智能结构设计与控制中的若干核心技术问题

对传感结构、可控结构和智能结构进行了定义,并从技术集成的角度,对大型非线性智能结构设计与控制中的若干核心技术进行了系统的分析和论述．从感知、辨识、寻优和控制４个基本方面,分析了当前的技术状态和技术水平,并提出当前研究中应重点注意的几个方面．从技术发展的角度,预测了今后１０年需重点研究的几项相关关键技术．      

拟线性方程边值问题的跳跃层个数

本文讨论了拟线性微分方程边值问题的跳跃层个数.并且指出,当文献[1]所给判断函数恒等于零时,原方程必须重新讨论.本文给出几例以示说明.     

有向跳图的生成欧拉子有向图

一个有向多重图D的跳图$J(D)$是一个顶点集为$D$的弧集,其中$(a,b)$是$J(D)$的一条弧当且仅当存在有向多重图$D$中的顶点$u_1$, $v_1$, $u_2$, $v_2$,使得$a=(u_1,v_1)$, $b=(u_2,v_2)$ 并且$v_1\neq u_2$.本文刻画了有向多重图类$\mathcal{H}_1$和$\mathcal{H}_2$,并证明了一个有向多重图$D$的跳图$J(D)$是强连通的当且仅当$D\not\in \mathcal{H}_1$.特别地, $J(D)$是弱连通的当且仅当$D\not\in \mathcal{H}_2$.进一步, 得到以下结果: (i) 存在有向多重图类$\mathcal{D}$使得有向多重图$D$的强连通跳图$J(D)$是强迹连通的当且仅当$D\not\in\mathcal{D}$. (ii) 每一个有向多重图$D$的强连通跳图$J(D)$是弱迹连通的,因此是超欧拉的. (iii) 每一个有向多重图D的弱连通跳图$J(D)$含有生成迹.     

内部信息下的平方套期保值策略

建立了内部信息市场模型,提出并解决了内部信息投资者的平方最优套期保值问题.首先利用初始滤波扩张方法给出了内部信息市场中风险资产的价格动态.其次利用Ito公式和Galtchouk-Kunita-Watanabe分解给出了最优策略的显式表示.     

二维旋转谐振子势中单粒子的跳频压缩及演化

本文主要研究二维旋转谐振子势中单粒子的动力学行为,通过跳频的方式分析该粒子的压缩演化过程,并分析了相应的物理机制.一方面,研究跳频过程对回旋半径模式的压缩演化,通过选择适当的跳频时刻,分析跳频过程对压缩的影响.研究表明,回旋半径坐标的压缩程度并未在跳频时刻发生改变,但可在后续的演化中出现更强的压缩现象.另一方面,主要研究跳频过程中心导向模式的压缩演化.通过参数的选择,分析了两种压缩模式,即发散模式和振荡模式的压缩及演化.有趣的是,在中心导向模式压缩中,外势存在一个由旋转角速度决定的临界势阱纵横比.压缩模式在此处发生突变,且在振荡模式中,势阱纵横比趋于该临界值时,将出现明显的压缩.     

基于龙格库塔法的多输出物理信息神经网络模型

物理信息神经网络(physics-informed neural networks, PINN)由于嵌入了物理先验知识,可以在少量训练数据的情况下获得自动满足物理约束的代理模型,受到了智能科学计算领域的广泛关注.但是, PINN的离散时间模型(PINN-RK)无法同时近似多个物理量相互耦合的偏微分方程系统,限制了其处理复杂多物理场的能力.为了打破这一限制,文章提出了一种基于龙格库塔法的多输出物理信息神经网络(multi-output physics-informed neural networks based on the Runge-Kutta method, MO-PINN-RK), MO-PINN-RK模型在离散时间模型的基础上采用了并行输出的神经网络结构,通过将神经网络划分为多个子网络,建立了多个神经网络输出层.采用不同输出层近似不同物理量的方式, MO-PINN-RK模型不仅可以同时表征多个物理量,而且还能够实现求解偏微分方程系统的目的.另外, MO-PINN-RK克服了PINN离散时间模型仅适用于一维空间的局限性,将其应用范围扩展到了更为普遍的多维空间.为了验证MO-PIN...     

基于全驱系统方法的冷带轧机压下系统自适应同步控制

由于冷带轧机操作侧与传动侧位置子系统的内部参数不确定性与不一致性,液压两侧位置系统的动态性能不同,这往往导致轧机生产的板材厚度不一致.文章基于全驱系统方法提出了一种参数自适应同步控制策略.首先,建立了液压位置系统的辨识模型与全驱模型;然后,基于辨识模型采用递推最小二乘算法对子系统的未知参数进行辨识;进而,针对建立的全驱同步系统模型,设计了参数化控制器,从而达到闭环系统稳定,以及两侧子系统的同步.最后,仿真结果表明了同步控制方案的有效性.