2019年 第45卷 第8期
2019, 45(8): 1401-1418.
doi: 10.16383/j.aas.c180836
摘要:
机器人技能学习是人工智能与机器人学的交叉领域，目的是使机器人通过与环境和用户的交互得到经验数据，基于示教学习或强化学习，从经验数据中自主获取和优化技能，并应用于以后的相关任务中.技能学习使机器人的任务部署更加灵活快捷和用户友好，而且可以让机器人具有自我优化的能力.技能模型是技能学习的基础和前提，决定了技能效果的上限.日益复杂和多样的机器人操作任务，对技能操作模型的设计实现带来了很多挑战.本文给出了技能操作模型的概念与性质，阐述了流程、运动、策略和效果预测四种技能表达模式，并对其典型应用和未来趋势做出了概括.
机器人技能学习是人工智能与机器人学的交叉领域，目的是使机器人通过与环境和用户的交互得到经验数据，基于示教学习或强化学习，从经验数据中自主获取和优化技能，并应用于以后的相关任务中.技能学习使机器人的任务部署更加灵活快捷和用户友好，而且可以让机器人具有自我优化的能力.技能模型是技能学习的基础和前提，决定了技能效果的上限.日益复杂和多样的机器人操作任务，对技能操作模型的设计实现带来了很多挑战.本文给出了技能操作模型的概念与性质，阐述了流程、运动、策略和效果预测四种技能表达模式，并对其典型应用和未来趋势做出了概括.
2019, 45(8): 1419-1438.
doi: 10.16383/j.aas.c180097
摘要:
极化合成孔径雷达（Polarimetric synthetic aperture radar，PolSAR）是一种多参数、多通道的微波成像系统，在农林业、地质、海洋和军事等领域有着广泛的应用前景.PolSAR图像的相干斑抑制和分类是数据解译的重要环节，已经成为遥感领域的研究热点.本文综述了现有PolSAR图像的相干斑噪声抑制和分类方法并进行展望.首先，简要介绍了PolSAR系统的主要进展和应用；然后，对PolSAR图像相干斑抑制的评价指标和方法进行综述并对几种代表性方法进行了实验对比；接下来，对PolSAR图像的特征进行分析归纳，分别对有监督、无监督和半监督的PolSAR分类方法进行总结并给出了几种有监督分类方法的实验比较；最后，对PolSAR图像相干斑抑制和分类方法未来可能的研究方向进行了思考和讨论.
极化合成孔径雷达（Polarimetric synthetic aperture radar，PolSAR）是一种多参数、多通道的微波成像系统，在农林业、地质、海洋和军事等领域有着广泛的应用前景.PolSAR图像的相干斑抑制和分类是数据解译的重要环节，已经成为遥感领域的研究热点.本文综述了现有PolSAR图像的相干斑噪声抑制和分类方法并进行展望.首先，简要介绍了PolSAR系统的主要进展和应用；然后，对PolSAR图像相干斑抑制的评价指标和方法进行综述并对几种代表性方法进行了实验对比；接下来，对PolSAR图像的特征进行分析归纳，分别对有监督、无监督和半监督的PolSAR分类方法进行总结并给出了几种有监督分类方法的实验比较；最后，对PolSAR图像相干斑抑制和分类方法未来可能的研究方向进行了思考和讨论.
2019, 45(8): 1439-1454.
doi: 10.16383/j.aas.c180367
摘要:
基于可穿戴式惯性传感器（Inertial sensor unit，IMU）的人体运动跟踪技术具有佩戴方便、运动空间不受限和成本低等优点，已广泛应用于医疗康复、体育竞技、人机交互和虚拟现实等领域.本文对惯性式人体运动跟踪技术的发展历史、研究现状以及典型方法进行了较为全面的梳理和总结，主要包括人体运动学模型和生物学约束，传感器初始对准方法，传感器种类，传感器误差处理以及数据融合方法，并概述相关方法应用于实际的现状.最后，总结了该领域待解决的难点问题，并对未来的发展趋势进行了展望.
