2016年 第42卷 第9期
2016, 42(9): 1285-1299.
doi: 10.16383/j.aas.2016.c160105
摘要:
能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键，本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点，从数据驱动的角度对现有研究进行综述.并将其分为三大类: 基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术，进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题，而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望，提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.
能否及时诊断出微小故障是保障系统安全运行并抑制故障恶化的关键，本文针对微小故障幅值低、易被系统扰动和噪声掩盖等特点，从数据驱动的角度对现有研究进行综述.并将其分为三大类: 基于统计分析的微小故障诊断技术、基于信号处理的微小故障诊断技术和基于人工智能的微小故障诊断技术，进而对不同方法的基本研究思想、研究进展、应用以及局限性予以介绍.最后不仅指出复杂系统微小故障诊断研究中的现存问题，而且从增加新的信息、挖掘未利用的隐含信息和采用新的数学工具三个角度进行展望，提出基于关联性分析、基于多源信息融合、基于机器学习和基于时频分析四个值得探究的微小故障诊断思想.
2016, 42(9): 1300-1312.
doi: 10.16383/j.aas.2016.c150800
摘要:
近年来，卷积神经网络（Convolutional neural networks，CNN）已在图像理解领域得到了广泛的应用，引起了研究者的关注. 特别是随着大规模图像数据的产生以及计算机硬件（特别是GPU）的飞速发展，卷积神经网络以及其改进方法在图像理解中取得了突破性的成果，引发了研究的热潮. 本文综述了卷积神经网络在图像理解中的研究进展与典型应用. 首先，阐述卷积神经网络的基础理论;然后，阐述其在图像理解的具体方面，如图像分类与物体检测、人脸识别和场景的语义分割等的研究进展与应用.
近年来，卷积神经网络（Convolutional neural networks，CNN）已在图像理解领域得到了广泛的应用，引起了研究者的关注. 特别是随着大规模图像数据的产生以及计算机硬件（特别是GPU）的飞速发展，卷积神经网络以及其改进方法在图像理解中取得了突破性的成果，引发了研究的热潮. 本文综述了卷积神经网络在图像理解中的研究进展与典型应用. 首先，阐述卷积神经网络的基础理论;然后，阐述其在图像理解的具体方面，如图像分类与物体检测、人脸识别和场景的语义分割等的研究进展与应用.
2016, 42(9): 1313-1321.
doi: 10.16383/j.aas.2016.c150560
摘要:
如何利用大量已有的同构标记数据（源域）设计小样本训练数据（目标域）的分类器是一个具有很强应用意义的研究问题. 由于不同域的数据特征分布有差异，直接使用源域数据对目标域样本进行分类的效果并不理想. 针对上述问题，本文提出了一种基于迁移学习的分类器设计算法. 首先，本文利用内积度量的边际Fisher准则对源域进行特征映射，提高源域中类内紧凑性和类间区分性. 其次，为了筛选合理的训练样本对，本文提出一种去除边界奇异点的算法来选择源域密集区域样本点，与目标域中的标记样本点组成训练样本对. 在核化空间上，本文学习了目标域特征到源域特征的非线性转换，将目标域映射到源域. 最后，利用邻近算法（k-nearest neighbor，kNN）分类器对映射后的目标域样本进行分类. 本文不仅改进了边际Fisher准则方法，并且将基于自适应样本对 筛选的迁移学习应用到小样本数据的分类器设计中，提高域间适应性. 在通用数据集上的实验结果表明，本文提出的方法能够有效提高小样本训练域的分类器性能.
如何利用大量已有的同构标记数据（源域）设计小样本训练数据（目标域）的分类器是一个具有很强应用意义的研究问题. 由于不同域的数据特征分布有差异，直接使用源域数据对目标域样本进行分类的效果并不理想. 针对上述问题，本文提出了一种基于迁移学习的分类器设计算法. 首先，本文利用内积度量的边际Fisher准则对源域进行特征映射，提高源域中类内紧凑性和类间区分性. 其次，为了筛选合理的训练样本对，本文提出一种去除边界奇异点的算法来选择源域密集区域样本点，与目标域中的标记样本点组成训练样本对. 在核化空间上，本文学习了目标域特征到源域特征的非线性转换，将目标域映射到源域. 最后，利用邻近算法（k-nearest neighbor，kNN）分类器对映射后的目标域样本进行分类. 本文不仅改进了边际Fisher准则方法，并且将基于自适应样本对 筛选的迁移学习应用到小样本数据的分类器设计中，提高域间适应性. 在通用数据集上的实验结果表明，本文提出的方法能够有效提高小样本训练域的分类器性能.
