关爱基金申请书

关爱基金申请书

尊敬的各位领导:

你们好!

我是南京理工大学机械工程学院机械工程及自动化专业10级的学生某某,很荣幸在南京理工大学度过了我大学生活的第一个学年。

曾经我有一个幸福的四口之家,爸爸,妈妈,弟弟和我,生活虽不富裕,但因为我和弟弟皆成绩优秀,孝顺懂事,也是为人所羡慕的。直至20xx年的11月,祸从天降,妈妈查出患有胃癌,这个消息无疑是一个晴天霹雳,使我的家庭一下子仿佛从天堂坠落到地狱。从我记事起,妈妈身体就一直不好,胃病也有将近二十年的历史了,大小医院,西药中药,几乎都试了个遍,中间几年稍有好转,但是20xx年,姥姥去世后,病情复发,直至不治,于20xx年9月7日离世。

妈妈一生多苦多难,曾经动过四次手术。第一次是小手术,阑尾切除。第二次是子宫肌瘤,子宫全部切除。第三次是恶性胃部肿瘤,胃全切。第四次,在徐州市第二医院,当时妈妈的病情已经恶化,癌细胞已转移到腹部,身体十分虚弱,那次手术是最后一搏,只希望可以挽回妈妈几年的寿命,可最终还是失败了。每一次手术都给妈妈带来了常人难以忍受的痛苦,也给我的家庭带来精神上和经济上沉重的压力。尤其这一年,医药费达十五万多,作为一个常年和各个医院药店打交道,同时还有两个在上学的孩子的普通工薪家庭,确实是难以承担的重担。爸爸这么多年赔妈妈一步一步走来,从来没有一句怨言,我心疼爸爸,却也无能为力,希望“关爱基金”给我的家庭一个机会,

帮爸爸减轻一些负担。

过去的一年对我来说就像是一场噩梦,妈妈还在时,惦念,绝望,恐惧,妈妈去世后,思念,痛苦。不知多少夜晚,我在床上辗转反侧,最终迷迷糊糊噙着泪睡去,或是在二运旁的水杉林里大哭一场,发泄心中的积郁。但是,过去一年也是于我的人生至关重要的一年。我不再只是父母的心头宝,我已长大,已是家里的女主人,已有一份责任,一份承担。大一末,我成功地凭借着自己良好的成绩,通过笔试,面试,转入了自己喜欢的专业:机械工程及自动化。如今我已经开始了这一门课的学习,虽然忙一些,课业重一些,但我相信自己的学习能力,我总能做好的。我的英语成绩多次在班级里名列前茅,四六级皆以超出分数线一百多分的成绩通过。我的高等数学是在A班学习的,成绩也算优秀。我仍记得,妈妈曾经对我说过的话:“妈妈相信你,女儿,你到哪里都能是佼佼者!”我永远记着这句话,我也在为这句话不懈奋斗着。

大一是我人生中极为重要的阶段,我十分感激过去一年老师同学在工作,学习和生活中给予我的帮助和关怀。如今,我渐渐从痛苦里走出来,只希望化悲痛为力量,不断进取,不断进步,这是对妈妈最大的安慰,对爸爸最大的回报,对老师同学和学校最好的交代。希望“关爱基金”给我这个机会,让我全身心的投入到学习中去,将来我有一些能力,一定回馈社会,贡献自己微薄之力。

这是我的基本情况,真切希望予以批准!

 

第二篇:博士点基金申请书

课题编号 学科代码 版 本 号200911011100266 260.115 1101.02.000.217检查保护高等学校博士学科点专项科研基金 申 请 书如果您现在还不能正常使用本文件,请执行以下操作: 1)在主菜单中选择:工具->宏->安全性->安全级,设置为"中" 2)重新打开本文件 3)选择"启用宏"按钮,即可正常使用 (在文档保护状态下,本提示可自动消失而不被打印)[ 请点击此处进行数据填写与修改 ]课 题 名 称 : 复杂噪声下的混沌系统建模与控制 申 请 者 : 任雪梅所 在 单 位 : 北京理工大学 所 在 院 系 : 自动化学院 联 系 电 话 : 010-68914506 是否博士导师: 是否博士导师: 是 博 士 点 名 称 : 模式识别与智能系统 重点学科名称: 重点学科名称: 模式识别与智能系统 重点实验室名称: 重点实验室名称: 复杂系统智能控制与决策 申 请 日 期 : 2009-03-04中华人民共和国教育部 简 表 一名称复杂噪声下的混沌系统建模与控制研学科名称自动控制理论与技术究 课 题2010-01-01 姓 名 技 术 职 称 教授 任雪梅 学科代码 起始日期 26011相关 学科 学科 代码 终止日期 2012-12-31 出生日期智能控制理论研究 类别 2601125应用基础申 请 经 费(万元人民币) 8.0000 1967-12-06 性别 联 电 电 邮 系 话 子 件 女定 职 时 间 2002-07-01 北京航空航天大学 外 语 种 1: 语 语 种 2: 英语 德语行 政 职 务010-68914506xmren@申毕 业 学 校毕 业 时 间 程 度 程 度1995-09-01 四会 一般请 者最 终 学 位 博士学 术 兼 职 (限 45 汉字)中国航空学会自动控制委员会专业委员填写概括课题内容的六个关键词(主题词) ,关键词个数可少于六个,关键词之间用逗号隔开支持向量机;回归神经网络;混沌系统;信息熵;坦克火控系统;建模与控制课题摘要(300 字以内) 项目研究复杂噪声干扰下混沌系统的建模与控制。提出一种新的基于网络状态存储池的最小二乘支 持向量机辨识模型,利用网络状态存储池代替核函数处理混沌系统的非线性问题;将信息熵引入损失函 数中降低复杂噪声对辨识模型的影响,给出基于动态样本矩形窗的在线回归训练算法,提高收敛速度; 综合利用 Hurst 指数、 Lyapunov 指数和关联维数分析混沌时间序列统计特性, 弥补单一评价标准的不足; 建立基于新型支持向量机的逆控制和非线性反馈控制组合的复合控制方案,并将研究结果应用于坦克火 控系统中的电机传动混沌系统的建模与控制。本项目研究为混沌系统建模与控制提供了一种新方法,具 有很强的理论意义和实际应用价值。1版本号:1101.02.000.217 一、研究的目的、意义和成果的预

计去向(包括本课题所要解决的科学问题、理论上的科学价值或预见 在应用中对经济建设的影响等) 。本项目以复杂战场环境下坦克火控系统为研究背景。坦克在作战时行进在地势复杂的山地、丘陵等 野战环境中,路面地形的凹凸不平导致了车身左右倾斜、摇摆和前后俯仰,因此对火控系统而言不断受 到外界复杂干扰(即高斯和非高斯干扰)的影响。同时,混沌现象存在于火控系统的执行电机和齿轮传 动系统中。电机自身包括电阻、电感、机械转动惯量和摩擦阻尼系数等,输入输出变量包括频率、转速、 转矩等,它们的变化会引起电机本体的混沌现象,从而影响整个电机伺服系统的性能;齿轮传动装置是 火控系统的重要部分,其本身存在着摩擦、间隙等非线性作用机制。齿轮-转子-轴承传动因齿侧间隙、 轴承间隙以及时变刚度等非线性因素引起的碰撞振动,导致系统产生高频噪音和混沌现象。由此可见, 火控系统中的混沌现象直接影响着系统的性能, 如何应用控制技术消除混沌对系统的不利影响已成为一 个亟待解决的问题。本项目以此为出发点,研究复杂噪声干扰条件下混沌系统的建模与控制问题。 目前混沌控制已经成为非线性科学中的一个研究热点, 其主要控制方法多是在混沌模型参数已知的 情况下,并且不考虑系统的不确定性和测量噪声的假设下来设计控制算法。但是,由于复杂噪声和系统 不确定性等因素的影响,这些控制算法会产生较大的误差并失去稳定性。考虑到很多实际混沌系统往往 得到的是含有噪声的输出时间序列,并不能得到其精确的数学模型,因此有必要对混沌系统进行建模, 以便于设计有效的控制方案。目前,混沌时间序列的智能建模大多采用基于神经网络或支持向量机的方 法。与支持向量机相比,神经网络存在有过学习、容易陷入局部极小点以及泛化能力不足等问题。因此 支持向量机在混沌系统建模与控制中将是一种很有发展前途的方法, 但是支持向量机的研究主要是基于 核函数的方法,核函数的选择一般基于一定的先验知识,还缺乏系统化的构造方法和数学理论依据,同 时支持向量机还存在着训练速度慢的问题。对于非高斯噪声干扰下的混沌系统,使用均方误差已不能满 足非高斯干扰的控制要求, 运用信息理论抽取高阶统计量作为性能指标实现系统建模和控制是一种有效 的解决途径。信息熵作为一种不确定性的测度,包含随机变量的全部高阶信息。本项目正是基于这种考 虑,利用信息熵、神经网络和支持向量机等方法研究新型支持向量机模型及其训练算法,为含有复杂噪 声混沌系统的

