一、模糊系统的建模方法讨论（论文文献综述）
梁定坤[1]（2021）在《气动人工肌肉驱动的机器人控制方法研究》文中研究表明伴随着人工智能技术的日新月异,人们对机器人应具备的人机舒适度、自主化程度的需求与日俱增,由体型庞大、柔性不足的传统执行机构（如电机、液压、气缸等）所驱动机器人的发展逐渐陷入瓶颈,举步维艰。为了顺应新时代智能革命的浪潮,安全性更强、柔顺性更高的气动人工肌肉（pneumatic artificial muscle,简称PAM）,也称气动肌肉驱动器,日益成为智能交互柔性机器人的核心,能够以特殊材料机理复现自然生物肌肉的功能。由PAM驱动的机器人具有极高的机动性和惊人的功率密度,可以灵活地与人、环境密切接触,改善整体系统的顺应性和安全性,从而实现舒适友好的人机交互控制。然而,机器人在受益于PAM所带来的良好柔顺特性的同时,也受到PAM固有复杂特性的影响,如迟滞、非线性特性、低响应频率等,这些潜在的问题对后续精确建模和运动控制而言是不利的,将在很大程度上限制PAM的广泛应用。时至今日,面向PAM驱动机器人的运动学/动力学建模工作、位置定位/轨迹跟踪控制方法研究已经具备一定规模,但从实际应用上来看,仍然存在如下一些问题亟待解决与突破:1)现有文献并未讨论PAM驱动机器人的单向输入约束问题,“暴力”使用不连续的滑模控制律去抑制系统不确定性容易加剧抖振现象;2)实际工况下系统可能面临持续的未知干扰,而常见自抗扰方法中的扩张状态观测器微分操作频繁,且参数多、难整定,可能带来高增益、出现尖峰等问题;3)通过多根肌肉的拮抗作用驱动关节运动的做法可能存在打滑与摩擦,并且多数相关工作尚未引入弹簧等减振机制,很难消除残余振荡;再者,现有模型大多是关于转矩的方程,而转矩并非系统真实的控制输入;4)绝大多数现有方法并未限制系统超调,也较少讨论控制律的奇异性,可能存在安全隐患;5)实际执行机构的驱动能力有限,不应忽视饱和、死区等输入约束;此外,实际系统中的未知项通常难以满足线性参数化条件,使得常见自适应方法在处理上述问题时具有局限性,从而降低误差收敛速度。围绕上述挑战,出于理论与实际的双重考虑,针对PAM驱动机器人（包括PAM驱动二连杆机器人）的精准建模与高性能跟踪控制问题开展了深入研究,本文主要贡献列举如下:1)针对具有单向约束的PAM驱动机器人的连续自适应鲁棒控制方法。考虑到PAM驱动机器人存在的单向约束、系统参数不确定性等问题,提出一种连续鲁棒控制策略以及自适应更新律,可以同时补偿不确定性、抑制外部干扰、满足单向约束,实现对参考轨迹的精确定位与跟踪。相比于传统滑模控制方法,所提方法表达式连续,能够避免出现抖振问题。无须任何线性化操作,给出严格的Lyapunov稳定性分析过程,证明了闭环系统在平衡点的渐近稳定性。此外,选取现有的自适应控制方法作为对比,经一系列实际实验验证了所提方法具有良好的控制效果与较强的鲁棒性。2)基于扰动估计的PAM驱动机器人的非线性控制方法。在存在持续未知干扰的情形下,本文为PAM驱动的机器人设计了一种基于扰动估计的非线性控制策略,能够在线估计并实时抑制扰动,实现精确的轨迹跟踪。首先经由模型变换将系统不确定性、未建模动态、外部扰动等表示为集总扰动的形式,利用滑窗迭代积分与最小二乘算法对其进行精确估计。随后引入滑模控制律,进一步消除估计误差并确保系统渐近稳定。基于精确的估计结果可缓解滑模控制压力,大幅削弱抖振问题。此外,给出详细的稳定性分析过程,并对所提方法在持续输入干扰下的有效性及鲁棒性进行了实验验证。3)PAM驱动二连杆机器人的建模与运动控制方法。设计并搭建了一种新型的PAM驱动二连杆机器人,能够及时消除残余振荡,并详细介绍其软/硬件平台的配置。随后,为该机器人平台提出一种精确的动力学建模方法。通过对拉格朗日函数求解肌肉长度的偏导数,并引入PAM的三元素模型,建立了针对气压的动力学模型,相比现有转矩模型而言更加直接有效。4)基于能量的PAM驱动二连杆机器人的非线性控制方法。在所提动力学模型的基础上,提出了一种基于能量的非线性控制方法,能够在满足系统超调、特殊耦合项约束的同时,保证精确的定位/跟踪性能。基于系统能量分析,设计了一种新型储能函数,为构建Lyapunov候选函数奠定基础。利用所设计的辅助函数,确保系统超调与特殊耦合项始终限制在安全范围,能够提高安全性,减少能量损失。全部控制器设计与稳定性分析过程均在原始非线性模型上进行,无需线性化操作即可证明跟踪误差渐近收敛于零。本文为所提方法给出了相应的对比实验结果。5)考虑多输入约束（单向约束、饱和、死区等）的PAM驱动二连杆机器人的自适应模糊滑模控制方法。针对实际元件驱动能力有限的问题,提出一种无需精确模型结构和参数反馈的自适应模糊滑模控制方法,同时实现复杂扰动抑制与精确轨迹跟踪。所提方法不仅考虑了非线性输入约束、复杂扰动估计,还能确保跟踪误差的有限时间收敛性能。所构建的模糊更新律能够对输入约束、参数不确定性、未建模动态和外部干扰等进行实时估计,结合滑模控制方法可以进一步补偿逼近误差所带来的影响。此外,通过闭环系统稳定性分析,证明了误差的有限时间收敛性质。为验证所提方法的实际控制性能,本文提供了丰富的对比实验结果。
郭静[2]（2021）在《基于规则的区间值时间序列粒模型设计》文中提出区间值时间序列作为时间序列的一种,能够描述观测变量的不确定性和可变性,在金融、环境、农业等领域应用广泛,因此,对区间值时间序列的建模和研究已成为研究人员深入探索的一项问题。传统的区间值时间序列模型大多以数值为中心,以提高模型预测精度作为改善模型性能的方向,因此往往容易忽略语义信息,缺少可解释性,并且在面对区间值数据不完全、不确定或数据中包含因人类语言的模糊性所带来的不确定性因素时存在一定的局限性。粒计算是一种以人为中心,专注于构造、表示和处理信息粒的概念和计算平台,作为一种新兴的信息处理方式,粒计算注重对数据整体趋势和特征的理解与认知。本文在粒计算框架的基础上将区间值数据视为区间信息粒,提出了一种基于规则的区间值时间序列粒计算方法。所提出的粒模型的建模过程主要包含三个呈递进关系的部分,即粒原型的生成、初始粒模型的形成以及初始粒模型的优化,并对相应的粒模型进行了详细的推理与计算。在建模过程中,首先将区间值时间序列组织成一系列输入输出对的形式。随后,调用区间型模糊c-均值聚类算法对输入输出对进行聚类,生成粒原型,用来描述区间值时间序列在当前时刻和上一时刻之间映射关系中的关键特征。接下来,生成的粒原型将分别被投射到输入空间和输出空间中,为形成位于输入空间和输出空间的语义信息粒做准备。最后,通过组织一系列的“If-Then”规则,将位于输入输出空间中的语义信息粒之间的映射关系表达出来,形成初始粒模型。为了进一步提高粒模型的精度,模型引入区间值影响因子和区间值修剪因子来扩充初始粒模型的结论部分,对初始粒模型进行进一步优化。所得到的优化粒模型不仅可以保证预测的数值精度,同时也具有良好的可解释性,能够处理区间值时间序列中所包含的语义变量。基于六个真实金融数据集上的数值实验显示了模型中的相关参数对粒模型性能的影响,同时也验证了粒模型的可行性与有效性。