基于可穿戴式惯性传感器（Inertial sensor unit，IMU）的人体运动跟踪技术具有佩戴方便、运动空间不受限和成本低等优点，已广泛应用于医疗康复、体育竞技、人机交互和虚拟现实等领域.本文对惯性式人体运动跟踪技术的发展历史、研究现状以及典型方法进行了较为全面的梳理和总结，主要包括人体运动学模型和生物学约束，传感器初始对准方法，传感器种类，传感器误差处理以及数据融合方法，并概述相关方法应用于实际的现状.最后，总结了该领域待解决的难点问题，并对未来的发展趋势进行了展望.
2019, 45(8): 1455-1463.
doi: 10.16383/j.aas.c190076
摘要:
目前自然语言推理（Natural language inference，NLI）模型存在严重依赖词信息进行推理的现象.虽然词相关的判别信息在推理中占有重要的地位，但是推理模型更应该去关注连续文本的内在含义和语言的表达，通过整体把握句子含义进行推理，而不是仅仅根据个别词之间的对立或相似关系进行浅层推理.另外，传统有监督学习方法使得模型过分依赖于训练集的语言先验，而缺乏对语言逻辑的理解.为了显式地强调句子序列编码学习的重要性，并降低语言偏置的影响，本文提出一种基于对抗正则化的自然语言推理方法.该方法首先引入一个基于词编码的推理模型，该模型以标准推理模型中的词编码作为输入，并且只有利用语言偏置才能推理成功；再通过两个模型间的对抗训练，避免标准推理模型过多依赖语言偏置.在SNLI和Breaking-NLI两个公开的标准数据集上进行实验，该方法在SNLI数据集已有的基于句子嵌入的推理模型中达到最佳性能，在测试集上取得了87.60%的准确率；并且在Breaking-NLI数据集上也取得了目前公开的最佳结果.
目前自然语言推理（Natural language inference，NLI）模型存在严重依赖词信息进行推理的现象.虽然词相关的判别信息在推理中占有重要的地位，但是推理模型更应该去关注连续文本的内在含义和语言的表达，通过整体把握句子含义进行推理，而不是仅仅根据个别词之间的对立或相似关系进行浅层推理.另外，传统有监督学习方法使得模型过分依赖于训练集的语言先验，而缺乏对语言逻辑的理解.为了显式地强调句子序列编码学习的重要性，并降低语言偏置的影响，本文提出一种基于对抗正则化的自然语言推理方法.该方法首先引入一个基于词编码的推理模型，该模型以标准推理模型中的词编码作为输入，并且只有利用语言偏置才能推理成功；再通过两个模型间的对抗训练，避免标准推理模型过多依赖语言偏置.在SNLI和Breaking-NLI两个公开的标准数据集上进行实验，该方法在SNLI数据集已有的基于句子嵌入的推理模型中达到最佳性能，在测试集上取得了87.60%的准确率；并且在Breaking-NLI数据集上也取得了目前公开的最佳结果.
2019, 45(8): 1464-1474.
doi: 10.16383/j.aas.2018.c170301
摘要:
传统基于肌电（Electromyography，EMG）的运动识别方法多是利用训练后的固定参数模型，分类已预先定义的有限个目标动作，但对肌肉疲劳导致的肌电变化，以及未定义的外部动作等干扰因素无能为力.针对这一问题，提出一种自更新混合分类模型（Self-update hybrid classification model，SUHC），该模型融合了用于排除外部动作干扰的一类支持向量机（Support vector machine，SVM），以及用于分类目标动作数据的多类线性判别分析（Linear discriminant analysis，LDA），并引入自更新机制以对抗肌电时变性干扰.通过手部动作识别实验验证提出方法的效果，在肌电大幅变化干扰下，SUHC的目标动作识别精度达到89%，对比传统的支持向量机、多层感知器（Multiple layer perceptron，MLP）和核线性判别分析（Kernel LDA，KLDA），提高了约18%，并且SUHC具备排除外部动作干扰能力，排除精度高达93%.
传统基于肌电（Electromyography，EMG）的运动识别方法多是利用训练后的固定参数模型，分类已预先定义的有限个目标动作，但对肌肉疲劳导致的肌电变化，以及未定义的外部动作等干扰因素无能为力.针对这一问题，提出一种自更新混合分类模型（Self-update hybrid classification model，SUHC），该模型融合了用于排除外部动作干扰的一类支持向量机（Support vector machine，SVM），以及用于分类目标动作数据的多类线性判别分析（Linear discriminant analysis，LDA），并引入自更新机制以对抗肌电时变性干扰.通过手部动作识别实验验证提出方法的效果，在肌电大幅变化干扰下，SUHC的目标动作识别精度达到89%，对比传统的支持向量机、多层感知器（Multiple layer perceptron，MLP）和核线性判别分析（Kernel LDA，KLDA），提高了约18%，并且SUHC具备排除外部动作干扰能力，排除精度高达93%.
