存在明显的非线性和大滞后性.现有的人工驾驶模式,司机难以考虑车厢之间的钩缓约束,易引起车钩断裂和脱轨;且运行性能与司机的操纵经验密切相关,存在耗电大,无法按照列车运行图正点运行等问题.本文针对此关键问题,以实现重载列车安全、正点、节能运行为目标,开展其驾驶过程运行优化研究.分析列车钩缓系统受力原理,基于其特性曲线,采用翟方法构造重载列车钩缓模型及整车纵向动力学模型;据此,考虑钩缓约束运用多目标自适应遗传算法,结合实际运行线路(限速、坡道、曲线率等)约束条件设定列车理想的运行速度目标曲线;最后,采用改进广义预测控制器设计重载列车驾驶过程优化控制方法,跟踪理想速度目标曲线安全、正点、低能耗运行.基于大秦线上HXD1型重载列车实际数据的仿真结果表明本文所设计的理想目标速度曲线优化方法可以较好地改善列车运行中的安全,正点和节能等关键性指标,运行优化控制能保证列车精确跟踪理想速度目标曲线,实现其驾驶过程优化运行.

摘要：针对一类具有未知干扰和多约束的不确定纯反馈非线性系统,提出一种基于干扰观测器的鲁棒自适应抗干扰控制方案.该方法首先基于Butterworth低通滤波器和径向基神经网络设计非线性干扰观测器以实现对系统未知非线性函数和复合扰动的在线精确逼近,并消除"代数环"问题.其次,为确保系统在状态受限、预设性能和输入饱和等多重约束的综合影响下能够对期望轨迹进行稳定跟踪,构造了一种新型的障碍Lyapunov函数,结合辅助有界函数、Nussbaum函数和一阶滑模微分器设计Backstepping控制器,并通过Lyapunov稳定理论分析闭环系统稳定性.最后,仿真结果验证了所提控制方法的有效性.

摘要：传统的基于图学习的无监督特征选择算法通常采用稀疏正则化方法来选择特征,但这种方法过于依赖于图学习的效率,并且存在正则化参数调优困难等问题。为解决这些问题,针对性地提出了一种基于图嵌入学习的正交局部保持投影无监督特征选择(Orthogonal Locality Preserving Projection Unsupervised Feature Selection via Graph Embedding,OLPPFS)算法。首先,利用能够保持数据局部几何流形结构的局部保持投影方法增强数据的线性映射能力,同时约束正交方向投影以方便数据重构;其次,通过图嵌入学习方法快速构建稀疏相似图来描述样本数据的内在结构;接着,采用l_(2,0)范数约束投影矩阵的值,准确选择指定数目的判别性特征子集;最后,针对l_(2,0)范数NP难题,设计一种有效求解l_(2,0)范数问题的无参迭代算法求解该模型。仿真结果表明了所提算法的有效性和优越性。

摘要：针对跨越–侧抑制神经网络(Span-lateral inhibition neural network, S-LINN)的结构调整及参数学习问题,结合生物神经系统中神经元的稀疏连接特性,依据儿童及青少年智力发展水平与大脑皮层发育之间的相互关系,提出以小世界网络连接模式进行初始稀疏化的连接自组织发育稀疏跨越–侧抑制神经网络设计方法.定义网络连接稀疏度及神经元输出贡献率,设计网络连接增长–修剪规则,根据智力超常组皮层发育与智力水平的对应关系调整和控制网络连接权值,动态调整网络连接实现网络智力的自组织发育.通过非线性动力学系统辨识及函数逼近基准问题的求解,证明在同等连接复杂度的情况下,稀疏连接的跨越–侧抑制神经网络具有更好的泛化能力.

摘要：稀土萃取过程机理复杂,存在非线性、强耦合以及大滞后等特点,依据传统机理分析方法不能实现精确的萃取流程模拟.对此,本文提出一种多分支残差深层网络(MB-RDN)用于稀土萃取工艺流程模拟.首先,针对多级萃取槽串接而成的稀土萃取流程提出具有多分支结构的深层神经网络,该网络可以通过不同的分支出口计算每级萃取槽的组分含量;其次,为了有效缓解深层网络的梯度消失问题,在分支中引入残差结构和特征短接操作,并设计出一种多特征融合机制.所设计网络可以有效地学习原始特征、深层特征和分支间耦合特征以提升预测精度.最后的仿真结果表明了所提方法的有效性.

摘要：针对传统控制方法难以保证高速列车在复杂多变的运行条件下的速度跟踪和安全、平稳停车问题,提出了一种基于间接模型参考自适应的高速列车制动控制策略。通过分析列车制动系统的工作流程,建立了具有未知参数的列车制动系统模型,并采用间接模型参考自适应控制(MRAC)方法设计了高速列车自适应制动控制策略,实现了对给定速度曲线的渐进跟踪。为了验证上述方法的有效性,以CRH380AL型动车组作为研究对象,利用MATLAB软件进行数值仿真。仿真结果表明,即使存在未知系统参数,基于间接模型参考自适应的高速列车制动控制策略仍然可以实现列车在制动过程中对目标速度的渐近跟踪,进而保证列车的安全可靠运行。

摘要：高速动车组运行环境复杂多变,其运行过程需在牵引、制动和惰行工况中多次切换,难以建立有效的控制模型实现动车组安全、正点、高效运行。借鉴ANFIS在复杂系统建模的优势,结合动车组牵引/制动特性曲线和实际运行数据,建立高速动车组运行过程多工况ANFIS模型,设计相应的动车组运行速度控制器。与基于全局ANFIS模型和基于线性多模型的控制对比试验表明:基于多工况ANFIS模型的高速动车组运行控制具有更高的精度和控制效果,保障了动车组在各种工况下的安全运行。

摘要：为实现稀土萃取过程中元素组分含量的在线检测,应用机器视觉技术设计了一套稀土元素组分含量在线检测系统。以西门子可编程逻辑控制器(PLC)设计稀土溶液在线采集硬件装置,利用最小二乘支持向量机(LSSVM)建立元素组分含量预测模型,并基于Visual Studio 2012和HALCON 11.0开发镨/钕元素组分含量在线检测系统。对萃取生产现场的Pr/Nd混合溶液进行测试,结果表明,检测系统的预测精度、重复性指标满足萃取过程中元素含量在线检测的要求,可为具有离子颜色特征的稀土萃取分离过程提供一种新的检测手段。

摘要：为有效地求解时变矢量型非线性不等式,针对传统的零化神经网络在求解时变矢量型非线性不等式时收敛速度慢、鲁棒性弱的问题,提出了一种新型混合变参动态学习网络(mixed variant-parameter dynamic learning network,MVP-DLN)。首先,定义矢量型的无界误差函数;其次,构造混合变参神经动力学设计公式;最后,通过替代方法和神经动力学设计公式,开发出MVP-DLN模型。理论分析表明MVP-DLN模型具有全局的收敛性能和强鲁棒性。最后,采用仿真实验验证模型的性能,实验结果表明,相比于传统的零化神经网络,MVP-DLN模型在求解时变非线性不等式时具有更好的收敛性能和更强的鲁棒性。