建模与控制提供一种新的研究方法。 本项目的研究成果可直接推广到与混沌有关的各个领域中, 如飞机发动机和普通柴油机等动力机械 系统、平整轧钢机伺服系统、保密通信、信息处理等。因此,开展本项目的研究具有重要的学术意义和 广泛的实用价值。2版本号:1101.02.000.217 二、研究课题所涉及的科学领域,国内外达到的水平,存在的主要问题;本课题的学术思想、理论根据、 主攻关键及独到之处。 1、 国内外研究现状 、 随着科学技术和非线性混沌理论的发展,很多实际系统中都发现了与混沌现象相似的不规则运动, 表现在对参数和初始条件的敏感依赖性、运动轨迹的长期不可预测性以及不存在固定的周期轨道等方 面。张波等 [1-3] 研究了永磁同步电机中的混沌现象, 给出了适合分析混沌运动的永磁同步电机模型。 Hemati 等[4-5]运用混沌理论以及混沌中的分形理论分别研究了无刷直流电机和永磁同步电机的动力学特 性。文献[6]将模糊理论与混沌神经网络相结合提出一种协作型模糊混沌神经网络,并用该网络对永磁 同步电机进行了建模,取得了较好的效果。文献[7]中指出,电气传动系统不规则运动的存在由来以久, 其不规则运动主要表现为转矩、转速的间歇振荡、控制性能的不稳定、系统不规则的电磁噪声等。它们 的出现直接影响到系统的运行质量和可靠性。对交流传动系统中逆变器与系统混沌运动的研究方面,现 有的研究文献主要是针对逆变器在 PWM 控制策略下的感应电动机传动系统的混沌行为的探索。文献[8] 认为电压型逆变器开关工作特性产生的强烈非线性是系统混沌运动的主要原因。文献[9]对开环 SPWM 情况下的同步电动机的混沌现象进行了探讨,得出一些有意义的结论。文献[10]研究了一个自适应控制 直流伺服电动机 Hopf 分岔现象,发现直流伺服电动机的自适应控制律附加一个控制项后,就将出现不 稳定的分岔运动。在交流电机控制研究中,匈牙利学者 I. Nagy[11]最早从理论上发现电流滞环控制 PWM 将对感应电动机传动系统混沌运动产生重要影响。 自 1990 年 Kahraman A.和 Singh R.[12-14]建立齿轮系统的非线性动力学模型,发现齿轮系统中存在混 沌与次谐响应以来,许多国内外学者对齿轮系统存在的混沌现象进行了大量的研究工作。Blankenship 等[15]研究了具有时变啮合刚度和间隙的单自由度齿轮系统的谐波平衡法解法, 并设计了实验台对解法的 有效性进行了实验验证。Theodossiades 等[16]用解析方法研究了单自由度齿轮系统的动力学稳定性,并用 数值方法得到了系统中出现的通往混沌的间歇阵发道路及边界激变道路。在国内

,孙涛等[17]用谐波平衡 法研究了系统的非线性幅频特性,并用数值方法讨论了单自由度齿轮系统的周期倍化道路. Li 等[18]用数 值方法对单自由度齿轮系统的周期倍化道路进行了研究。张锁怀等[19-20]研究了四自由度齿轮一转子一滑 动轴承系统中,由于齿侧间隙和不平衡质量引起的混沌响应,并用数值方法研究了齿轮祸合的转子一轴 承系统在不平衡质量激励下的分岔和激变。 李华等[21]采用 AOM 方法研究了三自由度模型的分岔与混沌, 并给出了系统的全局分岔图。 随着实际系统中大量混沌现象的出现,混沌系统的辨识和控制问题逐渐成为混沌信号处理及应用中 的重点研究内容。 近年来, 已发展了很多混沌系统的辨识方法, Parlitz[22]利用自同步方法研究了Lorenz 如: 系统的参数辨识问题。Chen等[23]利用同步方法研究了Rossler超混沌系统的参数辨识。Li等[24]发现文献 [22,23]在辨识方法中存在的问题并给出了评论,指出当被辨识系统处于混沌态时文献[22,23]中的辨识方 案可行,当被辨识系统处于稳态时文献[22,23]中的辨识方案不可行。与此同时,文献[25-27]利用智能优 化算法进行混沌系统参数辨识也得到了进一步的发展。 关新平等[28]基于状态观测器原理给出了一个新的 [29] 参数估计方法,Lu等 将其成功地应用到混沌控制,但前者只给出了Lorenz系统的参数估计方法。冯久 超等[30]采用神经网络构造混沌系统的特征参量,进而完成对系统的辨识。文献[31]采用三层神经网络构 造混沌系统的动力学模型,给出了网络拓扑结构的确定方法,并给出了使泛化误差达到最小的隐层节点 和输入节点个数的选择方法。文献[32]利用BP神经网络对混沌系统进行学习,逼近其映射特征,建立了 基于神经网络的辨识模型。文献[33]提出了一种动态线性子系统与RBF神经网络并联的增广RBF神经网 络模型,该网络能有效地用于混沌系统辨识。利用神经网络对混沌系统进行辨识具有重要的实用价值, 在实际应用中取得了可喜的成果。文献[34-36]将神经网络辨识广泛应用在地震预测、水下预测、雷达信 号处理、机械振动、语音信号处理等各个方面。 Vapnik等在19xx年[37]提出了一种新型统计学习方法——支持向量机(SVM),支持向量机是在统计学 习理论基础上发展起来的一种新的机器学习方法, 具有理论完备、全局优化、 泛化能力好等优点。 Drezet [38] 等 将支持向量机应用于离散的线性和非线性系统的辨识中。研究表明,对于线性系统来说,当所估计 的模型阶数与实际模型的阶数相同时,支持向量机的辨识具有很高的精度,反之辨识的精度降低。而对 非线性系统来说,辨识的精度与

核函数的复杂性有很大的关系,辨识的精度随着核函数的复杂程度的增 加而降低。Gretton等[39]采用高斯核函数进行了机器人臂的动态辨识。仿真结果表明,动态辨识不仅在泛 化能力方面大大超过小波网络与单隐层sigmoid神经网络, 而且在鲁棒性、 计算效率方面都有很大的提高。 [40] Athanassia等 研究了在不同噪声情况下支持向量机的逼近性能和泛化能力。Suykens和Vandewalle[41-42] 提出了最小二乘支持向量机(LS-SVM)的结构,并把它应用到分类研究中,详细讨论了LS-SVM的非线性3版本号:1101.02.000.217 辨识性能。 崔万照等[43]利用小波核函数和正则化理论提出了最小二乘小波SVM模型, 并将其应用到非线 [44] [45] 性系统的辨识。Zhu等 采用SVM辨识系统死区,仿真结果表明该方法有效。Cho等 利用SVM进行未 知交流伺服系统的机械参数辨识,仿真表明其可以处理有较大测量噪声的情况。Wang 和Ye[46]也采用了 LS-SVM进行非线性动态系统的辨识,通过数值仿真比较了其和RBF神经网络的性能。Alvarez[47]研究了 SVM在ARMA系统辨识中的应用, 分析了系统的鲁棒性, 同时还就SVM方法与经典的最小二乘方法和相 关系数法做了数学上的对比。黄宴季等[48]通过仿真比较了SVM,LS-SVM和神经网络在线性系统以及非 线性系统辨识方面的性能,指出SVM和LS-SVM比神经网络有更好的辨识性能和泛化能力,LS-SVM的 抗噪声能力强,适合动态辨识。 在混沌系统的控制方面,自从 Ott, Grebogi 和 Yorke[49]于 1990 年提出一种控制混沌的参数扰动法 ——OGY 方法以后,人们对混沌控制的研究得到了长足的发展。OGY 法的优点是它不需要对混沌运动 的动力学特性有深刻的了解,采用小扰动,对原有系统的干扰较小。缺点是需要足够长的时间来探测系 统是否已经进入控制作用施加的邻域,而且邻域大小的选择没有可以遵循的规则。在 OGY 方法的基础 上,Pyragas[50-51]提出一种延迟反馈方法。该方法直接把系统的输出信号取出一部分经过时间延迟后再反 馈到混沌系统中去对混沌系统进行控制, 不需要知道目标周期轨道的有关细节, 而且物理实施较为简单。 但文献[52]中指出,当混沌系统的雅可比矩阵在不稳定的固定点处有奇数个数大于 1 的特征值时,该方 法失效。针对实际混沌系统可能存在的参数未知等情况,Sinha 等[53]利用时间响应与实际响应之间的差 值在线调节系统某些参数设计了一类间接自适应混沌控制系统;而文献[54-55]则对系统参数直接进行调 整来设计直接自适应混沌控制系统。Bernardo[56]采用李雅普诺夫稳定理论设计方法提出了一种基于模型 参考自适应方法,该方法适合对一大类混沌系统进行有