2019, 45(8): 1475-1485.
doi: 10.16383/j.aas.c180453
摘要:
超高温电熔镁炉（Fused magnesium furnace，FMF）生产炉况监测困难，易发生欠烧异常工况，不仅造成产品质量下降，也直接危害生产安全与人员安全.现有的人工巡检方式实时性差，容易发生漏报和误报，甚至导致铁制炉壳烧透、烧漏.针对该问题，本文采用视频信号，利用电熔镁炉欠烧工况的时空特征，即在炉壳表面出现的局部不规则高亮区域的空间特征，以及该高亮区域随时间呈现出亮度增强、面积变大的时序特征，提出一种基于卷积循环神经网络（Convolutional recurrent neural network，CRNN）的电熔镁炉异常工况诊断新方法.该方法包括图像序列一致性变换和时序残差图像提取预处理、基于卷积神经网络（Convolutional neural network，CNN）的空间特征提取、基于循环神经网络（Recurrent neural network，RNN）的时序特征提取、基于加权中值滤波的工况自动标记.最后采用实际的电熔镁炉炉壳的视频信号，进行了所提方法与现有的两种深度学习网络模型的实验比较研究，结果说明了所提方法的优越性.
超高温电熔镁炉（Fused magnesium furnace，FMF）生产炉况监测困难，易发生欠烧异常工况，不仅造成产品质量下降，也直接危害生产安全与人员安全.现有的人工巡检方式实时性差，容易发生漏报和误报，甚至导致铁制炉壳烧透、烧漏.针对该问题，本文采用视频信号，利用电熔镁炉欠烧工况的时空特征，即在炉壳表面出现的局部不规则高亮区域的空间特征，以及该高亮区域随时间呈现出亮度增强、面积变大的时序特征，提出一种基于卷积循环神经网络（Convolutional recurrent neural network，CRNN）的电熔镁炉异常工况诊断新方法.该方法包括图像序列一致性变换和时序残差图像提取预处理、基于卷积神经网络（Convolutional neural network，CNN）的空间特征提取、基于循环神经网络（Recurrent neural network，RNN）的时序特征提取、基于加权中值滤波的工况自动标记.最后采用实际的电熔镁炉炉壳的视频信号，进行了所提方法与现有的两种深度学习网络模型的实验比较研究，结果说明了所提方法的优越性.
2019, 45(8): 1486-1494.
doi: 10.16383/j.aas.c170556
摘要:
针对多视角点云配准问题，本文设计了一个合理的目标函数，便于将多视角配准问题分解成多个双视角配准问题，并考虑了两个要素：1）各帧点云均具有其他所有点云所未覆盖的区域；2）基准帧点云的重要程度高于其他点云.为了求解该目标函数，本文提出了逐步求精的解决策略：根据给定的配准初值构造初始模型，依次取出基准帧以外的每帧点云，利用所提出的双视角配准算法计算该帧点云的配准参数，并修正模型，以便进一步计算后续点云的配准参数.遍历完全部点云构成一次完整的循环，多次循环后可获得精确的多视角配准结果.公开数据集上的实验结果表明，本文所提出的方法能够精确、可靠地实现多视角点云配准.
针对多视角点云配准问题，本文设计了一个合理的目标函数，便于将多视角配准问题分解成多个双视角配准问题，并考虑了两个要素：1）各帧点云均具有其他所有点云所未覆盖的区域；2）基准帧点云的重要程度高于其他点云.为了求解该目标函数，本文提出了逐步求精的解决策略：根据给定的配准初值构造初始模型，依次取出基准帧以外的每帧点云，利用所提出的双视角配准算法计算该帧点云的配准参数，并修正模型，以便进一步计算后续点云的配准参数.遍历完全部点云构成一次完整的循环，多次循环后可获得精确的多视角配准结果.公开数据集上的实验结果表明，本文所提出的方法能够精确、可靠地实现多视角点云配准.