陆艺丹[3]（2021）在《基于TS建模的不均衡不完整数据填补研究》文中研究表明在科技飞速发展的今天,各行各业都离不开数据的采集、记录、分析等操作,因此累积了相当庞大的数据量,而数据缺失是不可避免的问题。数据中的缺失值可能存在重要信息,从而会影响到数据挖掘结果的准确性,因此对不完整数据建模并对缺失值加以填补已经成为一项越来越重要的任务。回归填补通过分析数据集中的存在值和缺失值间的回归关系,对不完整数据建立回归模型从而完成填补,是一种常见的填补方法。但在不同的样本类别上属性间的回归关系通常是不同的,因此本文在TS模糊模型（Takagi-Sugeno Fuzzy model）的框架下,提出一种为不完整数据建立属性间精细回归模型的填补方法。在对不均衡数据集进行模糊建模的过程中通常会把多数类中的样本划分到少数类中。考虑到数据集中类不均衡的情况大量存在,该方法在TS前提参数辨识环节中提出一种基于局部距离的距离密度算法以获得不完整数据的划分,并在此基础上给出了一种样本隶属度的重构策略。为了进一步提高模型的精细度,在TS结论参数辨识环节中对每个模糊子集采用RRelief F算法来选择模型输入的相关特征。该方法针对建模过程中缺失值的存在导致模型输入不完整的问题,将缺失值视为变量,采用迭代学习的方式,动态学习缺失值、模型结构和结论参数,直至迭代收敛。伴随着属性回归建模的完成还可同时获得缺失值的填补结果。本文通过上述所提出方法对不均衡不完整数据建模,进而对缺失值进行填补。在UCI、KEEL数据集的实验结果表明,与传统的回归填补法相比,所提出方法不仅能够考虑到数据集中类不均衡的特性,同时能实现不完整数据中观测数据的充分利用,进而填补精度能够得到有效的提高。
王磊[4]（2021）在《摩擦提升系统动力学特性与振动控制研究》文中认为摩擦提升作为矿井运输提升的重要提升方式,以其提升载重大和提升深度大等显着优点,被越来越多的用于深井提升中。随着提升深度和提升载重的增加,由于滚筒转动误差以及日常的磨损等因素,导致在运行过程中摩擦提升系统的并联提升钢丝绳张力不均,提升容器共振响应大以及尾绳横向振动过大等问题日益严重,不仅增加了钢丝绳断丝、断股的风险,而且会引起提升容器强烈的往复振动颠簸、尾绳的摆动碰摩,甚至扭结缠绕,严重影响系统的安全与可靠性。因此针对摩擦提升系统的并联提升钢丝绳张力,提升容器振动以及尾绳横向振动等重大问题展开研究具有十分重要的意义。本文以多约束条件下时变长度和分布质量的摩擦提升系统为研究工况,针对摩擦提升系统并联提升钢丝绳张力差,提升容器振动以及尾绳横向振动为研究对象,采用Hamilton原理和第一类拉格朗日方程等理论建模,综合利用多尺度方法以及有限差分法等数值求解方法,通过软件仿真验证,得到系统的动力学特性以及变化规律,结合多种振动控制方法,利用实验验证与工业应用相结合的研究手段,旨在掌握摩擦提升系统在强时变多参数影响下的动力学演化规律,提出相应的动力学控制策略和方法,为大深度,大载重的摩擦提升系统的高效,安全和可靠运行提供理论指导和技术支撑。首先,考虑钢丝绳的扭转力与张力平衡装置内摩擦力关联耦合关系,建立摩擦因素和多约束条件作用下的分布质量和时变长度的并联柔索提升系统纵-扭耦合动力学模型,并通过广义α算法求解模型,基于AMESIM仿真软件以及有限元理论方法验证耦合模型的正确性,得到多参数影响下张力平衡装置摩擦力以及并联柔索张力差的产生机理及变化规律,给出抑制张力差的策略。建立“滚筒直径误差率-提升高度-张力平衡装置滑块极限工作行程”瑞利法等效分析力学模型,给出张力平衡装置滑块运行的极限工作行程及变化规律,为张力平衡装置的设计改善提供了理论支撑和改进方案。其次,根据连续介质理论和Hamilton原理推导系统的控制方程和边界条件,提出基于多尺度变换和单模态近似法实现提升系统纵向振动连续体离散模型的降阶计算,并通过ADAMS软件和实验手段验证建立的模型的正确性,探讨不同提升参数下系统振动响应以及共振特性。针对容器共振问题,提出基于滚筒驱动的边界输入主动控制方案,结合模糊系统的万能逼近原理,扰动观测器和Lyapunov函数,设计以变长度提升系统的提升容器纵向振动控制为目标的模糊自适应反演控制器,并通过仿真分析验证了控制器的有效性与自适应性。再次,考虑高速运行的尾绳的大变形、横向振动大等动力学特性以及时变边界工况,构建尾绳横向振动的理论模型和实验模型,并通过图像处理形态学滤波等非接触式测量的实验手段分析不同工况下尾绳横向振动特性并验证理论模型,得到时变边界下尾绳横向振动的变化规律及产生机理。针对尾绳横向振动问题,构建尾绳横向振动自适应抑制机构,建立增加尾绳横向振动自适应抑制机构的尾绳张紧式摩擦提升系统整体动力学模型,通过理论和实验手段验证尾绳环处施加张紧轮对于尾绳横向振动抑制的作用,得到不同参数下的尾绳张紧系统纵向振动特性变化规律。最后,基于第四章中提出的在尾绳底部尾绳环处增加自适应张紧轮的尾绳横向振动抑制方案,分析得到不同工况下尾绳横向振动自适应抑制机构的运行状态和动力学响应,基于线性互补理论构建自适应抑制机构作用下的摩擦提升系统纵向振动非光滑动力学模型,分析高频、大导向阻尼工况下的系统非光滑动力学行为以及紧急制动时系统的响应变化规律,得到尾绳自适应张紧轮在正常与异常运行的临界工况,揭示尾绳张力跳变置零及张紧轮与尾绳跳动分离的非光滑失稳现象,给出尾绳自适应张紧轮正常运行的适用工况范围,给出系统在不同载重、不同制动减速度以及不同制动位置的情况下紧急制动时容器与底部自适应张紧轮的位移及张力响应变化规律,为尾绳横向振动自适应抑制机构的安全紧急制动设计方案提供理论依据。该论文有图147幅,表8个,参考文献156篇。
高赫佳[5]（2021）在《柔性系统的建模与神经网络控制研究》文中提出柔性系统涵盖了柔性机械臂、仿生柔性扑翼飞行器和柔性建筑等多种不同的对象。随着柔性系统的大量应用,其控制理论与方法问题已经成为具有前瞻性的高新技术研究方向,受到了学术界和工业界的广泛关注。目前,柔性系统领域的控制理论与方法问题诸如柔性多连杆机械臂的轨迹跟踪及振动控制问题,自然灾害下柔性建筑的约束控制问题,复杂环境下仿生柔性扑翼机器人的容错控制问题等都己发展成为具有国家重大需求的共性科学问题,极富挑战性。因此,为了突破具有环境适应性的不确定柔性系统的建模与智能控制的技术难题,本文紧密结合柔性系统的智能控制理论与方法的研究趋势及其在实际工业中的应用,对柔性系统的建模机理及控制策略等相关理论和关键技术进行了系统深入地研究。本文采用假设模态方法建立了柔性机械臂系统的动力学模型,解决了柔性系统无穷维特性导致的建模机理的难题;设计了具有一致逼近性能的模糊神经网络控制器,解决了系统动力学不确定性问题;构造了基于高增益观测器的神经网络控制器,解决了实际工程中不易测得的状态信息问题;并成功地在Quanser平台上进行了实验验证,解决了带有动力学不确定性的柔性机械臂的振动控制的难题。其次,针对带有输出约束的柔性建筑系统,基于Actor-Critic算法设计了自适应强化学习控制器,设计辅助系统及扰动观测器,解决了未知扰动条件下柔性建筑的输出约束及振动抑制问题;并在Quanser平台上进行了实验验证,突破了传统控制方法无法处理分布式扰动、高维数、不确定系统的局限性。另外,针对仿生扑翼飞行机器人系统,采用新型有限刚体儿方法和MapleSim仿真平台进行了可视化建模,基于非奇异快速终端滑模方法设计了自适应有限时间容错控制器,并在搭建的虚拟智能平台上进形了测试,解决了系统动力学的不确定性、执行器故障下的鲁棒性及复杂环境下的稳定性问题。本文分析了几类柔性系统的动力学特性,研究了生产开发过程中的振动控制和优化问题,该研究成果将为柔性系统的建模机理与控制设计提供理论依据,为振动控制的实现提供技术支撑,并进一步促进机械结构与控制系统学科间的交叉研究。