效控制,但这种方式在设计控制律必须事先确定 知道被控系统非线性上限的连续函数。文献[57]作了尝试性改进以克服其中不足,并且用李雅普诺夫方 法证明了系统的稳定性。针对一类混沌系统某些关键参数未知的情形,Ge 等[58-59]将动力学系统转化为 非自治的严格反馈形式的非线性系统,利用一种反馈控制和李雅普诺夫函数的系统方法设计控制器。 Yang 等[61]提出的基于参数估计的 Fradkov 等[60]采用最速下降法实现了参数最优的模型参考自适应控制。 自适应控制方法经中心流形理论分析表明参数估计器是稳定的,而且利用李雅普诺夫函数方法证明系统 是渐进稳定的。文献[62]利用反向传播 BP 学习算法对镶嵌在混沌吸引子不稳定周期轨道进行控制。王 忠勇等[63]研究了一种改进型 BP 神经网络控制器有效地将混沌系统镇定到期望目标位置。 Chen [64-66]等在 系统输入输出数据可测情况下对不确定混沌系统成功实施了控制。Lin[67]提出了一种基于遗传算法的再 励学习神经网络控制器,不必了解系统平衡点也无须知道系统输入输出数据的情况下,同样可以将混沌 系统稳定到周期轨道上。 Harb[68-69]运用反步递归的非线性理论设计了非线性控制器消除混沌现象。 [70] Yau 运用滑模变结构控制不确定系统的混沌现象。文献[71]采用最优模糊保代价控制方法,仿真都取得了满 意的控制效果。文献[72]采用延迟反馈控制方法控制代价小、容易实现,但该方法要求系统参数是定常 的,当系统参数发生摄动时,这种方案将失败。文献[73]针对参数摄动情况下的永磁同步电机,提出一种鲁 棒 PID 控制方法,将被控对象控制到了目标不动点,但是对高频噪声缺乏很好的抑制能力。 2、 存在的主要问题 、 在混沌系统的辨识与控制研究中,目前的研究对象多是确定性混沌系统,混沌控制器的设计大多是 基于混沌模型参数已知或部分已知,不考虑随机测量噪声和输入噪声影响。但是,由于实际混沌系统测 量得到的往往是含有复杂噪声的时间序列,并不能得到较为精确的数学模型,因此,如何在含有复杂噪 声的影响下, 设计一种快速、 有效的混沌系统辨识和控制方案, 是当前混沌理论研究中亟待解决的问题。 支持向量机的性能虽然较好,但是传统的支持向量机无法较好地处理动态模式,其应用主要集中在 对静态模式的逼近问题。对动态模式的处理需要采用递归神经网络,然而传统递归神经网络的学习和泛 化仍然存在有较多的问题。因此对于混沌系统辨识问题,迫切需要建立既能处理动态模式,又具有较好 学习能力和泛化能力的模型方法。支持向量机通过选择合适的核函

数将高维空间的非线性约束转化为线 性约束,达到简化计算复杂度的目的。然而,核函数的选择一般基于一定的先验知识,目前还缺乏系统 化的构造方法。最小二乘支持向量机方法是标准支持向量机的一种扩展。与传统的支持向量机不同,最 小二乘支持向量机算法将支持向量机的求解从二次规划问题转化为线性方程组,提高了支持向量机的求 解效率,降低了支持向量机的学习难度。Jaeger[74-75]提出了回声状态网络(Echo State Network, ESN)的迭 代预测方法,并在时间序列的预测问题中证明了其具有很高的预测精度。作为一种新型递归神经网络, 回声状态网络可以避免传统递归神经网络求取时序偏微分的过程,因此网络的训练过程变得较为简单, 回声状态网络核心部分是内部状态存储池。针对这种情况,本课题将结合回声状态网络和最小二乘支持 向量机各自的优势研究一种基于网络状态存储池的最小二乘支持向量机,该支持向量机既能处理动态模 式,又具有较好学习能力和泛化能力,以便建立更为精确的噪声干扰下的混沌系统辨识模型。4版本号:1101.02.000.217 支持向量机的训练算法大多采用训练样本一次输入的批量训练算法。但是在基于支持向量机的控制 器设计中,若采用批量训练算法,每一次采样都会导致训练样本集数据的增加,从而需要对模型进行更 新。因此所有样本重新训练的批训练方法由于耗用过多的训练时间无法实现在线控制。针对基于网络状 态存储池的支持向量机,本课题提出一种新的在线训练方法,采用训练样本序列输入方式替代批量输入 方式,利用动态样本矩形窗算法实现支持向量机的在线训练,以便达到令人满意的控制效果。 在最小二乘支持向量机中,最优的权向量和偏差是通过最小化输出权值的二次型和含有正则系数的 均方误差组成的目标函数得到的。但是由于方差误差为二阶统计量,对于含有非高斯分布系统来说,不 能利用最小方差误差来衡量其训练效果。因此需要一个新的衡量准则,而信息论中的信息熵概念可以满 足任意阶的准则函数的要求,运用信息理论抽取高阶统计量作为性能指标则成为一种有效的解决途径。 Principe 等提出的信息理论学习的方法[76-78]使用 Parzen window 方法直接根据样本点估计随机变量的概 率密度,利用最小误差 Renyi 熵的优化方法成功地应用于包括盲源分解,独立主成分析等方面,有效地 达到运用均方误差无法得到的良好效果。本项目将信息理论学习和最小二乘支持向量机结合起来考虑, 利用信息熵作为损失函数的一部分来训练最小二乘支持向量机参数。如何将信息理论学习

的最小二乘支 持向量机应用于复杂噪声干扰条件下混沌系统的建模与控制是一个很有意义和价值的课题,目前这方面 的研究有待进一步开展。 综上所述,通过本项目的研究,我们的目的在于研究一种将信息熵、神经网络和支持向量机有机结 合的新思路,使其能够有效地解决在复杂噪声干扰下混沌系统的建模、预测与控制问题。 3、 学术思想及理论根据 、 学术思想及理论根 理论根据 本项目研究复杂噪声干扰和系统模型未知时混沌系统的建模与控制。提出一种新的基于网络状态存 储池的最小二乘支持向量机辨识模型,利用网络状态存储池代替核函数的方法处理混沌系统中的非线性 动态辨识问题,克服了核函数选择的主观性和先验性。将信息熵引入损失函数中,降低噪声对辨识准确 性造成的影响,提高辨识精度,并给出一种新的基于动态样本矩形窗的支持向量机在线回归训练算法, 提高支持向量机的收敛速度;综合利用 Hurst 指数、Lyapunov 指数和关联维数分析混沌时间序列的统计 特性,弥补了单一混沌评价标准的不足;建立基于网络状态存储池的最小二乘支持向量机的逆控制和分 段二次函数的非线性反馈控制组合的复合控制方案,实现对复杂噪声干扰下混沌系统的有效控制。 4、 主攻关键 、 主攻关键 (1) 状态存储池初始权值的选择 在基于网络状态存储的支持向量机中,内部状态存储池是其核心内容。但是如果存储池初始权值选 择的不合适,会影响支持向量机的泛化能力,同时也有可能出现不稳定现象。因此,如何设计状态存储 的初始权值是本课题研究的关键问题之一。 (2) 支持向量机在线回归训练算法的研究 目前的支持向量机大多数采用批量训练方法,该方法的训练效率较低,因为训练集每次变化都会导 致支持向量机的重新训练。因此,有必要研究支持向量机的在线回归训练算法,在提高系统性能的前提 下得到更少的支持向量,从而具备更好的泛化性能,提高支持向量机的收敛速度。 (3) 基于信息熵的支持向量机 实际观测到的样本是复杂噪声污染下的混沌时间序列,而信息熵含有统计变量的高阶信息。在信息 熵和支持向量机的结合中,如何将信息熵的大小反映到支持向量机的损失函数上,以便使所得训练算法 能够提高支持向量机对噪声信号的鲁棒性是研究的关键问题。 (4) 分段二次函数形式的选择 非线性反馈方法控制混沌系统能更好地反映系统原有的性质。由于非线性形式多种多样,开发利用 非线性特性来设计反馈控制器是很有使用前景的。 设计简单的分段二次函数,如通过对函数 y|y|的改进 作为混沌系统的非线性反馈