2016, 42(9): 1322-1338.
doi: 10.16383/j.aas.2016.c150829
摘要:
证据理论已广泛应用于时空信息融合领域，由于时域信息融合表现出明显的序贯性和动态性，为实现基于证据理论的时域信息融合，有效处理时域冲突信息，结合证据可靠性评估和证据折扣的思想，在直觉模糊框架内提出了一种基于复合可靠度的时域证据组合方法.首先定义一种基于可靠度的直觉模糊数排序方法，在此基础上提出一种基于直觉模糊多属性决策的证据可靠性评估方法;然后，基于此方法对时域信息序列中相邻时间节点的证据可靠性进行评估，得到时域证据的相对可靠性因子;最后，结合由时域证据可靠度衰减模型得到的实时可靠性因子，得到时域证据的复合可靠性因子，再基于证据折扣运算和Dempster证据组合规则提出一种基于复合可靠度的时域证据组合方法.数值算例和仿真表明，该方法具有较强的时间敏感性，充分体现了时域信息融合的动态性特点，可以较好地处理时域证据中的冲突信息，基于该方法构建的融合识别系统具有较强的抗干扰能力.
证据理论已广泛应用于时空信息融合领域，由于时域信息融合表现出明显的序贯性和动态性，为实现基于证据理论的时域信息融合，有效处理时域冲突信息，结合证据可靠性评估和证据折扣的思想，在直觉模糊框架内提出了一种基于复合可靠度的时域证据组合方法.首先定义一种基于可靠度的直觉模糊数排序方法，在此基础上提出一种基于直觉模糊多属性决策的证据可靠性评估方法;然后，基于此方法对时域信息序列中相邻时间节点的证据可靠性进行评估，得到时域证据的相对可靠性因子;最后，结合由时域证据可靠度衰减模型得到的实时可靠性因子，得到时域证据的复合可靠性因子，再基于证据折扣运算和Dempster证据组合规则提出一种基于复合可靠度的时域证据组合方法.数值算例和仿真表明，该方法具有较强的时间敏感性，充分体现了时域信息融合的动态性特点，可以较好地处理时域证据中的冲突信息，基于该方法构建的融合识别系统具有较强的抗干扰能力.
2016, 42(9): 1339-1346.
doi: 10.16383/j.aas.2016.c150817
摘要:
T波形态分类有助于诊断心肌缺血、急性心包炎和心脏猝死等疾病，是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测，在准确定位T波的关键点之后再提取T波特征，完成分类.但是由于T波位置可能发生一定程度偏移，T波的形态多变且受到多种噪声的干扰，T波检测是一个难题.为了解决上述问题，本文提出基于卷积神经网络的T波分类算法:首先根据QRS波群位置及医学统计规律确定一个T波候选段，然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性，能够通过训练自动获取T波特征，并且其特征对微小平移具备不变性且对噪声不敏感，从而能够有效解决T波形态分类问题.最后在MIT-BIH QT心电数据库上对本文方法进行测试，实验结果表明，本文方法可以在T波起始点未确定的情况下，能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T 波形态，正确率达到了99.1%.
T波形态分类有助于诊断心肌缺血、急性心包炎和心脏猝死等疾病，是心电图远程监控中一个重要的研究课题.传统的T波分类算法依赖于T波检测，在准确定位T波的关键点之后再提取T波特征，完成分类.但是由于T波位置可能发生一定程度偏移，T波的形态多变且受到多种噪声的干扰，T波检测是一个难题.为了解决上述问题，本文提出基于卷积神经网络的T波分类算法:首先根据QRS波群位置及医学统计规律确定一个T波候选段，然后采用卷积神经网络直接完成T波分类.由于卷积神经网络有稀疏连接、权值共享的特性，能够通过训练自动获取T波特征，并且其特征对微小平移具备不变性且对噪声不敏感，从而能够有效解决T波形态分类问题.最后在MIT-BIH QT心电数据库上对本文方法进行测试，实验结果表明，本文方法可以在T波起始点未确定的情况下，能够识别单峰直立、单峰倒置、低平、负正双向、正负双向五类T 波形态，正确率达到了99.1%.