熊剑[6]（2021）在《超临界机组的灵活性运行建模与先进控制策略研究》文中进行了进一步梳理波动性可再生能源的发电比例不断提高,导致超临界火电机组的运行目标从追求高效节能转变为注重提升机组的灵活性、机组深度调峰及快速升降负荷能力。为提升火电灵活性,一种可行的方法是设计先进控制算法,而控制算法发挥性能的前提是精确、简洁的数学模型。所以对超临界机组进行建模和控制策略两方面的研究具有重要意义。本文将协调控制系统作为研究对象,在建立高精度模型的基础上,为其设计先进的控制算法,以提升机组运行灵活性。在建模部分,模型结构上,将T-S模糊增量模型输出表达式与模糊神经网络的结论部分相结合,从而构建一种新型的模糊神经网络结构,该结构中局部线性模型的精度大大提升。参数训练上,先利用改进的核k-means++算法对前提部分参数进行训练。该算法采用谢尔贝尼指数法初始化模糊规则个数,消除了传统人工选取规则数的局限性。且使用核空间距离代替传统的欧几里得距离,得到了更佳的聚类中心和半径参数。然后采用有监督自适应梯度下降法对结论网络参数进行初始优化,再用人工免疫粒子群算法对进行二次优化。在控制策略部分,本文提出了一种双层的分层递阶控制结构,其中上层是无静差非线性约束广义预测控制器,计算得到最优控制序列。下层是L1自适应控制器,通过估计不确定性、实现最优轨迹跟踪。控制器设定值优化方面,使用一种柔化因子自适应调整的设定值柔化操作,来进一步改善控制性能。最后,在前述由现场数据驱动的模糊神经网络模型的基础上,对控制算法进行测试。单输出改变实验、灵活性运行对比实验及抗干扰等多项实验中都实现良好的跟踪,其中最大负荷爬坡率达到额定负荷的6%每分钟,且控制量没有较大波动。实验结果表明本文控制器可以在保证安全稳定运行的前提下,使机组达到灵活性运行的要求。
赵毓[7]（2021）在《多智能体系统自主规避任务决策方法研究》文中进行了进一步梳理随着航空航天事业的高速发展,越来越多的飞行器采用群体或多体协同的方式执行任务,呈现出典型的多智能体特征,适于使用多智能体理论对其进行分析和建模,对分布式自主决策技术的需求日益突出。飞行器自主规避是确保其安全性最直接有效的方法,但是当前对相关技术的研究多是基于静态全局规划算法,难以满足动态场景中多实体间实时协同需求。为了解决多实体协同规避问题,本文引用多智能体系统思想对其进行规避任务决策技术研究。多智能体系统有着自主、高效和可扩展的优点,本文将其与强化学习技术相结合,用以设计飞行器决策算法。本文以航天器反拦截、无人机避碰和空间机械臂轨迹规划等典型任务为研究背景,对多智能体自主规避任务决策问题进行研究,结合真实约束条件,实现智能体的实时决策。本文取得主要研究成果如下:在运动分析基础上给出智能体与环境交互的数学模型。针对多智能体系统规避决策问题,建立部分可观马尔科夫决策模型,考虑部分可观的约束条件,结合博弈理论研究了多智能体马尔科夫博弈问题,分析常规回报函数的设计方法,并给出了求解序列决策的三种典型方式。在多智能体强化学习方面,分析了航天器规避机动场景和空间机械臂捕捉场景的决策流程;将策略梯度方法向多智能体系统进行改进研究;提出一种基于策略协调和信度分配的Actor-Critic强化学习方法,用于解决全局可观条件下决策器的训练和策略提升问题,并给出相关收敛性分析;根据任务需求设计各关键环节的神经网络结构和算法流程。分别在航天器反拦截和空间机械臂避障规划等多种任务场景中进行了强化学习训练,通过对累积回报值和成功率的结果对比分析验证了所提方法的正确性和有效性。在强化学习算法应用方面,分析典型任务场景对决策效率的约束情况;针对问题场景设计了进行任务决策的神经网络结构,并对其不同部分设计压缩方法;在神经网络权值聚类和量化的基础上,提出一种自适应分层重构剪枝方法,该方法以重训练的方式对目标神经网络进行动态剪枝和压缩,用于提高决策器运行速度,并压缩其存储空间;对部分可观条件下的任务场景进行强化学习系统设计,详细给出了回报函数的设计方法。分别在有限空域大量无人机场景和多航天器反拦截场景对提出方法进行仿真验证,从决策运行速度、累计回报值和成功率等方面对算法性能进行分析和讨论,并验证了所提强化学习方法对实体数量可变环境的适应性。在任务环境稀疏奖励问题上,对任务场景约束和常规强化学习算法局限性进行分析,设计了案例评价机制;提出逆值法强化学习算法,解决了奖励延迟分配和无奖励引导系统学习效率低的问题;基于马尔科夫博弈理论设计了自学习系统,并结合启发式搜索思想分析了所提算法的收敛性;分析了有扰动状态输入情况,并设计了用于对比分析的有限状态机;分析了算法优势和改进方向。在仿真验证中与前文章节训练所得决策器进行了对比分析,验证了所提算法的正确性和相关性能优势。本文对多智能体决策技术进行探索,研究了信度分配、策略协调、执行提速和稀疏奖励等重要方向,提高了航空航天硬件设备在执行任务中的存活率,所得研究成果对航空航天安全保障技术的发展具有一定的参考价值。
郭璐彬[8]（2021）在《超音速燃烧系统燃气温度多尺度建模与控制策略研究》文中研究说明近年来随着科技的不断发展,我国在航空航天领域取得了极大的进步,但在航空发动机领域却与世界先进水平存在着不小的差距。作为模拟航空发动机的超音速燃烧系统,它的性能的好坏直接关系到动态温度校准的准确度和高速飞行器试件安全测试的可信度,从而不仅对航空领域的型号研制、科研、试验和生产产生重要的影响,而且也直接影响着高速飞行器的安全性。因此,对超音速燃烧系统的燃气温度进行控制研究具有重要的意义。首先,针对系统核心的供油子系统、供气子系统及系统燃烧室,分别对其进行建模。对供油子系统进行建模时,分为变频泵控工作模式与旁路比例阀控工作模式;接着对供气子系统进行建模;最后建立了系统燃烧室的集总参数模型。其次,使用经验模态分解对系统燃气温度的多尺度特性进行了分解,为了进一步研究燃气温度中噪声的多少,在燃气温度中加入幅值信噪比分别为5、10、20的高斯噪声信号,对其分解后进行对比分析,结果表明燃气温度中的噪声信号非常少。在此基础上,基于Elman神经网络,结合样本熵与思维进化算法对燃气温度建立了预测模型,模型的平均绝对误差为0.1472,能够很好地预测燃气温度。最后,对超音速燃烧系统的燃烧温度进行控制策略研究。针对燃气温度容易受到外界环境温度变化、空气流量变化及工况变化等因素影响的特点,提出了以燃油流量为内环、以燃烧室燃气温度为外环的串级控制方案,分别采用模糊PID预测控制与滑模预测控制算法对系统进行控制,实现了不同控制策略时的多种串级控制策略,并对控制策略进行了仿真分析,仿真结果表明:滑模预测控制算法的串级控制的响应时间与超调量均优于模糊PID控制算法串级控制。本研究成果可以显着提高超音速燃烧系统的控温速率和控温精度,提升超音速燃烧系统的总体性能,保证高温高热领域和航空航天领域高端装备的性能水平。
