-
公开(公告)号：CN112372639A
公开(公告)日：2021-02-19
申请号：CN202011261344.X
申请日：2020-11-12
Applicant: 华侨大学
IPC: B25J9/16
Abstract: 本发明提供一种机械臂系统的二重相位超前补偿迭代学习控制方法，包括如下步骤：建立二重相位超前补偿迭代学习律，根据机械臂系统模型的收敛条件确定二重相位超前补偿阶次，再根据二重相位超前补偿阶次的取值确定二重相位超前补偿阶次的修正值；计算z域超前相位补偿误差的逆变换，并将其代入二重相位超前补偿迭代学习律，得到再一次迭代时系统输入；将第再一次系统输入加载到机械臂系统模型得到相应的系统输出，并计算迭代学习控制跟踪误差，同时判断迭代学习控制跟踪误差是否达到迭代学习控制跟踪误差容许精度，如果达到，则停止迭代，否则进行下一轮迭代。本发明方法不仅提高系统瞬态学习性能，扩展系统的学习带宽，而且能扩展ILC学习增益的调节范围。
-
公开(公告)号：CN109635915A
公开(公告)日：2019-04-16
申请号：CN201910035509.2
申请日：2019-01-15
Applicant: 华侨大学
IPC: G06N3/00
CPC classification number: G06N3/006
Abstract: 本发明涉及一种基于均衡单进化布谷鸟算法的迭代学习控制方法，给出了新型的均衡单进化评价策略，每一代进化只随机更新目标函数的单个维度，并且随机更新的维度服从整数均匀分布，与其它维度组合构成一个新的候选解，然后评价该候选解，若优于上一代函数适应度值，则保留更新的候选解并继续进化，直至满足算法停止条件，由于采用贪婪法则，因此只接受能改善当前候选解的更新值，确保了在优化过程中搜索方向的针对性调整，并且不会影响效率。本发明能够有效平衡布谷鸟算法的全局搜索能力和局部寻优能力，避免优化算法执行末期出现的迟滞现象，从而提高算法的全局搜索速度和收敛精度。
-
公开(公告)号：CN105830875B
公开(公告)日：2018-10-16
申请号：CN201610177903.6
申请日：2016-03-25
Applicant: 华侨大学
IPC: A01G27/00
Abstract: 本发明公开了一种控制花卉浇水的方法及系统，采用可编程逻辑器控制，方法包括：通过光传感器、空气干湿度传感器和土壤湿度传感器分别对花卉外部光线强度、空气相对湿度和土壤湿度进行采样；响应所述外部光线强度、空气相对湿度和土壤湿度计算实际浇花因子；判断所述实际浇花因子是否大于规定的理想浇花因子；当所述实际浇花因子大于等于所述理想浇花因子时发出启动浇水信号；响应所述外部光线强度、空气相对湿度和土壤湿度动态更新实际浇花因子；当所述实际浇花因子小于所述理想浇花因子时发出停止浇水信号。实现了根据花卉种类、光照、空气干湿度和土壤湿度判断花卉浇水需求，并可对多种花卉进行联合控制浇水。
-
公开(公告)号：CN119348682A
公开(公告)日：2025-01-24
申请号：CN202411490389.2
申请日：2024-10-24
Applicant: 华侨大学
Abstract: 本发明涉及一种用于高速列车在DoS攻击下保持安全行驶的控制方法及系统，方法包括：设置伪偏导数步长、伪偏导数权重、控制律步长、控制律权重、调节因子以及控制输入线性化长度；设置领导者车厢的期望轨迹、跟随车厢输出的列车速度初始值及跟随车厢输入的列车牵引力/制动力初始值；更新伪偏导数的预测值；重置伪偏导数的预测值；更新控制输入；基于DoS攻击下，数据传输成功的数学期望更新输出；计算列车速度；判断列车的行驶时刻是否达到终止时间，如果达到停止控制；否则，重复上述步骤。本发明提出了一种扩展无模型控制，引入了误差调节因子的输入准则函数的控制律更新方法，能够有效缩短高速列车控制达到稳定的收敛时间以及提高系统的跟踪效果。
-
公开(公告)号：CN116414027A
公开(公告)日：2023-07-11
申请号：CN202211479308.X
申请日：2022-11-24
Applicant: 华侨大学
Inventor： 傅文渊
IPC: G05B13/04
Abstract: 本发明提出了一种无模型可变学习增益的频域迭代学习控制方法，首次提出不需要任何系统模型信息的基于频域ILC的归一化概念，并针对非重复性未知离散时间系统开发了一种频域数据驱动ILC方法；该方法通过对系统输入和输出的商进行归一化并作用于跟踪误差，确保了系统的输入是有边界的；所提出的基于数据驱动的方法不仅能够处理与迭代无关的跟踪轨迹，而且能够处理迭代变化的轨迹跟踪任务。
-
Patent Agency Ranking
公开(公告)号：CN108225252B
公开(公告)日：2019-10-11