2016, 42(9): 1347-1355.
doi: 10.16383/j.aas.2016.c150146
摘要:
针对图像去噪问题，本文基于全变差对偶公式提出一个新的梯度投影算法.算法采用改进的非单调线搜索和自适应BB（Barzilai-Borwein）步长，有效地改善了Chambolle梯度投影算法收敛慢的缺点.数值结果表明新算法优于一些已有的梯度投影算法.
针对图像去噪问题，本文基于全变差对偶公式提出一个新的梯度投影算法.算法采用改进的非单调线搜索和自适应BB（Barzilai-Borwein）步长，有效地改善了Chambolle梯度投影算法收敛慢的缺点.数值结果表明新算法优于一些已有的梯度投影算法.
2016, 42(9): 1356-1366.
doi: 10.16383/j.aas.2016.c150857
摘要:
在基于子空间学习的背景建模方法中，利用背景信息对前景误差进行补偿有助于建立准确的背景模型.然而，当动态背景（摇曳的树枝、波动的水面等）和复杂前景等干扰因素存在时，补偿过程的准确性和稳定性会受到一定的影响.针对这些问题，本文提出了一种基于误差补偿的增量子空间背景建模方法.该方法可以实现复杂场景下的背景建模.首先，本文在误差补偿的过程中考虑了前景的空间连续性约束，在补偿前景信息的同时减少了动态背景的干扰，提高了背景建模的准确性.其次，本文将误差估计过程归结为一个凸优化问题，并根据不同的应用场合设计了相应的精确求解算法和快速求解方法.再次，本文设计了一种基于Alpha通道的误差补偿策略，提高了算法对复杂前景的抗干扰能力.最后，本文构建了不依赖于子空间模型的背景模板，减少了由前景信息反馈引起的背景更新失效，提高了算法的鲁棒性.多项对比实验表明，本文算法在干扰因素存在的情况下仍然可以实现对背景的准确建模，表现出较强的抗扰性和鲁棒性.
在基于子空间学习的背景建模方法中，利用背景信息对前景误差进行补偿有助于建立准确的背景模型.然而，当动态背景（摇曳的树枝、波动的水面等）和复杂前景等干扰因素存在时，补偿过程的准确性和稳定性会受到一定的影响.针对这些问题，本文提出了一种基于误差补偿的增量子空间背景建模方法.该方法可以实现复杂场景下的背景建模.首先，本文在误差补偿的过程中考虑了前景的空间连续性约束，在补偿前景信息的同时减少了动态背景的干扰，提高了背景建模的准确性.其次，本文将误差估计过程归结为一个凸优化问题，并根据不同的应用场合设计了相应的精确求解算法和快速求解方法.再次，本文设计了一种基于Alpha通道的误差补偿策略，提高了算法对复杂前景的抗干扰能力.最后，本文构建了不依赖于子空间模型的背景模板，减少了由前景信息反馈引起的背景更新失效，提高了算法的鲁棒性.多项对比实验表明，本文算法在干扰因素存在的情况下仍然可以实现对背景的准确建模，表现出较强的抗扰性和鲁棒性.
2016, 42(9): 1367-1379.
doi: 10.16383/j.aas.2016.c150525
摘要:
根据雾气浓度的视觉特征，提出一种雾气浓度估计模型.在此基础上，结合大气散射模型，提出一种新的图像去雾算法.首先，基于雾气浓度估计模型计算出雾气浓度量化图，利用模糊聚类算法在量化图中识别出雾气最浓区域并估计出全球光; 然后，对量化图中的“非雾气最浓”区域再次进行聚类处理，根据文中所提最优透射率评价指标估计出每个聚类单元的透射率，将全球光与透射图以及有雾图像导入散射模型，便可达到去雾的目的; 最后，针对去雾后图像较实际场景偏暗，提出一种基于小波域的多尺度锐化算法进行增强处理，以改善其主观视觉质量.实验结果表明，本文算法与现有主流算法相比，具有更好的去雾效果，并且其计算速度也相对较快.