控制器, 不仅提高动态响应性能和控制器的实时性, 同时降低了计算复杂度。 5、 独到之处 、 (1) 本课题将结合递归神经网络和最小二乘支持向量机各自的优势,研究一种基于网络状态存储池的支 持向量机,该支持向量机利用内部状态存储方法代替核函数方法处理混沌系统中的非线性建模问题,它 既能处理动态模式,又具有较好学习能力和泛化能力。 (2) 提出一种基于动态样本矩形窗算法,将遗忘因子矩形窗方法与基于网络状态存储池的支持向量机相 结合, 实现支持向量机在线回归算法, 算法突出了当前窗口样本数据的作用, 还考虑了历史数据的影响, 避免了传统方法训练速度慢、计算量大且不易在线训练的缺点。5版本号:1101.02.000.217 (3) 将 Renyi 熵引入到支持向量机中,提出一种新的最小损失函数,增加了误差二阶 Renyi 熵修正项, 并运用 Parzen 窗估计方法得到误差的二阶 Renyi 熵估计值, 提高了基于网络状态存储最小二乘支持向量 机方法对噪声信号的鲁棒性。 (4) 综合利用 Hurst 指数、Lyapunov 指数和关联维数分析混沌时间序列的统计特性,弥补了单一混沌评 价标准的不确定性。利用相空间重构技术确定嵌入维数和延迟时间,得到支持向量机的外部输入结构形 式,采用基于网络状态存储池的最小二乘支持向量机建立混沌系统的辨识模型。 (5) 提出了基于网络状态存储池的支持向量机逆控制和非线性反馈组合的复合控制,提高动态响应性能 和鲁棒性。将分段二次函数应用于混沌系统的非线性反馈控制器,直接利用测量数据进行反馈操作,实 现复杂噪声干扰下的混沌系统控制。 参考文献: 参考文献:[1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] Zhang B, Li Z, Mao Z.Y. A type of fuzzy modeling of the chaotic system of permanentmagnet synchronousmotor. Electrical Machines and Systems, 2001, 2:880 - 883. 张波, 李忠. 永磁同步电动机的混沌模型及其模糊建模. 控制理论与应用.2002, 19(6): 841-844. 张波, 李忠. 永磁同步电动机的混沌和稳定性研究. 华南理工大学学报: 自然科学版. 2002, 28(12):125-130. Hemati N, Leu M.C. A complete model characterization of brushless DC motors. IEEE Trans. Ind App l, 1992, 28 (1) : 172-180. Hemati N, Kwatny H. Bifurcations of equilibria and chaos in permanent – magnetmachine. Proceeding of the 32nd Conference on Decision and Control. San Antonio, 1993: 475 - 479. 张建民, 王科俊. 永磁同步电机的模糊混沌神经网络建模. 中国电机工程学报. 2007,27(3):7-11. Krishan R. A review of parameter sensitivity and adaptation in indirect vector-controlled induction m

otor drives systems. IEEE Trans. Power Electron. 1991,4(6):695-703. Nagy L, Suto Z. Electronic motion control chaos theory. Proceeding of the Conference on Mechanical Engineering. 1998:184-188. 曹志彤, 郑中胜. 电机运动系统的混沌特性.中国电机工程学报. 1998, 18(5):319-322. Kazuhisa Mitobe, Norhko A. Bifurcation in an adaptive DC servo system. Int J of Control. 1991,54(4):831-847. Sure Z, Nagy I, and Masada E. Avoiding chaotic processes in current control of AC drive. PESC' 98. 1998:255-260. Kahraman A, Singh R. Nonlinear dynamics of a spur gear pair. Journal of Sound and Vibration, 1990,142(1):49-75. Kahraman A, Singh R. Nonlinear dynamics of a geared rotor-bearing system with multiple clearances. Journal of Sound and Vibration, 1991,144(3):169-506. Kahraman A, Singh R, Interactions between time-varying mesh stiffness and clearance non-linearity in a geared System. Journal of Sound and Vibration, 1991,146(1):135-156. Blankenship G.W, Kahraman A. Steady state forced response of a mechanical oscillator with combined parametric excitation and clearance type non-linearity. Journal of Sound and Vibration,1995,185(5):734-76. Theodossiades S, Natsiavas S. Nonlinear dynamics of a gear-pair system with periodic stiffness and backlash. Journal of Sound and Vibration, 2000,229(2):287-31. 孙涛. 行星齿轮系统非线性动力学研究. [博士学位论文], 西安:西北工业大学,2000. Li Y.N. Bifurcation and chaos in gear-pairs system with piecewise linearity. Proceedings of the International Conference of Mechanical Transmissions, Chongqing, 2001:239-242. 张锁怀, 李忆平, 丘大谋. 齿轮藕合的转子一轴承系统非线性动力特性的研究,机械工程学报.2001, 37(9):53-57. 张锁怀, 沈允文, 丘大谋. 齿轮祸合的转子轴承系统的不平衡响应,机械工程学报. 2002, 38(6):51-55. 李华. 基于 AOM 的非线性机械系统动力分析理论及其应用. [博士后研究工作报告],西安:西北工业大学,2002. Parlitz U. Estimating model parameters from time series by autosynchronization. Physics Letters. 1996,76(8):1232-1235. Chen S.H, Hu J, Wang C.H and Lu J.H. Adaptive synchronization of uncertain Rossler hyperchaotic system based on parameter identification. Physics Letters A. 2004,321(1):50-55. Li L.X, Peng H.P, Wang X.D, Yang Y.X. Comment on two papers of chaotic synchronization. Physics Letters A. 2004,333(12):269-270. Li L.X, Yang Y.X, Peng H.P, Wang X.D. Parameters identification of chaotic systems via chaotic ant swarm. Chaos, Solitons and Fractals. 2006,28:1204-1211. 戴栋, 马西奎, 李富才, 尤勇. 一种基于遗传算法的混沌系统参数估计方法. 物理学报. 2002, 51(11):2459-2462. 高飞, 童恒庆. 基于改进粒子群优化算法的混沌系统参数估计方法. 物理学报. 2006, 55(2):577-582. 关新平, 彭海朋, 李丽香, 王益群. Lorenz 混沌系统的参数辨识与控制. 物理学报. 2001, 50(1):26-29. Lu J.H, Zhang S.C. Controlling chen