2019, 45(8): 1495-1510.
doi: 10.16383/j.aas.c180131
摘要:
医疗数据共享、防篡改、防泄漏一直是困扰医疗行业的难题.一位患者在转诊时，往往无法提供以往的就诊信息，原因在于国内各医院医疗信息大多数情况下无法共享，而仅能通过病历、检验单等极易丢失的纸质信息来实现一部分医疗信息的共享.同时，患者的医疗信息极易造成泄露，在出现医疗纠纷时所提供的医疗信息也无法保证真实性与公正性.本文设计了一个基于实用拜占庭容错算法（Practical Byzantine fault tolerance，PBFT）的联盟式医疗区块链系统，该系统是一个多节点共同维护与共享的，并且能够防止医疗数据被篡改、泄露的医疗系统，可用来解决这些医疗难题.与现有医疗区块链系统相比，本系统具有一定的优越性与较好的适用性.
医疗数据共享、防篡改、防泄漏一直是困扰医疗行业的难题.一位患者在转诊时，往往无法提供以往的就诊信息，原因在于国内各医院医疗信息大多数情况下无法共享，而仅能通过病历、检验单等极易丢失的纸质信息来实现一部分医疗信息的共享.同时，患者的医疗信息极易造成泄露，在出现医疗纠纷时所提供的医疗信息也无法保证真实性与公正性.本文设计了一个基于实用拜占庭容错算法（Practical Byzantine fault tolerance，PBFT）的联盟式医疗区块链系统，该系统是一个多节点共同维护与共享的，并且能够防止医疗数据被篡改、泄露的医疗系统，可用来解决这些医疗难题.与现有医疗区块链系统相比，本系统具有一定的优越性与较好的适用性.
2019, 45(8): 1511-1526.
doi: 10.16383/j.aas.2018.c170574
摘要:
从高质量曲面网格生成的需求出发，提出了一种基于T-Spline的全自动几何拓扑修复方法.本文方法创新性主要可归纳为：1）对原有计算机辅助设计（Computer aided design，CAD）几何模型不进行任何修改保留其本真，自动识别CAD几何模型中常见不必要的几何特征，成功解决了CAD几何模型中存在的几何瑕疵，如短边、窄面、退化边、退化面、非连续光滑边界及尖锐特征等，利用新生成的"虚边"、"虚面"处理几何瑕疵，同时通过虚拓扑重构CAD几何模型的B-Rep；2）开发了一套CAD/CAE集成系统，统一了几何模型与计算分析模型，实现计算机辅助工程（Computer aided engineering，CAE）与CAD两者的无缝集成，所有拓扑修复操作及后续CAE分析计算均在同一环境下进行，避免了几何模型在CAE与CAD系统间进行转换时造成的数据丢失.该方法能够对复杂实体实现全自动几何拓扑修复及网格生成，实验表明，在保证不失真的前提下，修复后的几何模型能够生成质量良好的网格且能降低网格的生成规模，验证了本文方法的实用性和有效性，以满足工程实际分析的需要.
从高质量曲面网格生成的需求出发，提出了一种基于T-Spline的全自动几何拓扑修复方法.本文方法创新性主要可归纳为：1）对原有计算机辅助设计（Computer aided design，CAD）几何模型不进行任何修改保留其本真，自动识别CAD几何模型中常见不必要的几何特征，成功解决了CAD几何模型中存在的几何瑕疵，如短边、窄面、退化边、退化面、非连续光滑边界及尖锐特征等，利用新生成的"虚边"、"虚面"处理几何瑕疵，同时通过虚拓扑重构CAD几何模型的B-Rep；2）开发了一套CAD/CAE集成系统，统一了几何模型与计算分析模型，实现计算机辅助工程（Computer aided engineering，CAE）与CAD两者的无缝集成，所有拓扑修复操作及后续CAE分析计算均在同一环境下进行，避免了几何模型在CAE与CAD系统间进行转换时造成的数据丢失.该方法能够对复杂实体实现全自动几何拓扑修复及网格生成，实验表明，在保证不失真的前提下，修复后的几何模型能够生成质量良好的网格且能降低网格的生成规模，验证了本文方法的实用性和有效性，以满足工程实际分析的需要.