关李晶[9]（2021）在《基于模糊划分的不完整数据属性关联建模及缺失值填补》文中研究说明面对源源不断产生的海量数据,人们希望能从中揭示事物潜在的规律,发掘具有重要价值的知识。但缺失数据的存在不仅增加了数据挖掘的难度,并会降低分析结果的可靠性。合理填补缺失值成为当前数据分析和挖掘中一个非常重要的环节。对此,本文采用数据建模的方法填补不完整数据中的缺失值,通过构建模型挖掘数据属性间的关联关系,以提高模型对不完整数据属性关联关系的逼近能力为目标,开展了如下工作:（1）针对“不同样本类别间的属性关联关系往往存在一定差异性”这一现象,采用依类建模的思路,建立不完整数据属性间的线性回归模型。首先,利用基于优化完整策略的模糊C均值聚类（OCS-FCM）算法对不完整数据集进行划分,然后在各模糊子集上分别为相应的属性关联关系建立线性回归模型,进而实现了基于Takagi-Sugeno（T-S）结构的不完整数据属性关联建模以及基于模型的缺失值重构填补。（2）针对不完整数据属性间关联关系的复杂性,提出了一种不完整数据单输出子网建模方法,依次以每一缺失属性单独作输出,其他属性作输入构建神经网络模型,该网络结构能深刻刻画出每一属性与其他属性间的关联关系。针对由于缺失值存在所导致的模型输入不完整的问题,从缺失值的对待和描述切入,提出将缺失值视为系统级变量,通过子网间的迭代学习实现网络参数的交替更新与缺失值的动态填补。该方法可有效利用不完整数据中所有的存在属性值信息,所获得的子网群模型是对不完整数据中所有存在属性值所蕴含的属性关联关系的一种拟合。（3）在上述两方面研究的基础上,提出将单输出子网群架构于T-S模糊系统的不完整数据属性关联建模方法。在OCS-FCM模糊划分的基础上,依托各模糊子集分别为不完整数据建立单输出子网群模型,并通过隶属度信息将各子集上的子网群模型平滑连接,进而建立了不完整数据的“TS-子网群”模型,实现了基于模型的缺失值填补。所提出的“TS-子网群”建模方法充分结合了T-S依类建模的精细性和单输出子网拟合的精确性,实验结果验证了该方法有效性。
廖文旭[10]（2021）在《复杂环境下无人机航迹规划算法的研究》文中指出目前无人机在部分作战场景中已经可以替代有人作战武器,承担特定的侦察和打击任务。在执行复杂环境下的作战任务时,一个真实可行的战场环境,作为任务的前提和基础,可以为之后的航迹规划算法提供真实可靠的信息,而在此基础上设计的航迹规划算法的仿真实验可以为真实无人机作战有着更好的借鉴和启发作用。本文在充分考虑威胁模型的基础上,以设定的任务为目标导向,考虑到无人机自身的性能特点,主要针对威胁参数的选取,以及多威胁下的无人机单机侦察/打击任务的航迹规划算法的优化设计进行了研究。通过对多威胁环境下的无人机航迹规划优化算法进行仿真和分析,验证了算法的有效性。本文的研究内容主要有以下方面:（1）提出基于专家组评价和威胁特性的模糊逻辑优化的威胁参数选取方法。并基于该方法,采用扩展Voronoi图的方式设计了多威胁环境下的数字威胁地图。首先是明确复杂环境中的各类要素组成,将无人机任务中面对的各类威胁进行分类讨论。然后,为了更好反映威胁源的威胁能力,提出了基于多位专家的专家组评价和威胁能力的多参数模糊优化方法,对无人机航迹规划中可能涉及的各类威胁源进行模糊优化处理,使最后得到的威胁模型更加可靠,更符合实际中的威胁能力。（2）在给定的多威胁环境的基础上,提出采用已知威胁和燃油代价形成的多目标代价约束下的基于Dijkstra的改进航迹规划算法,用来执行无人机单机侦察任务的静态规划方法。针对目前求解两点间的最优路径算法:Dijkstra算法进行深入研究,并根据设计的多威胁环境通过建立多目标约束代价函数的方式进行改进设计。仿真结果验证了采用的多约束代价函数的Dijkstra算法能够有效的为在多威胁源的复杂环境下执行侦察任务无人机规划出在多约束条件下的威胁代价最小的路径规划。（3）为弥补Dijkstra算法的收敛速率慢的缺点,提出一种基于给定的复杂环境下的Dijkstra-ACO融合改进航迹规划算法,用来执行无人机单机侦察/打击任务的静态规划方法。利用蚁群算法与Dijkstra算法进行融合改进,将Dijkstra算法由于自身易发散导致的收敛速率较低的问题,以及蚁群算法易陷入局部最优的问题通过把Dijkstra算法得到的初始航迹,并基于得到的初始航迹路线,通过改进蚁群算法的启发函数与信息素更新公式的方式进行解决。并将Dijkstra与Dijkstra-ACO融合算法进行了仿真实验对比分析,实验结果表明,在同一威胁地图的条件下,Dijkstra-ACO融合算法具有更好的收敛效率。（4）针对多威胁源下的复杂环境特点,基于提出的于Dijkstra-ACO算法,针对不完全信息条件下的复杂环境的无人机在线航迹规划算法,作为无人机在复杂环境下执行任务的补充和完善。由于存在各种主客观原因导致无人机不能在开始执行任务时就已经完全探知战场环境,因此为了进一步的提高威胁模型对真实战场环境的仿真程度,验证Dijkstra-ACO算法的有效性,针对局部信息未知的环境下的无人机在线航迹规划算法进行了设计仿真,通过仿真结果分析,证明了算法的可靠性。
二、模糊系统的建模方法讨论（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、模糊系统的建模方法讨论（论文提纲范文）
（1）气动人工肌肉驱动的机器人控制方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 第一节 研究背景与意义 |
| 第二节 气动人工肌肉的建模方法概述 |
| 第三节 单气动肌肉驱动的机器人国内外研究现状 |
| 第四节 多气动肌肉驱动的机器人国内外研究现状 |
| 1.4.1 传统控制方法 |
| 1.4.2 高级控制方法 |
| 1.4.3 智能控制方法 |
| 第五节 气动肌肉驱动的机器人研究现状分析 |
| 第六节 本文主要研究内容 |
| 第二章 针对具有单向约束的气动人工肌肉驱动机器人的连续自适应鲁棒控制 |
| 第一节 引言 |
| 第二节 问题描述与模型分析 |
| 第三节 连续自适应鲁棒控制器设计 |
| 第四节 稳定性证明与分析 |
| 第五节 实验结果及分析 |