申请号：CN201711206091.4
申请日：2017-11-27
Applicant: 华侨大学
Inventor： 傅文渊
Abstract: 一种基于变区间反向混沌优化的圆度误差评定方法，利用混沌映射增大随机搜索能力、反向优化策略增大逃逸局部极值的能力以及变区间反向优化策略减小优化空间，依次进行粗搜索、细搜索及变区间反向优化，随着迭代次数的增加，优化的圆心变量区间不断减小，不断趋向于最优解方向，最终实现全局寻优，具有较强的鲁棒性。本发明的变区间反向优化策略，利用当前搜索到的最优解Xmin的反向解增大算法进化过程的多样性，能够最大效率的勘探算法的全局最优解位置，避免区间转换过程算法进化陷入局部极值点；该策略寻优过程不仅利用正向最优解Xmin提高收敛速度，同时利用反向最优解扩大搜索范围，从而跳出局部最优解趋向于全局最优解X*。
-
公开(公告)号：CN107747930A
公开(公告)日：2018-03-02
申请号：CN201710873935.4
申请日：2017-09-25
Applicant: 华侨大学
Abstract: 一种基于万有引力加速布谷鸟算法的圆度误差评定方法，基于万有引力搜索无需学习外部环境因素的变化亦能感知全局最优信息的特点，将布谷鸟巢穴赋予不同的个体质量，因此其在优化过程中遵循万有引力定律；对布谷鸟算法中的Levy飞行随机游动和偏好随机游动同时利用优化个体间存在的万有引力进行加速搜索，获得相应的布谷鸟寄生巢穴个体更新位置；在万有引力的作用下，有效的平衡了布谷鸟算法的全局搜索能力和局部寻优能力，避免算法执行末期陷入局部极值点而出现的迟滞现象，提高算法的全局搜索效率和收敛精度。本发明待优化的圆度误差E能快速趋于稳定的最优值，并求解出两个同心圆的理想圆心和 从而使得两同心圆之间的区域为最小区域。
-
公开(公告)号：CN105830875A
公开(公告)日：2016-08-10
申请号：CN201610177903.6
申请日：2016-03-25
Applicant: 华侨大学
IPC: A01G27/00
CPC classification number: A01G27/003
Abstract: 本发明公开了一种控制花卉浇水的方法及系统，采用可编程逻辑器控制，方法包括：通过光传感器、空气干湿度传感器和土壤湿度传感器分别对花卉外部光线强度、空气相对湿度和土壤湿度进行采样；响应所述外部光线强度、空气相对湿度和土壤湿度计算实际浇花因子；判断所述实际浇花因子是否大于规定的理想浇花因子；当所述实际浇花因子大于等于所述理想浇花因子时发出启动浇水信号；响应所述外部光线强度、空气相对湿度和土壤湿度动态更新实际浇花因子；当所述实际浇花因子小于所述理想浇花因子时发出停止浇水信号。实现了根据花卉种类、光照、空气干湿度和土壤湿度判断花卉浇水需求，并可对多种花卉进行联合控制浇水。
-
公开(公告)号：CN102982240A
公开(公告)日：2013-03-20
申请号：CN201210470650.3
申请日：2012-11-19
Applicant: 华侨大学
IPC: G06F19/00
Abstract: 本发明涉及一种基于变尺度混沌模拟退火算法的圆度误差评定方法，先将模拟退火算法作为寻优的粗搜索，然后利用混沌优化算法的高效性作为寻优的细搜索，确保寻优过程简洁高效，该模拟退火算法的优化结果不依赖于初始值，因此先采用模拟退火算法能保证寻找到实际全局最优区域，而混沌优化算法具有很好的执行效率，适合在全局最优区域内进行细搜索，从而搜索到全局最优解，因此在优化过程中具有更小的迭代次数，同时本发明提出的混沌映射xtin=cos(1/xtin2)能更好地实现混沌寻优，在执行过程中[a1,i+1，b1,i+1]、[a2,i+1，b2,i+1]根据解空间变化而不断减小，使得寻优过程不断逼近全局最优解。
-
公开(公告)号：CN119261206A
公开(公告)日：2025-01-07
申请号：CN202411369621.7
申请日：2024-09-29
Applicant: 华侨大学
Inventor： 傅文渊
IPC: B29C64/393 , B33Y50/02
Abstract: 本发明涉及一种具有学习机制的三维打印机温度控制方法，包括：初始化步骤；基于估计系统模型、外部未知干扰估计和未知权重估计系数的喷头温度计算步骤；估计系统模型判断步骤；外部未知干扰估计判断步骤；未知权重估计系数误差判断步骤；喷头温度误差判断步骤；迭代学习次数判断及系统温度输出步骤。本发明的具有学习机制的无模型控制方法，用于三维打印机的温度控制，能够克服精确系统模型难以获得的问题，并在现有性能基础上提升系统的收敛速度和鲁棒性。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.169 seconds)