根据雾气浓度的视觉特征，提出一种雾气浓度估计模型.在此基础上，结合大气散射模型，提出一种新的图像去雾算法.首先，基于雾气浓度估计模型计算出雾气浓度量化图，利用模糊聚类算法在量化图中识别出雾气最浓区域并估计出全球光; 然后，对量化图中的“非雾气最浓”区域再次进行聚类处理，根据文中所提最优透射率评价指标估计出每个聚类单元的透射率，将全球光与透射图以及有雾图像导入散射模型，便可达到去雾的目的; 最后，针对去雾后图像较实际场景偏暗，提出一种基于小波域的多尺度锐化算法进行增强处理，以改善其主观视觉质量.实验结果表明，本文算法与现有主流算法相比，具有更好的去雾效果，并且其计算速度也相对较快.
2016, 42(9): 1380-1388.
doi: 10.16383/j.aas.2016.c150630
摘要:
U-系统是一类L2[0，1]上的正交分段多项式函数系，为了将其推广到二维情形，传统的L2[0，1]2上张量积形式的U变换并不具有旋转不变性.本文提出了一类二维旋转不变U变换（Rotation-invariant U transform，RIUT）. RIUT将U-系统函数与调和函数相结合，使得图像的旋转转化为相位的平移而模保持不变.与经典的正交旋转不变矩（如Zernike矩）相比，RIUT具有诸多特别的性质，从而在图像特征提取中具有良好的潜力.本文将RIUT应用到二值图像检索中的实验结果表明，RIUT具有更高的检索精度.
U-系统是一类L2[0，1]上的正交分段多项式函数系，为了将其推广到二维情形，传统的L2[0，1]2上张量积形式的U变换并不具有旋转不变性.本文提出了一类二维旋转不变U变换（Rotation-invariant U transform，RIUT）. RIUT将U-系统函数与调和函数相结合，使得图像的旋转转化为相位的平移而模保持不变.与经典的正交旋转不变矩（如Zernike矩）相比，RIUT具有诸多特别的性质，从而在图像特征提取中具有良好的潜力.本文将RIUT应用到二值图像检索中的实验结果表明，RIUT具有更高的检索精度.
2016, 42(9): 1389-1400.
doi: 10.16383/j.aas.2016.c150186
摘要:
经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力，并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点，但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准，还会导致配准的收敛速度和精确度相互制约的问题.为此，本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数，与均化系数联合调整驱动力，不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准，而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度，避免陷入局部极值，在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明，提出的算法较经典的Active demons算法收敛速度更快，配准精度平均提高了54.28%，接近最新的TV-L1光流场图像配准算法的配准精度，解决了Active demons算法存在的问题.
经典的Active demons算法利用参考图像和浮动图像的梯度信息作为驱动力，并使用均化系数调节两种驱动力之间的强度.该算法克服了Demons算法单一使用参考图像的梯度信息作为驱动力的缺点，但是Active demons算法中的均化系数无法同时兼顾大形变和小形变区域的准确配准，还会导致配准的收敛速度和精确度相互制约的问题.为此，本文提出一种新的Active demons非刚性配准算法.提出的算法在Active demons扩散方程中引入一个称为平衡系数的新参数，与均化系数联合调整驱动力，不仅可以兼顾图像中同时具有的大形变和小形变区域的准确配准，而且在一定程度上缓和了收敛速度和精确度相互制约的问题.为了进一步提高配准的收敛速度和精确度，避免陷入局部极值，在新的配准算法的实现中引入由粗到细的多分辨率策略.在Checkboard测试图像、自然图像和医学图像上的实验结果表明，提出的算法较经典的Active demons算法收敛速度更快，配准精度平均提高了54.28%，接近最新的TV-L1光流场图像配准算法的配准精度，解决了Active demons算法存在的问题.