’s chaotic attractor using backstepping design based on parameters identification. Physics Letters A. 2001, 23(7):286-288. 冯久超,马霓,陈献光. 利用前馈神经网络计算 Lyapunov 指数. 西南师范大学学报. 1997, 22(6):632-637. 李擎,郑德玲. 混沌时间序列神经网络拓扑结构的选取方法. 北京科技大学学报. 1999, 21(1):90-93. 石文孝,荆涛,杨怀江. 混沌序列的神经网络实现. 光学精密工程. 2000,3:231-233. 黄晓峰,潘立登. 基于增广 RBF 神经网络的混沌系统辨识. 北京化工大学学报. 1999, 26(1):45-48. 李强. 人工神经网络在地震前兆混沌时间序列预测和处理中的应用.地震学报. 2002, 22(4):404-410. 沈春蕾,杨宗凯. 激光水下目标探测中混沌背景信号重构的研究.华中理工大学学报. 1997, 25(9):63-65. 杨杰, 姜明启. 雷达杂波的神经网络分析.武汉水利电力大学学报. 1999, 32(1):59-63. Vapink V. The Nature of Statistical Learning Theory. Springer, New York, 1995. Drezet P.M.L and Harrison R.F. Support vector machines for system identification. UKACC International Conference on 6 版本号:1101.02.000.217 Control’98. 1998, 1(1):688-692. [39] Gretton A, Doucet A, Herbrich R, Rayner P.J.W and Scholkopf B. Support vector regression for black-box system identification. Proceedings of the 11th IEEE Signall Processing Workshop on Statistical Signal Processing. 2001:341-344. [40] Athanassia C, Scholkopf B and Smola A.J. Choosing v in support vector regression with different noise models——theory and experiments. In International Joint Conference on Neural Networks(IJCNN’00),Como,Italy. 2000, 5:199-204. [41] Suykens J.A.K, Vandewalle J. Chaos control using least-squares support vector machines. International Journal of circuit theory and applications. 1999, 27:605-615. [42] Suykens J.A.K. Nonlinear modeling and support vector machines. Proceedings of the 18th IEEE Conference on Instrumentation and Measurement Technology. 2001, 1:287-294,21-23. [43] 崔万照. 最小二乘小波支持向量机在非线性系统辨识中的应用. 西安交通大学学报. 2004, 38(6):562-565,586. [44] Zhu H.D,Shao H.H. A novel method of process dead-time identification:support vector machine approach. Proceedings of American Control Conference,Boston,Massachusetts. 2004: 880-884. [45] Cho Kyung-Ree, Seok Jul-ki and Lee Dong-Choon. Mechanical parameter identification of servo systems using robust support vector regression. 35th Annual IEEE Power Electronics Special Conference,Aache,Germany. 2004:3425-3430. [46] Wang X.D, Ye M.Y. Nolinear dynamic system identification using least squares support vector regression. Proceedings of the Third International Conference on Machine Learning and Cybernetics,Shanghai,China. 2004:941-945. [47] Alvarez J.L.R et.al. Support vector method for robust ARMA system identification. IEEE Transactions on Signal Processing. 2004, 52(1):155-164. [48] 黄宴季. 回归型支持向量机的系统辨

识及仿真. 计算机仿真. 2004, 21(5):41-44. [49] Ott E, Grebogi C, Yorke J.A. Controlling chaos. Phys. Rev. Lett. 1990, 64(11):1196-1199. [50] Pyragas K. Continuous control of chaos by self controlling feedback. Physics Letters A. 1992, 170:421-428. [51] Pyragas K. Experimental control of chaos by delayed self controlling feedback. Physics Letters A. 1993, 180:99-102. [52] Konishi K. Stability extended delayed feedback control for descrete time chaotic systems. IEEE Transactions on Circuits and Systems. 1999, 46(10):1285-1288. [53] Sinha S.C, Henrichs J.T. Ravindra B.A. A general approach in the design of active controllers for nonlinear systems exhibiting chaos. Bifurcation and Chaos. 2000, 10(1):165-178. [54] 薛月菊, 冯汝鹏. 连续时间耦合系统中时空混沌的自适应模糊控制. 物理学报. 2002, 50(3):440-444. [55] 裴文江, 黄俊, 刘文波. 自适应延迟反馈控制混沌. 控制理论与应用. 1999, 16(2):297-300. [56] Bernardo M. An adaptive approach to the control and synchronization of continuous time chaotic systems. Int J Bifurcation and Chaos. 1996, 6(3):557-568. [57] Bernardo M. A purely adaptive controller to synchronize and control chaotic systems. Phys. Lett A. 1996, 214:139-144. [58] Ge S.S,Wang C and Lee T.H. Adaptive backstepping control of a class of chaotic systems. Bifurcation and chaos. 2000, 10(5):1140-1156. [59] Ge S.S,Wang C. Adaptive control of uncertain chua’s circuits. IEEE Transactions on Circuits and Systems I. 2000, 47(9):1397-1402. [60] Fradkov Alexander L, Markov A Yu. Adaptive synchronization of chaotic systems based on speed gradient method and passification. IEEE Trasactions on Circuits and Systems I. 1997, 44(10):905-912. [61] Yang Tao,Yan Chun-Mei,Yao Lin-Bao. A detailed study of adaptive control of chaotic systems with uncertain parameters.Dynamics and Control. 1998, 8(3):255-267. [62] Alsing P.M,Garidlides A. Using neural networks for controlling chaos.Physics Review E. 1994, 49:1225-1231. [63] 王忠勇, 蔡远利, 贾冬等. 混沌系统的神经网络控制. 控制与决策. 2000, 15(1):55-58. [64] Chen Liang, Chen Guanrong,Lee Yang-woo. Fuzzy modeling and adaptive control of uncertain chaotic systems.Information Sciences. 1999, 121(1):27-37. [65] Chen Liang, Chen Guanrong. Fuzzy predictive control of uncertain chaotic systems using time series.Bifurcation and Chaos. 1999, 9(4):757-767. [66] Chen Liang, Chen Guanrong. Fuzzy modeling,prediction and control of uncertain chaotic systems based on time series. IEEE Transactions on Circuits Systems I. 2000, 47(10): 1527-1531. [67] Lin C.T. Controlling chaos by GA-based reinforcement learning neural networks. IEEE Transactions on neural networks. 1999, 10(4):846-859. [68] Harb A, Zaher A, Zohdy M. Nonlinear recursive chaos control. Proceedings of the American Control Conference (ACC). Anchorage, 2002:2251-2254. [69] Harb A, Ahmad W. Control of chaotic oscillators using a nonlinear recursive backstepping controller. IASTED Conferen

ce on App lied Simulations andModeling. Crete, 2002:451-453. [70] Yau H T, Chen C K, Chen C L. Sliding mode control of chaotic system with uncertainties. Int J Bifurcat Chaos, 2000, 10:1139-1147. [71] 吴忠强. 非线性系统的最优模糊保代价控制及在永磁同步电机混沌系统中的应用. 中国电机工程学报, 2003, 23(9):152-157. [72] 任海鹏, 刘丁, 李洁. 永磁同步电动机中混沌运动的延迟反馈控制. 中国电机工程学报. 2003, 23(6):152-157. [73] 周世梁, 韩璞, 刘玉燕. 永磁同步电机混沌系统的鲁棒 PID 控制. 中国电机工程学报. 2005, 9(6):610-616. [74] Jaeger H. The echo state approach to analysing and training recurrent neural networks. Technical Report GMD Report 148. German National Research Center for Information Technology, 2001. [75] Jaeger H. Turtorial on training recurrent neural networks, covering BPTT, RTRL, EKF and the “echo state network” approach. GMD Report 159. German National Research Center for Information Technology, 2002. [76] J.C. Principe, D. Xu, and J. Fisher, Information Theoretic Learning, in Unsupervised Adaptive Filtering, S. Haykin, Ed. New York: Wiley, vol.1, 265-319, 2000. [77] E. Deniz and J. C. Principe, An entropy minimization algorithm for supervised training of nonlinear systems, IEEE Transactions on Signal Processing, 50(7), 1780-1786, 2002.7版本号:1101.02.000.217 [78] E. Deniz and J. C. Principe, Generalized information potential criterion for adaptive system training, IEEE Transactions on Neural Networks, 13(5), 1035-1044, 2002.8版本号:1101.02.000.217 三、研究内容、工作方案(包括采取的措施、技术路线、进度安排、拟达到的技术指标、提交成果方式 等) 。 1、研究目标 、 本项目研究复杂噪声干扰下混沌系统的建模与控制问题。提出一种新的基于网络状态存储池的最小 二乘支持向量机模型,利用网络内部状态存储方法代替核函数方法处理混沌系统中的非线性辨识问题, 应用信息熵优化支持向量机模型降低复杂噪声对模型精度的影响,研究动态样本矩形窗算法实现最小二 乘支持向量机的在线训练, 解决支持向量机采用批量训练方法导致的训练效率较低的问题。 在此基础上, 建立基于网络状态存储池的支持向量机逆控制器和反馈控制组合而成的复合控制方案,提高复杂噪声干 扰下的混沌系统控制精度。 2、研究内容 、研究内容 本项目利用支持向量机的方法对含有复杂噪声的混沌系统进行建模和控制的研究,具体研究内容如 下: (1) 基于网络状态存储池的最小二乘支持向量机及其在线训练算法研究 传统的核方法实现了一种静态映射,但较难实现递归结构,无法直接处理动态模式。本课题借助状 态空间特征映射代替核函数实现非线性的逼近,结合回声状态网络的内部状态存储方法