2019, 45(8): 1527-1535.
doi: 10.16383/j.aas.c190252
摘要:
针对一类非严格反馈的非线性多智能体系统一致性跟踪问题，在考虑全状态约束和指定性能的基础上提出了一种事件触发自适应控制算法.首先，通过设计性能函数，使跟踪误差在规定时间内收敛于指定范围.然后，在反步法中引入Barrier Lyapunov函数使所有状态满足约束条件，结合动态面技术解决传统反步法产生的"计算爆炸"问题，并利用径向基函数神经网络（Radial basis function neural networks，RBF NNs）处理系统中的未知非线性函数.最后基于Lyapunov稳定性理论证明系统中所有信号都是半全局一致最终有界的，跟踪误差收敛于原点的有界邻域内且满足指定性能.仿真结果验证了该控制算法的有效性.
针对一类非严格反馈的非线性多智能体系统一致性跟踪问题，在考虑全状态约束和指定性能的基础上提出了一种事件触发自适应控制算法.首先，通过设计性能函数，使跟踪误差在规定时间内收敛于指定范围.然后，在反步法中引入Barrier Lyapunov函数使所有状态满足约束条件，结合动态面技术解决传统反步法产生的"计算爆炸"问题，并利用径向基函数神经网络（Radial basis function neural networks，RBF NNs）处理系统中的未知非线性函数.最后基于Lyapunov稳定性理论证明系统中所有信号都是半全局一致最终有界的，跟踪误差收敛于原点的有界邻域内且满足指定性能.仿真结果验证了该控制算法的有效性.
2019, 45(8): 1536-1547.
doi: 10.16383/j.aas.c180685
摘要:
人工神经网络（Artificial neural networks，ANNs）与强化学习算法的结合显著增强了智能体的学习能力和效率.然而，这些算法需要消耗大量的计算资源，且难以硬件实现.而脉冲神经网络（Spiking neural networks，SNNs）使用脉冲信号来传递信息，具有能量效率高、仿生特性强等特点，且有利于进一步实现强化学习的硬件加速，增强嵌入式智能体的自主学习能力.不过，目前脉冲神经网络的学习和训练过程较为复杂，网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件——忆阻器，提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地，设计了用于数据——脉冲转换的脉冲神经元；通过改进脉冲时间依赖可塑性（Spiking-timing dependent plasticity，STDP）规则，使脉冲神经网络与强化学习算法有机结合，并设计了对应的忆阻神经突触；构建了可动态调整的网络结构，以提高网络的学习效率；最后，以Open AI Gym中的CartPole-v0（倒立摆）和MountainCar-v0（小车爬坡）为例，通过实验仿真和对比分析，验证了方案的有效性和相对于传统强化学习方法的优势.
人工神经网络（Artificial neural networks，ANNs）与强化学习算法的结合显著增强了智能体的学习能力和效率.然而，这些算法需要消耗大量的计算资源，且难以硬件实现.而脉冲神经网络（Spiking neural networks，SNNs）使用脉冲信号来传递信息，具有能量效率高、仿生特性强等特点，且有利于进一步实现强化学习的硬件加速，增强嵌入式智能体的自主学习能力.不过，目前脉冲神经网络的学习和训练过程较为复杂，网络设计和实现方面存在较大挑战.本文通过引入人工突触的理想实现元件——忆阻器，提出了一种硬件友好的基于多层忆阻脉冲神经网络的强化学习算法.特别地，设计了用于数据——脉冲转换的脉冲神经元；通过改进脉冲时间依赖可塑性（Spiking-timing dependent plasticity，STDP）规则，使脉冲神经网络与强化学习算法有机结合，并设计了对应的忆阻神经突触；构建了可动态调整的网络结构，以提高网络的学习效率；最后，以Open AI Gym中的CartPole-v0（倒立摆）和MountainCar-v0（小车爬坡）为例，通过实验仿真和对比分析，验证了方案的有效性和相对于传统强化学习方法的优势.