2016, 42(9): 1401-1412.
doi: 10.16383/j.aas.2016.c150864
摘要:
聚类集成的目的是为了提高聚类结果的准确性、稳定性和鲁棒性.通过集成多个基聚类结果可以产生一个较优的结果.本文提出了一个基于密度峰值的聚类集成模型，主要完成三个方面的工作: 1）在研究已有的各聚类集成算法和模型后发现各基聚类结果可以用密度表示; 2）使用改进的最大信息系数（Rapid computation of the maximal information coefficient，RapidMic）表示各基聚类结果之间的相关性，使用这种相关性来衡量原始数据在经过基聚类器聚类后相互之间的密度关系; 3）改进密度峰值（Density peaks，DP）算法进行聚类集成.最后，使用一些标准数据集对所设计的模型进行评估.实验结果表明，相比经典的聚类集成模型，本文提出的模型聚类集成效果更佳.
聚类集成的目的是为了提高聚类结果的准确性、稳定性和鲁棒性.通过集成多个基聚类结果可以产生一个较优的结果.本文提出了一个基于密度峰值的聚类集成模型，主要完成三个方面的工作: 1）在研究已有的各聚类集成算法和模型后发现各基聚类结果可以用密度表示; 2）使用改进的最大信息系数（Rapid computation of the maximal information coefficient，RapidMic）表示各基聚类结果之间的相关性，使用这种相关性来衡量原始数据在经过基聚类器聚类后相互之间的密度关系; 3）改进密度峰值（Density peaks，DP）算法进行聚类集成.最后，使用一些标准数据集对所设计的模型进行评估.实验结果表明，相比经典的聚类集成模型，本文提出的模型聚类集成效果更佳.
2016, 42(9): 1413-1420.
doi: 10.16383/j.aas.2016.c150608
摘要:
医学图像的非刚性配准对于临床的精确诊疗具有重要意义.待配准图像对中目标的大形变和灰度分布呈各向异性给非刚性配准带来困难.本文针对这个问题，提出基于多维特征的联合Renyi α-entropy度量结合全局和局部特征的非刚性配准算法.首先，采用最小距离树构造联合Renyi α-entropy，建立多维特征度量新方法.然后，演绎出新度量准则相对于形变模型参数的梯度解析表达式，采用随机梯度下降法进行参数寻优.最终，将图像的Canny特征和梯度方向特征融入新度量中，实现全局和局部特征相结合的非刚性配准.通过在36对宫颈磁共振（Magnetic resonance，MR）图像上的实验，该方法的配准精度相比较于传统互信息法和互相关系数法有明显提高.这也表明，这种度量新方法能克服因图像局部灰度分布不一致造成的影响，一定程度地减少误匹配，为临床的精确诊疗提供科学依据.
医学图像的非刚性配准对于临床的精确诊疗具有重要意义.待配准图像对中目标的大形变和灰度分布呈各向异性给非刚性配准带来困难.本文针对这个问题，提出基于多维特征的联合Renyi α-entropy度量结合全局和局部特征的非刚性配准算法.首先，采用最小距离树构造联合Renyi α-entropy，建立多维特征度量新方法.然后，演绎出新度量准则相对于形变模型参数的梯度解析表达式，采用随机梯度下降法进行参数寻优.最终，将图像的Canny特征和梯度方向特征融入新度量中，实现全局和局部特征相结合的非刚性配准.通过在36对宫颈磁共振（Magnetic resonance，MR）图像上的实验，该方法的配准精度相比较于传统互信息法和互相关系数法有明显提高.这也表明，这种度量新方法能克服因图像局部灰度分布不一致造成的影响，一定程度地减少误匹配，为临床的精确诊疗提供科学依据.