和最小二乘支持 向量机,提出了一种新的基于网络状态存储池的最小二乘支持向量机,较好地应用于动态系统建模。考 虑一般支持向量机处理大规模数据集会出现训练速度慢、计算量大且不易在线训练的缺点,将一种遗忘 因子矩形窗方法与支持向量机相结合,提出一种基于动态样本矩形窗算法,实现支持向量机在线回归算 法,该算法既突出了当前窗口样本数据的作用,又考虑了历史数据的影响。研究内容:动态状态存储池 特性分析、网络状态存储池的结构构建、存储池初始权值的选择、动态样本矩形窗算法以及在线回归算 法的研究等。 (2) 基于信息熵的网络状态存储池最小二乘支持向量机研究 在噪声环境下,实际观测的样本序列是确定性样本与复杂噪声的组合,且噪声的影响可能很大,一 般性的去噪或平滑处理不能完全消除噪声成分。由于最小方差误差为二阶统计量,对于含有非高斯分布 系统来说,需要一个新的衡量准则,而信息论中的信息熵概念可以满足任意阶的准则函数的要求。本课 题考虑应用 Renyi 熵来描述样本信息并作为信息量的学习准则, 使用高斯核函数 Parzen 窗参数估计方法 直接估计 Renyi 熵。将 Renyi 熵引入最小二乘支持向量机中作为损失函数的修正项,提高基于网络状态 存储池的最小二乘支持向量机方法对噪声信号的鲁棒性。研究内容:如何将信息熵技术引入到最小二乘 支持向量机的损失函数中及修正系数的选取、Renyi 熵阶次的选取、Parzen 窗核函数的窗口大小选择研 究等。 (3) 基于网络状态存储池最小二乘支持向量机的混沌系统辨识 考虑单一的混沌特性评价指标的不足,综合利用 Hurst 指数、Lyapunov 指数和关联维数分析混沌时 间序列的统计特性及规律,利用相空间重构技术确定嵌入维数和延迟时间,得到支持向量机的外部输入 结构形式。利用基于网络状态存储池的最小二乘支持向量机作为动态系统的辨识模型,应用动态样本矩 形窗算法实现支持向量机的在线训练,引入 Renyi 熵降低实际噪声对模型辨识的影响,并将该方法应用 于坦克火控系统中的电机传动混沌系统的建模与预测。研究内容主要包括随机噪声的分析、嵌入维数和 延迟时间确定、在线支持向量机回归算法研究、辨识系统稳定性和辨识精度的研究,电机传动混沌系统 的建模与预测研究等等。 (4) 基于网络状态存储池的最小二乘支持向量机逆控制和非线性反馈组合的复合控制 单一前馈控制器由于缺乏反馈回路, 在实际混沌系统应用中, 其动态响应性能和鲁棒性还有待提高。 针对这种情况,设计基于改进的支持向量机复合控制器,它由一个前馈

逆控制器和一个反馈控制器两部 分组成,利用基于网络状态存储池的最小二乘支持向量机建立混沌系统的逆模型并作为前馈控制器,采 用分段二次函数形式的非线性反馈控制器,使控制系统从混沌运动转化为各种规则的运动。研究内容主 要包括基于网络状态存储池的最小二乘支持向量机对象逆模型的建立、分段二次函数形式的选择、控制 器的稳定性、鲁棒性研究等。 3、研究方案 、 (1) 基于网络状态存储池的支持向量机及其在线训练算法研究 传统的核方法较难实现递归结构,无法直接很好地处理动态模式。本课题将控制中的状态空间向量 和内部状态反馈的概念引入支持向量机中,以回声状态网络的内部状态存储方法代替核函数方法来表示9 版本号:1101.02.000.217 非线性问题,克服核函数理论依据不足、主观性强的缺陷。内部状态存储池是有很多非线性神经元构成 的自回归网络,内部神经元之间通过稀疏的连接权值构成反馈,存储池具备大规模、稀疏连接的递归结 构。对基于内部状态存储池的支持向量机来说,在外部输入作用下,构成“输入-状态-输出”驱动系统, 输入信号从输入层进入,用于激励存储池,从而产生存储池中连接的状态变量信号。 一般的最小二乘支持向量机数学模型有两部分构成,一部分为最小化损失函数,由支持向量机的输 出权值的二次型和含有正则系数的均方误差构成,另一部分为包含输入变量和输出变量的直接约束条件 yi = W Φ( xi ) + b + ei ,其中 ei 表示系统测量值与真实值之间的误差, Φ (?) 为输入空间到特征空间的非 线性映射。 利用 Lagrange 算子和对偶优化方法, 应用内部状态存储池的状态变量替代原核函数的表达式 Φ (?) ,从而避免核函数选取等问题。最小二乘支持向量机可以应用于批量样本的训练,样本随着时刻 k 的递进而迁移,每进来一个新样本,便丢弃一个旧样本,使得样本个数保持一定。但这种方法只是简单 的丢弃一些历史数据样本,并没有考虑历史数据的影响。在本项目中提出了一种动态窗样本形式实现对 历史数据的动态保留,其主要思想是对历史数据加上衰减记忆因子,从而既考虑了历史数据的影响,又 突出了新数据的作用。因此,在本项目中定义动态窗 m,得到 k 时刻的长度为 m 的学习样本集。这种方 法虽然考虑了历史数据的影响,但在每次迭代中,仍需要多个矩阵运算,增加了每次迭代的运算量,因 此如何简化在线训练算法是本项目研究的重点问题之一。 (2) 基于信息熵的网络状态存储池最小二乘支持向量机研究 在实际噪声环境下,样本中包含着大量的噪声信息。考虑信息

熵对噪声信息有较好的处理能力,应 用方案(1)中的基于网络状态存储池的最小二乘支持向量机模型结构,将 Renyi 熵引入最小二乘支持向量 机中作为二次损失函数的修正项。从 Renyi 熵定义的结构中可知,选择合适的熵函数阶次是很重要的, 因为如果阶次选取过大,系统收敛性加快,但可能趋于不稳定;相反,如果选取过小,虽然满足系统稳 定性要求,但收敛速度降低。二阶 Renyi 熵较之其他熵定义有计算效率上的优势[76,77]。因此我们选用二 阶 Renyi 熵作为损失函数的修正项。误差样本的二阶 Renyi 熵定义为: ? ? 2 H R 2 ( e ) = ? log ? ∫ f e ( z ) dz ? ? ? 通过高斯核函数,利用 Parzen 窗估计得到误差的概率密度函数 f e 。在目标函数中增加误差的二阶 Renyi 熵修正项,得到新的损失函数,在方案(1)的基础上实现基于信息熵的网络状态存储池最小二乘支持向量 机的在线训练。 (3) 基于网络状态存储池的最小二乘支持向量机混沌系统辨识研究 混沌时间序列判别的基本方法有:功率谱法、Hurst指数法、Lyapunov指数法、关联维数法以及 Kolmogorov 熵等,这些方法都可从某一方面判别时间序列是否为混沌序列,但有时会出现用不同的方 法得到不同结果的情况。因此,为了更好的识别时间序列的混沌特性就应从多方面进行判定,本课题主 要采用Hurst指数法、Lyapunov指数法和关联维数法来识别系统的混沌特性。一般情况下,时间序列的 Hurst指数0 <H < 1, H = 0.5表示该时间序列为标准布朗运动, 0 < H < 0.5为分形布朗运动, 0.5 < H < 1表示 该时间序列具有混沌特性。Lyapunov指数是定量描述混沌特性的指标,最大Lyapunov指数为正,表明该 系统具有混沌特性,相空间两相邻轨道是发散的;最大Lyapunov指数为负,表明系统不具有混沌特性, 系统的相体积在该方向上是收缩的。混沌态具有非整数维,因为混沌运动在相空间中的某个区域内无限 次折叠,构成一个无穷层次的自相似结构,使得自相似结构的维数是分数而不是整数。吸引子分维数性 质是混沌的基本特征之一,为了便于计算和描述,一般采用关联维数来表征混沌吸引子。因此不同的混 沌特性评价指标会得到不同的识别结构,单一混沌判断指标有时不能完全确定系统是否具有混沌特性。 本课题针对含有随机噪声和系统模型未知时的混沌系统,用Hurst指数、Lyapunov指数和关联维数综合判 断系统的混沌特性,建立基于网络状态存储池的最小二乘支持向量机辨识模型。考虑到混沌系统的复杂 性和非线性,通过对观测到的时间序列的分析,利用相空间重构技术确定嵌入维数和延迟时间,从而确 定基于网络状态存储池的最