| 2.5.1 气动人工肌肉驱动的机器人硬件实验平台 |
| 2.5.2 连续自适应鲁棒控制实验结果 |
| 第六节 本章小结 |
| 第三章 基于扰动估计的气动人工肌肉驱动机器人的非线性控制 |
| 第一节 引言 |
| 第二节 问题描述与模型分析 |
| 第三节 系统参数与未知扰动的在线估计 |
| 第四节 基于扰动估计的非线性控制器设计 |
| 第五节 稳定性证明及分析 |
| 第六节 实验结果与分析 |
| 第七节 本章小结 |
| 第四章 气动人工肌肉驱动二连杆机器人的平台搭建与模型建立 |
| 第一节 引言 |
| 第二节 气动人工肌肉驱动二连杆机器人平台设计 |
| 4.2.1 平台硬件系统设计 |
| 4.2.2 平台软件系统设计 |
| 第三节 气动人工肌肉驱动二连杆机器人的动力学建模 |
| 第四节 本章小结 |
| 第五章 基于能量的气动人工肌肉驱动二连杆机器人的非线性控制 |
| 第一节 引言 |
| 第二节 问题描述与模型分析 |
| 第三节 基于能量的非线性控制器设计 |
| 第四节 稳定性证明及分析 |
| 第五节 实验结果及分析 |
| 第六节 本章小结 |
| 第六章 考虑多输入约束的气动肌肉驱动二连杆机器人的自适应模糊滑模控制 |
| 第一节 引言 |
| 第二节 问题描述与模型分析 |
| 第三节 自适应模糊滑模控制器设计 |
| 第四节 稳定性证明及分析 |
| 第五节 实验结果及分析 |
| 第六节 本章小结 |
| 第七章 总结及展望 |
| 第一节 本文研究内容总结 |
| 第二节 未来工作展望 |
| 参考文献 |
| 个人简历及在学期间研究成果 |
（2）基于规则的区间值时间序列粒模型设计（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 时间序列分析及其发展历史 |
| 1.3 区间值时间序列及其研究现状 |
| 1.4 粒计算及其研究现状 |
| 1.5 本文的研究内容及结构 |
| 2 区间型模糊c-均值聚类算法研究 |
| 2.1 聚类算法和标准模糊c-均值聚类算法 |
| 2.2 区间型模糊c-均值聚类算法 |
| 2.3 数值实验 |
| 2.4 本章小结 |
| 3 基于规则的区间值时间序列粒模型 |
| 3.1 引言 |
| 3.2 粒原型的生成 |
| 3.3 初始粒模型的构建 |
| 3.3.1 数值区间预测 |
| 3.3.2 语义信息预测 |
| 3.4 初始粒模型的优化 |
| 3.4.1 数值区间预测 |
| 3.4.2 语义信息预测 |
| 3.5 数值实验 |
| 3.6 本章小结 |
| 4 实验研究 |
| 4.1 数据集介绍 |
| 4.2 评价指标 |
| 4.3 实验结果与分析 |
| 4.3.1 信息粒数量对粒模型数值精确度的影响 |
| 4.3.2 信息粒数量对粒模型语义准确度的影响 |
| 4.3.3 实验结果分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（3）基于TS建模的不均衡不完整数据填补研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 缺失值填补的研究背景与意义 |
| 1.1.2 不均衡数据的研究背景和意义 |
| 1.2 国内外的研究现状 |
| 1.2.1 缺失值填补的研究现状 |
| 1.2.2 不均衡数据的研究现状 |
| 1.3 本文的研究内容 |
| 1.4 本文的结构安排 |
| 2 基于TS建模的不完整数据填补 |
| 2.1 TS模型基本结构 |
| 2.2 基于TS建模的不完整数据填补 |
| 2.2.1 基于FDS-FCM的前件结构辨识方法 |
| 2.2.2 基于最小二乘法的后件结构辨识方法与缺失值填补 |
| 2.3 实验与分析 |
| 2.3.1 实验方案 |
| 2.3.2 结果与分析 |
| 2.4 本章小结 |
| 3 基于TS建模的不均衡不完整数据填补 |
| 3.1 TS模型前件部分优化 |
| 3.2 基于TS建模的不均衡不完整数据填补 |
| 3.2.1 基于距离密度算法的前件结构辨识方法 |
| 3.2.2 基于最小二乘法的后件结构辨识方法与缺失值填补 |
| 3.3 实验与分析 |
| 3.3.1 实验方案 |
| 3.3.2 合成数据集的结果与分析 |
| 3.3.3 真实数据集的结果与分析 |
| 3.4 本章小结 |
| 4 不均衡不完整数据精细建模与填补值迭代学习 |
| 4.1 TS模型后件部分优化 |
| 4.2 不均衡不完整数据精细建模与填补值迭代学习 |
| 4.2.1 基于距离密度算法的前件结构辨识方法 |
| 4.2.2 基于交替迭代方案的后件结构辨识方法 |
| 4.2.3 基于RRelief F交替迭代方案的后件结构辨识方法 |
| 4.3 实验与分析 |
| 4.3.1 实验方案 |
| 4.3.2 结果与分析 |
| 4.4 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（4）摩擦提升系统动力学特性与振动控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 课题来源(Source of Subject) |
| 1.2 选题背景及意义(Background and Significance) |
| 1.3 国内外研究现状(Domestic and Foreign Researches Overview) |
| 1.4 研究现状分析(Analysis of Research Status) |
| 1.5 研究内容与目标(Outlines and Objectives) |
| 1.6 本章小结(Brief Summary of This Chapter) |
| 2 多绳并联摩擦提升系统张力特性分析 |
| 2.1 引言(Introduction) |
| 2.2 纵扭耦合动力学模型建立(Establishment ofLongitudinal-torsional Coupling Dynamic Model) |
| 2.3 仿真验证(Simulation Analysis) |
| 2.4 张力特性分析(Analysis of Tension Characteristics) |
| 2.5 本章小结(Brief Summary of This Chapter) |
| 3 摩擦提升系统纵向振动特性与自适应振动控制策略 |
| 3.1 引言(Introduction) |
| 3.2 基于多尺度变换的纵向振动降阶计算模型(Reduced Order Calculation Model of Longitudinal Vibration Based on Multi-scale Transformation) |
