基于状态观测器的超混沌同步保密通信

基于状态观测器的思想,提出了解决超混沌系统同步问题的新方法,将该同步方法应用于保密通信.由状态观测器的构造可以看出该方法对原系统没有特殊的要求,不需要计算Lyapunov指数,避免了计算的复杂性;同时可以根据需要选取不同的加密函数,只要保证加密过程可逆即可.通过对超混沌Lorenz系统的分析和数值模拟研究结果显示该方法提高了保密性能,被加密的信息信号可以较好地被恢复,可以用于通信和信息处理方面.     

改进的遗传算法求解TSP

阐述了一种针对TSP问题的改进遗传算法。引入了局部优化搜索算法。加快了算法的收敛速度。减轻了初值对结果的影响。加入了改进的OX交叉算法,在交叉中合理保留了优秀个体基因的排列顺序。利用精英复制保留了优秀基因。维持了种群个体数目稳定。提出了一种新的变异算法,有效避免了路径重复,减小了运算量,提高了运算速度。     

不同维分数阶系统的无源同步控制

为解决不同维分数阶Lorenz 系统的无源同步控制问题,根据分数阶系统稳定性理论和无源控制理论, 设计了新的主动控制器和无源控制器,实现了不同初始条件下不同维分数阶系统的无源同步。该方法将同维 整数阶混沌系统的无源同步控制方法拓展到阶次小于1 的不同维分数阶系统,数值仿真验证了所设计控制器 的快速性和可行性。该方法可使驱动系统与响应系统的状态变量保持运动轨迹一致,控制方法具有针对性且 控制速度较快。     

不确定分数阶奇异系统鲁棒控制及稳定性分析

针对不确定线性分数阶奇异系统的鲁棒稳定性问题, 将连续频率分布等价模型引入分数阶奇异系统中, 应用间接李亚普诺夫方法, 设计了一个 PD(Proportional-Derivative) 控制器, 将奇异系统正常化, 给出了阶次在 0<α<1 范围内分数阶奇异系统全新的鲁棒渐近稳定的充分条件。 利用 Matlab 的 LMI(Linear Matrix Inequalities) 工具箱及矩阵的奇异值分解(SVD: Singular Value Decomposition)求解控制器的增益, 用仿真算例及数据验证该 方法的有效性。     

分数阶超混沌Chen系统的RBF神经网络自适应滑模同步

针对分数阶超混沌系统的同步问题,通过设计一个新型含分数阶滑模面的RBF神经网络自适应滑模控制器,应用滑模控制和主动控制原理实现分数阶超混沌Chen系统的驱动系统和响应系统间的同步.在RBF神经网络控制方案的基础上引入分数阶滑模控制器以提高系统的鲁棒性,并在分数阶滑模控制器中增设自适应参数使得控制律在迭代过程中找到合适的切换增益,免除繁冗的人工调参过程.根据Lyapunov稳定性定理证明了该方案下系统的稳定性.当存在外部干扰时,将RBF神经网络与分数阶滑模控制相结合,更利于系统在迭代过程中找到最近似的权值,并通过补偿控制降低干扰对控制系统的影响.数值仿真结果验证了该控制方法的鲁棒性及有效性.     

非完整链式系统的非正则反馈全局K指数镇定

 利用非正则反馈线性化对非完整链式系统进行反馈镇定。构造一种不连续非线性变换, 将非完整链式系统转换成线性系统, 以便使用线性系统理论进行控制律设计。针对高维非完整链式系统, 显式构造出一个方便易用的不变集和切换规则。所获得的不连续控制律保证了闭环系统的指数收敛速度和控制输入的有界性。仿真结果验证了控制方案的有效性。     

不确定混沌系统的异结构同步

基于有限时间控制Lyapunov函数,研究了统一混沌系统与具有不确定参数Liu混沌系统的异结构同步控制,其控制律不需要知道参数的具体数值,只依赖参数的变化范围.与现有控制方法相比,可有效克服较大参数误差对同步的影响,同时设计比较简单,鲁棒性较强.仿真结果证明了控制方法的有效性.     

基于径向基函数神经网络的多关节机器人滑模控制器

针对具有不确定性的多关节机器人系统,提出了一种径向基函数神经滑模控制方法;该控制方案采用全局滑模面,将神经网络的非线性映射能力与滑模控制的特点相结合,利用径向基神经网络自适应学习系统不确定性的未知上界,消弱了由滑模控制产生的抖动,同时保证了系统的鲁棒性;基于李亚普诺夫定理给出了系统稳定性的充分条件;仿真结果表明,该方法具有良好的轨迹跟踪和速度跟踪性能,提高了对于建模误差和不确定干扰等因素的鲁棒性。     

奇异分数阶复杂动态网络的鲁棒同步: LMI 法

为解决奇异分数阶复杂动态网络的同步问题, 将连续频率分布等价模型引入到分数阶奇异系统中, 应用 间接李雅普诺夫方法, 通过设计同步控制器将奇异系统正常化, 给出阶次在 0<α<1 范围内能使不确定奇异分 数阶复杂动态网络同步全新的充分条件。 利用 Matlab 的 LMI(Linear Matrix Inequalities)工具箱求解控制器的增 益。 通过仿真算例及数据验证, 表明该方法可有效地解决复杂动态网络同步问题。     

基于卷积神经网络和迁移学习的特高含水油井生产预测

油井的实时生产监测对油田的辅助生产和精细化管理有重要意义。然而,针对仅有小样本生产数据、数据波动大且有缺失的特高含水期油井,传统的机器学习算法无法实现良好的生产预测。提出一种基于卷积神经网络和迁移学习的多任务生产预测方法。该方法不仅可以实现时间和空间上特征的自适应提取,还可以改善模型在小样本数据上的预测性能。结果表明：相比于基准模型,产液量和动液面的平均绝对误差分别降低31.26%和60.81%,决定系数分别提高1.89%和7.59%。基于迁移学习的MTCNN模型提高小样本数据油井的生产预测精度,实现了特高含水油井产液量和动液面的实时预测,对抽油机系统的效率优化、油井边缘设备智能化有参考意义。