2019, 45(8): 1548-1563.
doi: 10.16383/j.aas.2018.c170350
摘要:
处理部分光照和遮挡等噪声的图像重构及分类问题因其极具挑战而备受关注，该问题的解决很大程度上取决于对误差的描述，常见的方法以向量形式存储误差矩阵且假定其服从于独立同分布，忽视了图像数据的内部结构信息.针对该问题，本文提出一种联合平滑矩阵多变量椭圆分布的稀疏表示算法（Sparse representation with smoothed matrix multivariate elliptical distribution，SMED）.该算法强调误差矩阵中各个像素间的依赖性并假定误差矩阵作为一个随机矩阵变量服从于矩阵多变量椭圆分布；之后，引入辅助变量光滑目标函数，使得模型易于获得全局最优解；最后，采用迭代加权最小二乘法优化求解模型.此外，文中对SMED算法的收敛性和复杂度进行了理论分析，并讨论了模型的参数敏感性.在AR、ExYaleB和PubFig三个公开数据集中的实验验证了所提算法具有鲁棒的鉴别力，且其综合性能明显优于经典算法.
处理部分光照和遮挡等噪声的图像重构及分类问题因其极具挑战而备受关注，该问题的解决很大程度上取决于对误差的描述，常见的方法以向量形式存储误差矩阵且假定其服从于独立同分布，忽视了图像数据的内部结构信息.针对该问题，本文提出一种联合平滑矩阵多变量椭圆分布的稀疏表示算法（Sparse representation with smoothed matrix multivariate elliptical distribution，SMED）.该算法强调误差矩阵中各个像素间的依赖性并假定误差矩阵作为一个随机矩阵变量服从于矩阵多变量椭圆分布；之后，引入辅助变量光滑目标函数，使得模型易于获得全局最优解；最后，采用迭代加权最小二乘法优化求解模型.此外，文中对SMED算法的收敛性和复杂度进行了理论分析，并讨论了模型的参数敏感性.在AR、ExYaleB和PubFig三个公开数据集中的实验验证了所提算法具有鲁棒的鉴别力，且其综合性能明显优于经典算法.
2019, 45(8): 1564-1578.
doi: 10.16383/j.aas.c180734
摘要:
水泥生料在分解炉内分解过程的质量指标是生料分解率（Raw meal decomposition ratio，RMDR），由于生料边界条件频繁变化且人工离线检测周期为2小时，致使产品质量指标合格率低且极易造成预热器C5下料管堵塞.为了解决上述问题，本文提出了基于数据与模型驱动的水泥生料分解率软测量模型，由基于Kullback-Leibler（KL）散度密度比的异常值检测、基于机理模型的生料分解率模型、基于层级Sigmoid（S）核函数的生料分解率模型、生料分解率离线检测模型和基于模糊模型的协调因子组成.实际应用结果表明，所提出的模型能够根据当前工况的变化选择正确的子模型，并且使生产远离故障工况.
水泥生料在分解炉内分解过程的质量指标是生料分解率（Raw meal decomposition ratio，RMDR），由于生料边界条件频繁变化且人工离线检测周期为2小时，致使产品质量指标合格率低且极易造成预热器C5下料管堵塞.为了解决上述问题，本文提出了基于数据与模型驱动的水泥生料分解率软测量模型，由基于Kullback-Leibler（KL）散度密度比的异常值检测、基于机理模型的生料分解率模型、基于层级Sigmoid（S）核函数的生料分解率模型、生料分解率离线检测模型和基于模糊模型的协调因子组成.实际应用结果表明，所提出的模型能够根据当前工况的变化选择正确的子模型，并且使生产远离故障工况.
2019, 45(8): 1579-1585.
doi: 10.16383/j.aas.2018.c170551
摘要:
针对弱间断最优控制问题和Bang-Bang最优控制问题，提出一种结合同伦法的自适应拟谱方法.Chebyshev拟谱方法转换原问题成为非线性规划问题.基于同伦法思想，同伦参数改变路径约束的界限，得到一系列比较光滑的最优控制问题.通过解这些问题得到原问题的不光滑解.文中证明了弱间断情况下数值解的收敛性.依据这收敛性和同伦参数，误差指示量可以捕捉不光滑点.本文方法与其他方法在数值算例中的对比表明，本文方法在精度和效率上都有明显优势.
针对弱间断最优控制问题和Bang-Bang最优控制问题，提出一种结合同伦法的自适应拟谱方法.Chebyshev拟谱方法转换原问题成为非线性规划问题.基于同伦法思想，同伦参数改变路径约束的界限，得到一系列比较光滑的最优控制问题.通过解这些问题得到原问题的不光滑解.文中证明了弱间断情况下数值解的收敛性.依据这收敛性和同伦参数，误差指示量可以捕捉不光滑点.本文方法与其他方法在数值算例中的对比表明，本文方法在精度和效率上都有明显优势.