| 3.3 摩擦提升系统纵向振动实验研究(Experimental Study on Longitudinal Vibration of Friction Lifting System) |
| 3.4 基于模糊自适应反演控制方法的容器纵向振动控制(Longitudinal Vibration Control of Conveyance on Fuzzy Adaptive Backstepping Control Method) |
| 3.5 本章小结(Brief Summary of This Chapter) |
| 4 摩擦提升系统尾绳横向振动特性及抑制策略研究 |
| 4.1 引言(Introduction) |
| 4.2 尾绳横向振动实验与理论分析(Experiment and Theoretical Analysis of Compensating Rope Swing) |
| 4.3 尾绳横向振动自适应抑制策略与建模分析(Compensating Rope Swing Suppression Strategy and Modeling Analysis) |
| 4.4 自适应抑制机构振动特性分析(Vibration Analysis of the Swing Suppression System) |
| 4.5 本章小节(Brief Summary of This Chapter) |
| 5 尾绳横向振动自适应抑制机构非光滑动力学行为分析 |
| 5.1 引言(Introduction) |
| 5.2 非光滑动力学行为理论分析(Limit Condition Analysis) |
| 5.3 非光滑动力学行为实验验证(Experimental Verification of Non-smooth Dynamics) |
| 5.4 尾绳横向振动自适应抑制机构工业应用(Industrial Application of Compensating Rope Swing Suppression System) |
| 5.5 本章小结(Brief Summary of This Chapter) |
| 6 总结与展望 |
| 6.1 主要结论(Conclusions) |
| 6.2 主要创新点(Main Innovations of This Research) |
| 6.3 研究展望(Outlook) |
| 参考文献 |
| 附录1 |
| 附录2 |
| 作者简历 |
| 学位论文数据集 |
（5）柔性系统的建模与神经网络控制研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 柔性机械臂建模与控制技术 |
| 1.2.2 柔性建筑系统振动控制技术 |
| 1.2.3 仿生扑翼飞行器建模与控制技术 |
| 1.3 主要贡献与结构安排 |
| 2 预备知识 |
| 2.1 哈密顿(Hamilton)原理 |
| 2.2 离散化建模方法 |
| 2.2.1 假设模态法 |
| 2.2.2 有限刚体元法 |
| 2.3 拉格朗日(Lagrange)方程方法 |
| 2.4 神经网络(Neural Network)方法 |
| 2.5 李雅普诺夫(Lyapunov)直接法 |
| 2.6 本章小结 |
| 3 柔性机械臂系统的建模与神经网络控制 |
| 3.1 单连杆柔性机械臂的模糊神经网络控制 |
| 3.1.1 基于假设模态法的动力学建模 |
| 3.1.2 基于模糊逻辑的神经网络控制 |
| 3.1.3 仿真结果及分析 |
| 3.1.4 实验结果及分析 |
| 3.2 双连杆柔性机械臂的输出反馈神经网络控制 |
| 3.2.1 基于假设模态法的动力学建模 |
| 3.2.2 基于高增益观测器的神经网络控制 |
| 3.2.3 仿真结果及分析 |
| 3.2.4 实验结果及分析 |
| 3.3 本章小结 |
| 4 柔性建筑结构系统的建模与强化学习控制 |
| 4.1 带有偏心负载柔性建筑的输出约束神经网络控制 |
| 4.1.1 基于假设模态法的动力学建模 |
| 4.1.2 基于障碍李雅普诺夫函数的神经网络控制 |
| 4.1.3 仿真结果及分析 |
| 4.1.4 实验结果及分析 |
| 4.2 带有主动质量阻尼器柔性建筑的强化学习控制 |
| 4.2.1 基于假设模态法的动力学建模 |
| 4.2.2 基于Actor-Critic算法的强化学习控制 |
| 4.2.3 仿真及实验验证 |
| 4.3 本章小结 |
| 5 仿生柔性扑翼飞行机器人的建模与智能控制 |
| 5.1 带有分布时变扰动的柔性梁系统的神经网络控制 |
| 5.1.1 基于假设模态法的动力学建模 |
| 5.1.2 基于扰动观测器的神经网络控制 |
| 5.1.3 仿真验证 |
| 5.2 带有执行器故障的柔性扑翼系统的学习控制 |
| 5.2.1 基于有限刚体元法的动力学建模 |
| 5.2.2 基于非奇异快速终端滑模方法的智能控制 |
| 5.2.3 联合仿真验证 |
| 5.3 本章小结 |
| 6 结论与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及在学研究成果 |
| 学位论文数据集 |
（6）超临界机组的灵活性运行建模与先进控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 超临界机组建模及模糊神经网络技术研究现状 |
| 1.2.2 超临界机组灵活性运行及分层控制策略的研究现状 |
| 1.3 本文的主要工作内容 |
| 第2章 超临界机组及其灵活性运行技术 |
| 2.1 引言 |
| 2.2 超临界机组及其协调控制系统概述 |
| 2.2.1 超临界机组的特点 |
| 2.2.2 协调控制系统的特点 |
| 2.2.3 超临界机组协调控制系统的参数可辨识性 |
| 2.3 超临界机组的灵活性运行技术 |
| 2.3.1 超临界机组灵活性运行制约因素 |
| 2.3.2 超临界机组灵活性运行技术方案 |
| 2.3.3 超临界机组灵活性运行技术可行性分析 |
| 2.4 小结 |
| 第3章 超临界机组灵活性运行建模 |
| 3.1 引言 |
| 3.2 新型的模糊神经网络模型结构 |
| 3.3 新型的模糊神经网络模型训练算法 |
| 3.3.1 前提部分网络参数训练 |
| 3.3.2 结论部分网络参数训练 |
| 3.4 基于模糊神经网络的超临界机组协调控制系统灵活性运行模型 |
| 3.4.1 灵活性运行模型参数设置 |
| 3.4.2 灵活性运行模型训练结果 |
| 3.4.3 灵活性运行模型通用性测试 |
| 3.4.4 建模方法的验证实验 |
| 3.5 小结 |
| 第4章 分层递阶控制在超临界机组灵活性运行中的应用 |
| 4.1 引言 |
| 4.2 新型的分层递阶控制结构 |
