低频电磁脉冲对复杂电大目标耦合效应

针对复杂电大目标电磁脉冲耦合效应缺乏定量研究的问题,基于时域有限差分方法(FDTD)建立了一套电磁脉冲耦合效应建模与评估分析流程,开展了低频电磁脉冲激励下的仿真试验,获取和分析了特性数据,进而提出了一种表面加载透明导电材料的低频电磁脉冲激励防护方法。试验结果表明:基于功率密度的易损性分析具有良好的工程适用性,而且防护方法对低频电磁脉冲激励具有较好的屏蔽效能。     

输入非仿射不确定性混沌系统的输出跟踪控制

针对一类输入非仿射不确定性混沌系统,采用反演设计了一种新的控制器. 该方法结合非线性跟踪微分器以及扩展状态观测器,非线性跟踪微分器用于逼近虚拟控制量的导数或者参考信号的导数;扩展状态观测器用于估计系统中的未知项及扰动项,并且证明了其收敛性能. 该方法的运算时间远远小于现有设计方法,并且跟踪误差是渐近一致稳定的;该方法保证了此类系统的输出能跟踪任意可微的参考信号. 对具有非仿射输入及扰动和不确定性的混沌系统的仿真结果表明了该方法的可行性和有效性.      

支持向量机回归在电子器件易损性评估中的应用

针对现有的以概率统计理论为基础的方法和模糊神经网络法必须建立在大量统计数据基础之上,以及模糊信息扩散估计法可能对器件失效阈值估计过高的问题,提出将模糊信息处理技术用于对原始实验数据的处理,得到训练样本,在此基础上利用支持向量机回归预测一定功率的高功率微波辐照条件下电子器件的损伤概率。仿真结果表明:该方法与模糊神经网络法都较好地给出了预测结果,但该方法具有更高的精度（均方根误差为7.40610-5）,并且克服了在样本数据减半的小样本情况下模糊神经网络法可能出现野值的缺陷。     

基于自适应趋近律的滑模控制方法

为了提高系统的动态性能和稳态精度,在幂次趋近律和变速趋近律基础上提出一种自适应趋近律.当系统状态变量距离滑模面较远时,幂次项起主要作用,保证趋近速度足够大;当系统状态变量距离滑模面较近时,变速项起主要作用,随系统状态变量自适应调节滑模面参数,直至系统状态轨迹运行到稳定点.趋近律具有二阶滑模特性,可在有限时间内到达滑模面.当系统出现有界外部干扰时,系统状态及其导数可快速收敛到平衡点附近的邻域内.仿真结果表明:提出的自适应趋近律能够有效提高系统动态性能和稳态精度,增强系统鲁棒性.     

MlMO离散时间非线性系统的控制设计方法

提出MIMO离散时间严格反馈非线性系统的一种控制设计方法。首先,将非匹配离散时间严格反馈非线性系统变换为匹配离散时间严格反馈非线性系统,然后再对变换后的系统进行反馈线性化设计。最后给出仿真算例。     

基于信号功率谱的模拟电路嵌入式测试

针对模拟电路内建自测试问题,提出一种基于信号功率谱的嵌入式测试方法.采用由电压比较器构成的采样器对被测电路的输入信号和输出信号进行采样,得到频谱特性不变的数字信号序列,使用最大熵谱法计算输出序列和输入序列之间的功率谱密度比,将得到的比值与正常电路的比值进行分类比较后,确定被测电路的故障状态.在基于DSP的模拟电路测试平台上,应用信号功率谱方法对低通滤波器电路进行测试.结果表明:该方法能有效地检测模拟电路中的各种故障,硬件实现方案简单易行,适合模拟电路的嵌入式测试.     

控制方向未知的时变非线性系统的控制器设计

对一类控制方向未知的时变非线性系统的控制问题进行了研究.首先,设计了一种迭代神经网络估计器,并通过推导得到了逼近引理,实现了对时变不确定性的逼近;然后,提出了用迭代神经网络逼近时变不确定性,用Nussbaum函数估计未知控制方向的总体设计思想.利用李雅普诺夫稳定性理论和自适应迭代学习控制技术设计了控制系统,并进行稳定性...     

非匹配不确定交叉严反馈超混沌系统神经网络反演同步

针对一类具有非匹配不确定性的交叉严反馈超混沌系统,提出一种基于多层前向神经网络的反演自适应同步设计方法.利用神经网络估计系统中的不确定性,运用滑模控制和交叉自适应反演控制处理系统中的非匹配不确定性及神经网络的逼近误差, 当虚拟控制项系数不过零时可保证系统的同步误差趋向于零,过零时可保证同步误差有界. 数值仿真证明了提出的控制方案的有效性.     

滑模极值搜索算法与控制器的一体化设计

针对滑模极值搜索算法与控制器采取单独设计会导致系统难以发挥最佳性能的问题,提出在传统滑模极值搜索控制系统中将滑模极值搜索算法与控制器一体化的设计方法,通过建立滑模极值搜索算法与被控对象的一体化模型,运用终端变结构切换面和相应的控制策略,使得极值搜索系统的输出能够在较短的时间内搜寻并稳定于全局最优值.仿真结果验证了此设计方法的有效性.     

爬山法与模式蚁群法混合的贝叶斯优化算法

针对传统贝叶斯优化算法进化效率低及收敛速度慢的情况,提出一种新型混合贝叶斯优化算法.该算法利用适应度遗传及个体的局部搜索方法,使种群个体趋向于全局最优解,提高了进化效率.为提高贝叶斯优化算法中贝叶斯网络结构学习的效率,提出一种爬山法和模式蚁群算法相结合的网络结构学习方法,同时对新型贝叶斯优化算法的收敛性进行了分析.利用典型的函数对提出的新型混合贝叶斯优化算法进行了仿真分析,证明了所提出的方法可以有效地加快算法的收敛速度和收敛精度.将该算法应用于目标分配问题中,仿真证明了所提算法的有效性和优越性.