小二乘支持向量机的输入结构形式。设计基于信息熵的网络状态存储池最小 二乘支持向量机的在线训练算法,实现动态模型未知时混沌系统的辨识。在此基础上,通过对坦克火控 系统中的电机传动系统混沌时间序列的分析,建立电机传动系统的最小二乘支持向量机的模型,并实现 其精确预测。 (4) 基于网络状态存储池的支持向量机的逆控制和非线性反馈组合的复合控制 针对动态模型未知时的混沌系统,利用基于网络状态存储池的最小二乘支持向量机设计自适应控制 器,实现混沌系统的控制。采用研究内容(3)中的基于网络状态存储池的最小二乘支持向量机辨识方 法得到系统对象的模型及逆模型,设计支持向量机复合控制器,利用基于网络状态存储池的支持向量机10版本号:1101.02.000.217 的逆模型并作为前馈控制器,混沌系统的非线性特征主要是由支持向量机逆模型来抵消。设计简单的分 段二次函数,如改进的y|y|函数,将其作为混沌系统的非线性反馈控制器。在控制过程中,实际的测量 信号作为输入,送入基于网络状态存储池的最小二乘支持向量机逆模型控制器,然后将其输出与分段二 次函数反馈控制器的输出相叠加,得到的复合控制信号作为混沌系统的输入,从而可以使混沌系统被稳 定到期望轨道或状态。本方案中的复合控制器具有较强的鲁棒性和快速收敛性。 应用 Visual C++和 MATLAB 结合开发出复杂噪声情况下混沌系统的辨识与控制仿真软件,验证辨 识模型、控制方案和训练算法的可行性。最后在电机传动控制系统的实验平台上,进一步验证所提方案 的正确性。 4、可行性分析 、 (1)研究必要性。我国现役坦克的火控系统同国外相比,控制精度和反应时间都有待提高。存在 于电机传动系统中的混沌现象直接影响火控系统精度。因此,本项目以复杂干扰下坦克火控系统为研究 背景,对增强现役系统的抗干扰能力,提高坦克在行进间的射击命中率有重要指导意义。 (2)技术可行性。本项目以支持向量机为基础,研究基于支持向量机的混沌系统辨识与控制问题。 目前神经网络和支持向量机已用于混沌时间序列的建模,取得了令人满意的成果。由于递归神经网络和 支持向量机在处理问题时存在着各自的特点,本项目将递归神经网络和支持向量机的优势结合起来建立 一种新型的支持向量机,这样既能处理动态模式,又具有较好学习能力和泛化能力,为含有随机噪声的 混沌系统建立更为精确的辨识模型,因此本项目提出的方法具有理论基础。通过本项目的研究,为含复 杂噪声的混沌系统建模与控制提供一种新方法。 近年

来,在“九五”兵器预研基金和国家自然科学基金的资助下,申请人及其所在的课题组已在神 经网络、支持向量机及非线性系统控制等方面进行了研究,建立了相应的仿真软件和实验系统,取得了 一 系 列 的 研究成果。本项目以此为基础,利用支持向量机的方法对含有随机噪声的混沌系统进行辨识 和控制作进一步研究,目的在于提高混沌系统的控制性能。本项目所提出的基于网络状态存储池的支持 向量机辨识模型、在线回归训练算法及相应的控制方案内容明确,研究方案可行。 项目申请人任雪梅对复杂系统的干扰抑制方面做了深入研究,并已经取得良好的研究成果。与美国 University of Texas at Arlington 的 Prof. Frank L Lewis 教授和新加坡 A* star, Data Storage Institute 的 Jingliang Zhang 合作,利用神经网络对硬盘驱动控制的外界干扰补偿问题进行了研究,提出两种新的补 偿策略, 研究成果论文被 Automatica 录用, 完成了校样工作, 已在网上公开发表; National University 与 of Singapore 的 Prof. Shuzhi Sam Ge、美国的 Prof. Frank L Lewis 和新加坡 Data Storage Institute 的 V. Venkataramanan,Jingliang Zhang 合作,研究了基于神经网络的前馈控制方法来消除硬盘驱动控制受到 外界干扰的影响,实验表明该方法可有效抑制干扰,研究成果论文被 IEEE Transaction on Magnetics 和 IET Control Theory and Applications 录用,将于 2009 年发表。 (3)组织可行性。本项目的研究依托于北京理工大学自动化学院,该学院有良好的学术氛围和科 研环境,得到“211”工程和“985”工程重点支持,配置了先进仪器设备。在科研人员方面,拥有在本 项目相关领域进行过较深入研究的教授、研究员等科研人才,是一支善于协作的研究团体。因此整个项 目组成员对项目的圆满完成充满信心。 5、进度安排 、 2010.01-2010.12 混沌时间序列的分析,基于网络状态存储池的支持向量机理论研究,状态存备 池的选择,在线训练算法的研究,信息熵和支持向量机结合的研究,撰写和发表有关论文。 2011.01-2011.12 混沌系统分析和研究,基于网络状态存储池的最小二乘支持向量机混沌系统辨 识研究,基于动态样本矩形窗算法研究,基于支持向量机的前馈逆控制与反馈控制的复合控制研究,撰 写和发表有关论文。 2012.01-2012.12 混沌控制系统的建模和控制算法的进一步研究,开发基于信息熵的网络状态存 储池最小二乘支持向量机混沌系统的建模与控制仿真软件,验证辨识模型、控制方案和学习算法的可行 性,项目总结鉴定、专题报告的编写。 6、预期研究成果 、 (1) 提出一种新的基于网络状态存储池的最小二乘支持向量机模型,

实现利用状态存储方法代替核函数 方法处理混沌系统中的非线性辨识问题,采用信息熵优化支持向量机模型降低复杂噪声对模型精度的影 响,应用动态样本矩形窗算法实现支持向量机的在线训练,建立基于网络状态存储池的支持向量机逆控11版本号:1101.02.000.217 制器和分段二次函数的非线性反馈控制器组合而成的复合控制方案,提高含有复杂噪声混沌系统的控制 精度。 (2) 开发一套基于信息熵的网络状态存储池最小二乘支持向量机的混沌系统辨识及控制仿真软件,验证 算法的可行性和正确性。 (3) 国内外期刊和会议上发表相关论文 8-12 篇,其中 8 篇左右的论文被 SCI、EI 检索。 (4) 拟培养 4 名博士研究生,4 名硕士研究生。12版本号:1101.02.000.217 四、为了进行本课题的研究,课题组已具备的工作基础和实验室条件。 1、工作基础 、 本项目申请人任雪梅主要从事智能控制、神经网络、支持向量机、火控系统及非线性控制等方面的 研究工作,已发表相关论文 80 多篇。1999—2001 年负责完成国家自然科学基金项目《不确定非线性 系统的神经网络辨识与控制研究》 ,完成情况被基金委学科评审组评为优;有关神经网络控制算法成果 应用到 “九五”兵器重点预研项目《战斗车辆火控系统体系结构优化决策支持系统及非线性控制 算法》 《新型坦克炮控系统技术研究》 和 的研究, 分别获得兵器工业总公司科技进步三等奖和二等奖。 2005-2007 负责完成了国家自然科学基金项目《基于延迟神经网络的时滞系统辨识与控制》 。近年来,项 目 组 成 员 已 对 神 经 网 络 、 支持向量机、坦 克 火 控系 统 、 硬 盘 驱 动 控 制 系 统 的 干 扰 抑 制 及 信 息 理 论学习等进行了深入研究, 并取得了一系列的成果。 2006 年 7 月至 2007 年 7 月到美国 University of Texas at Arlington 的 Automation and Robotics Research Institute 访问,在 Prof. Frank L Lewis 的指导下, 对硬 盘 驱 动 控 制 系 统 的 干 扰 抑 制 问 题 进 行 了研究。2007 年 4 月到美国 University of Florida 的 Computational NeuroEngineering Laboratory 访问,并和 Prof. J C Principe 进行学术交流,对信息理论学 习进行了较为深入的研究。与本项目有关的研究成果下: 在神经网络控制方面,针对多输入多输出的高阶非线性连续时间系统,研究了动态神经网络的辨识 和自适应控制算法;建立新的延迟神经网络模型实现对时滞非线性连续时间系统的辨识和时滞的估计; 针对未知时滞系统在线辨识问题,提出了神经元的扩展最小二乘递归算法,研究了非线性时滞系统基于 神经网络的预测控制、 非线性补偿控制、 自适应 Backstepping 方