| 4.3 无静差非线性约束广义预测控制 |
| 4.3.1 预测模型 |
| 4.3.2 丢番图方程的递推解 |
| 4.3.3 滚动优化 |
| 4.4 L1自适应控制 |
| 4.5 设定值自适应柔化操作 |
| 4.6 超临界机组灵活性运行的分层递阶控制仿真 |
| 4.6.1 控制器参数选取 |
| 4.6.2 灵活性运行跟踪对比实验 |
| 4.6.3 抗干扰对比实验 |
| 4.7 小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文及其他成果 |
| 致谢 |
（7）多智能体系统自主规避任务决策方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 典型多智能体系统技术发展 |
| 1.2.1 无人机集群避碰技术研究现状 |
| 1.2.2 多自由度空间机械臂避障技术研究现状 |
| 1.2.3 航天器规避机动算法发展现状 |
| 1.3 基于自学习理论的决策方法国内外研究现状 |
| 1.3.1 多智能体深度强化学习方法研究现状 |
| 1.3.2 深度神经网络压缩及加速方法研究现状 |
| 1.3.3 稀疏奖励强化学习方法研究现状 |
| 1.4 主要研究内容及论文结构 |
| 1.4.1 存在问题及技术难点 |
| 1.4.2 研究内容及章节安排 |
| 第2章 多智能体系统决策模型 |
| 2.1 引言 |
| 2.2 动力学相关描述 |
| 2.2.1 多智能体系统运动模型 |
| 2.2.2 空间拦截器制导律 |
| 2.3 多智能体部分可观决策模型 |
| 2.3.1 马尔科夫决策过程理论基础 |
| 2.3.2 分布式部分可观马尔科夫博弈 |
| 2.3.3 常规回报函数设计思路 |
| 2.4 序列决策问题求解方法 |
| 2.4.1 模糊系统 |
| 2.4.2 有限状态机 |
| 2.4.3 蒙特卡洛树搜索 |
| 2.5 本章小结 |
| 第3章 基于ACTOR-CRITIC架构的自主决策算法 |
| 3.1 引言 |
| 3.2 问题场景描述 |
| 3.2.1 航天器规避机动问题场景描述 |
| 3.2.2 空间机械臂轨迹规划场景描述 |
| 3.2.3 多智能体系统决策流程分析 |
| 3.3 多智能体策略梯度强化学习方法 |
| 3.3.1 算法基础理论框架 |
| 3.3.2 策略梯度算法收敛性分析 |
| 3.3.3 策略梯度方法在多智能体系统中应用 |
| 3.4 基于信度分配的多智能体强化学习框架 |
| 3.4.1 航天器规避决策方法 |
| 3.4.2 案例优选的空间机械臂决策方法 |
| 3.4.3 基于信度分配的算法收敛性分析和改进 |
| 3.4.4 网络结构设计及算法流程 |
| 3.5 仿真及结果分析 |
| 3.5.1 基于最优控制理论的对比算法 |
| 3.5.2 航天器规避机动仿真 |
| 3.5.3 空间机械臂轨迹规划仿真 |
| 3.5.4 强化学习算法仿真结果简析 |
| 3.6 本章小结 |
| 第4章 多智能体分布式协同避碰决策方法研究 |
| 4.1 引言 |
| 4.2 有限空域无人机集群避碰问题分析 |
| 4.2.1 求解策略的训练方法 |
| 4.2.2 在线协调和沟通机制 |
| 4.3 多智能体强化学习系统设计 |
| 4.3.1 状态空间和动作空间选取 |
| 4.3.2 系统体系结构和流程分析 |
| 4.3.3 回报函数设计 |
| 4.4 仿真及结果分析 |
| 4.4.1 仿真条件设定 |
| 4.4.2 训练曲线及场景案例仿真 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 第5章 基于优化神经网络的分布式规避决策方法 |
| 5.1 引言 |
| 5.2 多航天器对多拦截器协同规避问题研究 |
| 5.2.1 状态空间和动作空间选取 |
| 5.2.2 系统体系结构和流程分析 |
| 5.2.3 回报函数设计 |
| 5.3 基于自适应重构方法的深度神经网络优化方法 |
| 5.3.1 神经网络结构设计 |
| 5.3.2 权值聚类及量化 |
| 5.3.3 自适应分层重构剪枝 |
| 5.4 仿真及结果分析 |
| 5.4.1 基于微分对策理论的对比算法 |
| 5.4.2 神经网络优化算法试验及数值仿真 |
| 5.4.3 强化学习训练及场景案例仿真 |
| 5.4.4 结果分析 |
| 5.5 本章小结 |
| 第6章 基于逆值法的多航天器自学习规避算法 |
| 6.1 引言 |
| 6.2 稀疏奖励强化学习算法分析 |
| 6.2.1 规避任务分析 |
| 6.2.2 常规强化学习方法局限 |
| 6.2.3 逆值法强化学习算法 |
| 6.2.4 算法核心逻辑流程 |
| 6.3 多智能体稀疏奖励自学习系统设计 |
| 6.3.1 自学习系统结构设计 |
| 6.3.2 信念状态估计方法 |
| 6.3.3 逆值法在案例中的收敛性简析 |
| 6.3.4 网络结构和算法流程 |
| 6.4 仿真及结果分析 |
| 6.4.1 基于有限状态机的对比算法 |
| 6.4.2 仿真条件设定 |
| 6.4.3 结果对比分析 |
| 6.4.4 算法优势及改进分析 |
| 6.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
（8）超音速燃烧系统燃气温度多尺度建模与控制策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 超音速燃烧系统组成及工作原理 |
| 1.3 超音速燃烧系统相关技术的研究进展 |
| 1.3.1 系统建模 |
| 1.3.2 系统多尺度分析 |
| 1.3.3 燃气温度控制策略 |
| 1.4 论文的主要研究内容 |
| 第2章 超音速燃烧系统的数学模型 |
| 2.1 超音速燃烧系统工作原理 |
| 2.2 供油子系统模型 |
| 2.3 供气子系统模型 |
| 2.4 燃气温度模型 |
| 2.5 本章小结 |
| 第3章 超音速燃烧系统燃气温度的多尺度分析 |
| 3.1 多尺度分析的概念 |
| 3.2 经验模态分解 |
| 3.3 燃气温度的经验模态分解 |
| 3.4 燃气温度的多尺度分析 |
| 3.5 本章小结 |
| 第4章 基于Elman神经网络的燃气温度的多尺度建模 |
| 4.1 相关理论概述 |
| 4.1.1 样本熵 |
| 4.1.2 思维进化算法 |
| 4.1.3 Elman神经网络 |
| 4.2 基于Elman神经网络的主燃温度预测模型 |
| 4.2.1 预测模型概述 |
| 4.2.2 预测模型参数设置 |
| 4.2.3 模型的建立 |
| 4.3 预测模型结果分析 |
| 4.4 本章小结 |
| 第5章 超音速燃烧系统燃气温度的控制策略研究 |