2016, 42(9): 1421-1431.
doi: 10.16383/j.aas.2016.c150603
摘要:
针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题，提出结合特征筛选与二次定位的快速压缩跟踪算法（Fast compressive tracking algorithm combining feature selection with secondary localization，FSSL-CT）.首先，对全局区域划分子区域，从中提取压缩特征，根据正、负样本估计出各个压缩特征在正、负类中的分布; 然后，使用自适应学习率结合正类更新阈值对分类器模型进行更新; 最后，将跟踪分为两个阶段，每个阶段在对应的搜索区域内采集候选样本，并从全部特征中筛选出部分优质特征加权构建分类器，通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较，本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差，平均处理速度可以达到3.04毫秒/帧.实验结果表明，本文算法具有更好的抵抗短时遮挡的能力，更高的准确性和鲁棒性，以及良好的实时性.
针对压缩跟踪算法易受遮挡影响和模型更新比较盲目的问题，提出结合特征筛选与二次定位的快速压缩跟踪算法（Fast compressive tracking algorithm combining feature selection with secondary localization，FSSL-CT）.首先，对全局区域划分子区域，从中提取压缩特征，根据正、负样本估计出各个压缩特征在正、负类中的分布; 然后，使用自适应学习率结合正类更新阈值对分类器模型进行更新; 最后，将跟踪分为两个阶段，每个阶段在对应的搜索区域内采集候选样本，并从全部特征中筛选出部分优质特征加权构建分类器，通过分类候选样本最终完成目标跟踪.在8个公共测试序列和4个自制序列中与最近提出的两个代表性算法进行比较，本文算法在大多数测试序列中都具有最高的跟踪成功率和最低的平均中心误差，平均处理速度可以达到3.04毫秒/帧.实验结果表明，本文算法具有更好的抵抗短时遮挡的能力，更高的准确性和鲁棒性，以及良好的实时性.
2016, 42(9): 1432-1439.
doi: 10.16383/j.aas.2016.c150433
摘要:
为了提高宽窄带混合噪声的消噪效果，本文提出一种基于总体平均经验模态分解（Ensemble empirical mode decomposition，EEMD）的主动噪声控制（Active noise control，ANC）系统，利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数（Intrinsic mode functions，IMF）分量.因为这些IMF分量的频带各不相同，所以实现了混合噪声中宽带分量和窄带分量的有效分离，独立进行ANC处理后成功解决了处理混合噪声时带来的“火花”现象，而且避免了传统混合ANC（Hybrid ANC，HANC）系统中频率失调的影响. EEMD算法也是对混合噪声的平稳化处理过程，因此当混合噪声中出现非平稳变化时，本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析，提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.
为了提高宽窄带混合噪声的消噪效果，本文提出一种基于总体平均经验模态分解（Ensemble empirical mode decomposition，EEMD）的主动噪声控制（Active noise control，ANC）系统，利用实时EEMD算法逐段将混合噪声分解成若干个固有模态函数（Intrinsic mode functions，IMF）分量.因为这些IMF分量的频带各不相同，所以实现了混合噪声中宽带分量和窄带分量的有效分离，独立进行ANC处理后成功解决了处理混合噪声时带来的“火花”现象，而且避免了传统混合ANC（Hybrid ANC，HANC）系统中频率失调的影响. EEMD算法也是对混合噪声的平稳化处理过程，因此当混合噪声中出现非平稳变化时，本文提出的系统也能保持较好的系统稳定性.通过不同噪声环境下进行仿真分析，提出的ANC系统比HANC系统具有更好的系统稳定性和更小的稳态误差.
2016, 42(9): 1440-1444.
doi: 10.16383/j.aas.2016.c150540
摘要:
研究满足驻留时间条件的时变线性切换系统的指数镇定问题.在一致完全可控条件下，引入带权可控性格拉姆矩阵设计出参数化的反馈控制器，利用比较原理给出状态转移矩阵的超调估计.针对驻留时间已知和未知两种情况，通过选择设计参数消除切换产生的超调影响，建立了两个指数镇定结论.最后以仿真实例验证本文结论.
研究满足驻留时间条件的时变线性切换系统的指数镇定问题.在一致完全可控条件下，引入带权可控性格拉姆矩阵设计出参数化的反馈控制器，利用比较原理给出状态转移矩阵的超调估计.针对驻留时间已知和未知两种情况，通过选择设计参数消除切换产生的超调影响，建立了两个指数镇定结论.最后以仿真实例验证本文结论.