法等, 研究成果发表在 IEEE Transactions on Automatic Control,IEEE Transactions on Neural Networks,IEEE Transactions on Industrial Electronics, Journal of Systems Science(已录用) ,自动化学报等期刊上。 在硬盘驱动控制系统的复杂干扰补偿方面,研究了几种前馈补偿方案,如基于系统模型的前馈补偿 方案、改进的 FIR 补偿器、神经网络前馈-反馈补偿器、神经网络前馈补偿器等,实验结果表明了这些 方法可有效抑制外界干扰对系统性能的影响, 研究成果被 Automatica, IEEE Transaction on Magnetics, IET Control Theory and Applications 等录用,将于 2009 年发表。 在坦克火控系统方面,针对坦克炮控系统中摩擦、间隙、放大器的饱和、测量元件的静差及间隙、 传动系统的弹性变形等非线性因素,研究火控系统的单神经元复合控制、模糊滑模控制和非线性 PID 控 制算法。在装甲兵工程学院的某坦克火控系统上进行了验证。与经典控制方法相比,坦克炮控系统的性 能得到很大的改善和提高。研究成果获中国兵器工业集团公司科学技术二等奖和三等奖。 在基于信息熵的降噪研究方面,针对多值图像的去噪恢复问题,提出一种基于模糊 Renyi 熵的多值 图像去噪滤波器;研究了基于二阶 Renyi 熵的自适应有限脉冲响应主动噪声控制算法,高斯宽带噪声、 单频非高斯和实测宽带非高斯噪声的仿真结果表明该算法能很好地消除非高斯噪声。研究成果发表在控 制理论与应用(已录用) 、中国控制会议等刊物上。 项目组主要成员黄鸿副研究员主要从事工业过程控制、神经网络及智能控制等研究工作, 李 位星老师主要从事智能控制、支持向量机等方面的研究工作。目前项目组成员对神经网络控制、支 持向量机、以 Renyi 熵为基础的信息理论学习、火控系统等方面有全面深入的了解,并已经做了许多的 前期工作,为本项目的顺利完成奠定了坚实的基础。 2、课题相关实验室条件 、 本课题的研究依托于北京理工大学自动化学院。学院有控制科学与工程一级学科博士学位授权点, 控制科学与工程博士后流动站,有良好的学术科研气氛。申请者所在的学科为“211”工程和“985”工程重 点建设学科,所在的复杂系统智能控制与决策实验室是教育部重点实验室,已投入了相关重点学科建设 的专项资金,实验室配置了先进仪器设备,拥有火控系统试验平台、波形发生器、频谱分析仪、高性能 计算机和 DSP 开发系统, 其中电机传动控制系统实验平台基本能够进行各种控制算法的研究, 为本课题 的理论验证提供了良好的实验条件。13版本号:1101.02.000.217 五、说明最近一次获得博士学科点专项科研基金资

助课题(在研或结题)的执行情况。14版本号:1101.02.000.217 <@W$Y#H六、申请人作为课题负责人承担的国家及省部级科研项目。 课题编号 69804001 60474033 课题名称 不确定非线性系统的神经网络辨识与控制 基于延迟神经网络的时滞系统辨识与控制 起止时间 1999-01-01 至 2001-12-31 2005-01-01 至 2007-12-31 项目经费 (万元) 10.0000 23.0000 执行情况 完成 完成 课题来源 国家自然科学 基金 国家自然科学 基金15版本号:1101.02.000.217 简 表 二 经 费合计 设备费 材料费 计算费概资料费算差旅费单位:万元人民币 万元人民币其它8.00000.70000.80002.80001.40001.50000.8000需购置的设备名称数量金额数据采集卡10.4000仿真器10.3000其他经费来源(限 120 个字以内) :16版本号:1101.02.000.217 简 表 三课题申请人及主要参加人员发表论文或专著情况表序 号 1 时 间 姓 名 X. M. Ren and A. B. Rad X. M. Ren, A. B. Rad, P. T Xuemei Ren,F L Lewis,J L Zhang Xuemei Ren, A B Rad and Fr Xuemei Ren, Frank L Lewis Na Jing, Ren Xuemei and H 本人排名 论文或专著名称 Identification of nonlinear systems with unknown time delay based on time delay neural networks Online identification of continuous time systems with unknown time delay Neural network compensation control for mechanical systems with disturbances Neural network-based compensation manipulators with unknown dynamics control of robot American Control Conference 2007 发表刊物(卷期页)或出版社 IEEE Transactions on Networks,vol.18,no.5 Neural2007-05122005-091IEEE Transactions on Automatic Control, Vol.50,No.9 Automatica , available online 9 March 200932009-03142007-07152007-121Neural network feedforward control for mechanical systems with external disturbances Time-delay positive feedback control for nonlinear time-delay systems with neural network compensationIEEE Conference on Decision and Control,200762008-092自动化学报,vol.34,no.972007-10任雪梅1非线性时滞系统的稳定自适应控制智能系统学报,vol.2,no.582006-10任雪梅,黄鸿, 艾亮,那靖 X. M. Ren, A. B. Rad, W. X. M. Ren, A. B. Rad, W.1主动队列管理中的 PID 型神经网络控制北京理工大学学报,vol.26, no.1092005-061Adaptive H2 optimal control based on Smith predictor for continuous-time systems with unknown time delay Adaptive internal model control with reference input predictor for time delay systemsThe 5th International Conference on Control and Automation, 2005102005-071The 16th IFAC World Congress,200517版本号:1101.02.000.217 112004-04任雪梅, 朱英平, 王武宏,黄鸿 任雪梅,陈逊, 徐 腊元 黄鸿,任雪梅, 刘兰涛,杨俊杰 杨林,任雪梅,黄 鸿,张兴华 杨俊杰,任雪梅, 黄鸿 黄

鸿,任雪梅, 刘兰涛 杨林,任雪梅,黄 鸿 黄鸿, 任雪梅,张 刚1基于径向基函数神经网络车辆跟弛模型北京理工大学学报,Vol.24, No.4122004-051基于马尔可夫链和模糊聚类的电力系统短期负荷预测北京理工大学学报,Vol.24, No.5132007-062基于模拟传感器与人工势场的局部避障方法哈尔滨工业大学学报, vol.39,增刊 1142006-092时滞系统的神经网络辨识与控制算法计算技术与自动化,vol.25,no.3152006-032基于遗传算法的多智能体的协作行为研究计算机仿真,vol.23,no.3162006-082基于几何学的一种新型局部区域避障方法哈尔滨工业大学学报,第 38 卷增刊172006-012基于 RBF 网络自整定 PID 控制在工业对象中的应用计算机仿真,vol.23,no.1182006-082基于聚类方法的对手阵形识别哈尔滨工业大学学报,第 38 卷增刊192004-09陈逊,任雪梅2基于小波算法和神经网络相结合的系统辨识方法火炮发射与控制,Vol.94,No.3202007-01方源,黄鸿, 任雪 梅 刘兰涛,黄鸿, 任 雪梅3基于遗传算法优化的足球机器人模糊避障研究计算机仿真,vol.24, no.1212006-083一种适用于边界反弹球的截球算法哈尔滨工业大学学报,第 38 卷增刊18版本号:1101.02.000.217 简 表 四课题申请人及主要参加人员的基本情况表(课题参加人员必须有博士生)序 号1 2 3 4 5 6 7 8 9 10姓名任雪梅 王武宏 黄鸿 李位星 张兴华 吕晓华 陈强 温云同 黄堉 陈利伟出生年月1967-12-06 1966-10-08 1958-11-17 1976-08-05 1982-07-28 1985-01-16 1984-04-07 1983-07-26 1986-03-06 1985-01-01技术职称教授 教授 副研究员 讲师 博士生 博士生 博士生 博士生 硕士生 硕士生从事专业模式识别与智能系统 车辆工程 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统 模式识别与智能系统工作单位北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学 北京理工大学投入工时 (月/年)7 6 7 7 8 8 8 9 10 10课题中的分工理论研究,算法研究,总体设计 电机传动系统建模与控制 混沌控制,非线性系统 智能控制,支持向量机 混沌系统时间序列预测,信息理论学习 非线性控制,回归神经网络 混沌系统控制,支持向量机 智能控制,信息熵 计算机编程,系统调试 支持向量机,神经网络签名总人数教授副教授讲师博士生硕士生其他人员10课题申请人简介:2114201989 年 7 月在山东大学数学系自动控制专业获学士学位,1992 年 3

相关推荐