| 5.1 控制策略理论概述 |
| 5.1.1 PID控制器 |
| 5.1.2 模糊PID预测控制 |
| 5.1.3 滑模预测控制 |
| 5.1.4 Levinson预测器 |
| 5.2 系统控制方案 |
| 5.3 空气流量控制 |
| 5.3.1 控制器结构与原理 |
| 5.3.2 Simth控制器设计 |
| 5.3.3 模糊滑模控制器设计 |
| 5.3.4 仿真参数 |
| 5.3.5 仿真结果 |
| 5.3.6 仿真结果讨论 |
| 5.4 燃气温度控制 |
| 5.4.1 Fuzzy PID-Levfuzzy PID串级控制 |
| 5.4.2 SDMC-Levfuzzy PID串级控制 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 攻读硕士学位期间取得的科研成果 |
（9）基于模糊划分的不完整数据属性关联建模及缺失值填补（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 不完整数据建模与填补的研究现状 |
| 1.2.1 基于统计分析技术的方法 |
| 1.2.2 基于机器学习技术的方法 |
| 1.3 本文研究动机及结构安排 |
| 1.3.1 研究动机 |
| 1.3.2 主要研究内容及结构安排 |
| 2 不完整数据属性关联的模糊划分建模方法 |
| 2.1 引言 |
| 2.2 T-S模糊模型结构 |
| 2.3 T-S模型的辨识 |
| 2.3.1 前件参数辨识 |
| 2.3.2 后件参数辨识 |
| 2.4 基于T-S模型的不完整数据建模 |
| 2.5 实验及结果分析 |
| 2.5.1 实验方案 |
| 2.5.2 实验结果与分析 |
| 2.6 本章小结 |
| 3 不完整数据属性关联的神经网络建模方法 |
| 3.1 引言 |
| 3.2 不完整数据的多层感知机模型 |
| 3.3 不完整数据的自编码器模型 |
| 3.4 不完整数据的单输出子网模型 |
| 3.4.1 单输出子网结构 |
| 3.4.2 不完整数据的单输出子网群模型 |
| 3.4.3 基于单输出子网迭代学习的不完整数据建模方法 |
| 3.5 实验及结果分析 |
| 3.5.1 实验方案 |
| 3.5.2 实验结果 |
| 3.5.3 结果分析 |
| 3.6 本章小结 |
| 4 不完整数据的TS-子网群建模方法 |
| 4.1 引言 |
| 4.2 TS-子网群模型 |
| 4.3 基于TS-子网群的不完整数据建模 |
| 4.4 实验及结果分析 |
| 4.4.1 实验方案 |
| 4.4.2 实验结果及分析 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（10）复杂环境下无人机航迹规划算法的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人机发展现状 |
| 1.2.2 威胁建模 |
| 1.2.3 航迹规划算法 |
| 1.3 研究内容 |
| 1.4 论文章节安排 |
| 第二章 总体方案分析与设计 |
| 2.1 引言 |
| 2.2 威胁模型设计方法分析 |
| 2.3 无人机航迹规划算法分析 |
| 2.4 总体方案设计 |
| 2.5 本章小结 |
| 第三章 复杂环境模型设计 |
| 3.1 引言 |
| 3.2 相关原理介绍 |
| 3.2.1 有向图介绍 |
| 3.2.2 常规战场要素分析 |
| 3.3 威胁源模型设计 |
| 3.3.1 基于威胁边界的威胁源设计 |
| 3.3.2 基于威胁概率的威胁源设计 |
| 3.3.3 特殊威胁源模型设计 |
| 3.4 威胁模型参数的模糊优化设计 |
| 3.4.1 模糊区间判断矩阵 |
| 3.4.2 多属性决策方法 |
| 3.5 数字威胁地图设计 |
| 3.6 仿真结果与分析 |
| 3.7 本章小结 |
| 第四章 复杂环境下的无人机单机侦察算法研究 |
| 4.1 引言 |
| 4.2 相关原理介绍 |
| 4.3 无人机约束条件设计 |
| 4.3.1 燃油代价 |
| 4.3.2 威胁代价 |
| 4.3.3 性能代价 |
| 4.4 Dijkstra算法介绍 |
| 4.4.1 算法流程设计 |
| 4.5 无人机单机侦察算法流程设计 |
| 4.6 单机侦察算法仿真验证 |
| 4.7 本章小节 |
| 第五章 复杂环境下无人机单机侦察/打击算法研究 |
| 5.1 引言 |
| 5.2 相关理论介绍 |
| 5.2.1 蚁群算法原理阐述 |
| 5.2.2 核心公式分析 |
| 5.2.3 算法流程设计 |
| 5.3 基于约束条件的改进蚁群算法设计 |
| 5.3.1 路程因素 |
| 5.3.2 优化信息素更新方式 |
| 5.4 基于Dijkstra-ACO算法的单机侦察/打击算法设计 |
| 5.5 仿真验证与结果分析 |
| 5.5.1 仿真过程 |
| 5.5.2 Dijkstra算法与Dijkstra-ACO算法实验结果对比 |
| 5.6 本章小结 |
| 第六章 信息未知环境下无人机单机在线航迹规划算法的研究 |
| 6.1 引言 |
| 6.2 信息未知条件下的威胁数字地图设计 |
| 6.2.1 部分区域信息未知条件下的威胁数字地图设计 |
| 6.2.2 大部分区域信息未知下的威胁数字地图设计 |
| 6.3 基于Dijkstra-ACO算法的在线规划算法设计 |
| 6.4 仿真验证与结果分析 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
四、模糊系统的建模方法讨论（论文参考文献）
- [1]气动人工肌肉驱动的机器人控制方法研究[D]. 梁定坤. 南开大学, 2021(02)
- [2]基于规则的区间值时间序列粒模型设计[D]. 郭静. 大连理工大学, 2021(01)
- [3]基于TS建模的不均衡不完整数据填补研究[D]. 陆艺丹. 大连理工大学, 2021(01)
- [4]摩擦提升系统动力学特性与振动控制研究[D]. 王磊. 中国矿业大学, 2021
- [5]柔性系统的建模与神经网络控制研究[D]. 高赫佳. 北京科技大学, 2021
- [6]超临界机组的灵活性运行建模与先进控制策略研究[D]. 熊剑. 华北电力大学(北京), 2021(01)
- [7]多智能体系统自主规避任务决策方法研究[D]. 赵毓. 哈尔滨工业大学, 2021(02)
- [8]超音速燃烧系统燃气温度多尺度建模与控制策略研究[D]. 郭璐彬. 河北工程大学, 2021(08)
- [9]基于模糊划分的不完整数据属性关联建模及缺失值填补[D]. 关李晶. 大连理工大学, 2021(01)
- [10]复杂环境下无人机航迹规划算法的研究[D]. 廖文旭. 电子科技大学, 2021(01)