2019, 45(8): 1586-1598.
doi: 10.16383/j.aas.2017.c170272
摘要:
规则空间模型是一种高效的知识结构诊断模型，但较高的规则空间构造代价阻碍了在小规模、实时认知诊断中的应用.为了提高规则空间模型的可扩展性，提出使用近似子图生成理想属性模式集进而压缩规则空间的方法.近似子图能够通过忽略和测试项目无关的属性降低子图规模量级，从而有效缩减理想属性模式集规模，达到压缩规则空间的目的；同时通过构建顶点间的虚拟边模拟领域知识图上的传递依赖关系，使近似子图在不引入额外属性的前提下保持领域知识图上的依赖关系，实现对不合理属性模式的有效过滤.在此基础上，给出了构造规则空间所需的近似子图构造算法以及由近似子图生成理想属性模式集的方法.最后在标准测试集上开展了近似子图与依赖保持子图和顶点导出子图两种方法的性能对比实验，并将近似子图应用于实际教学认知诊断中验证其诊断准确率，实验结果表明近似子图能够在不损失诊断结果准确率的前提下显著压缩规则空间，降低规则空间模型应用于小规模、实时诊断的门槛.
规则空间模型是一种高效的知识结构诊断模型，但较高的规则空间构造代价阻碍了在小规模、实时认知诊断中的应用.为了提高规则空间模型的可扩展性，提出使用近似子图生成理想属性模式集进而压缩规则空间的方法.近似子图能够通过忽略和测试项目无关的属性降低子图规模量级，从而有效缩减理想属性模式集规模，达到压缩规则空间的目的；同时通过构建顶点间的虚拟边模拟领域知识图上的传递依赖关系，使近似子图在不引入额外属性的前提下保持领域知识图上的依赖关系，实现对不合理属性模式的有效过滤.在此基础上，给出了构造规则空间所需的近似子图构造算法以及由近似子图生成理想属性模式集的方法.最后在标准测试集上开展了近似子图与依赖保持子图和顶点导出子图两种方法的性能对比实验，并将近似子图应用于实际教学认知诊断中验证其诊断准确率，实验结果表明近似子图能够在不损失诊断结果准确率的前提下显著压缩规则空间，降低规则空间模型应用于小规模、实时诊断的门槛.
2019, 45(8): 1599-1605.
doi: 10.16383/j.aas.c190038
摘要:
神经网络是模拟人脑结构，它具有大规模并行及分布式信息处理能力，但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解，但它很难实现自适应学习的功能.如果结合神经网络与模糊系统，可以取长补短.基于此，本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network，D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点，所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能，也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外，本文还开发了生物医学工程应用算法程序，针对药物注射系统的直接逆控制案例进行了仿真，结果表明：D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.
神经网络是模拟人脑结构，它具有大规模并行及分布式信息处理能力，但是不能处理和描述模糊信息.模糊系统具有推理过程容易理解，但它很难实现自适应学习的功能.如果结合神经网络与模糊系统，可以取长补短.基于此，本文提出了一种新型动态模糊神经网络（Dynamic fuzzy neural network，D-FNN）学习算法.因为它具有结构和参数同时调整且学习速度快等优点，所以既可以在模糊逻辑系统中包含低级的神经网络学习和计算功能，也可以为神经网络提供高级的类似人的思维和推理的模糊逻辑系统.此外，本文还开发了生物医学工程应用算法程序，针对药物注射系统的直接逆控制案例进行了仿真，结果表明：D-FNN具有实时学习和控制能力强、参数估计和结构辨识同时进行等优点.
2019, 45(8): 1606-1610.
doi: 10.16383/j.aas.c180619
摘要:
研究了李雅普诺夫函数的选择对求解系统H∞范数的影响，提出了一种李雅普诺夫函数的直接优化方法，该方法通过优化黎卡提不等式中的李雅普诺夫函数，给出了H∞范数的通用解析表达式，实现了二阶系统H∞范数的精确求解.不同于需要繁琐优化过程的线性矩阵不等式（Linear matrix inequality，LMI）方法，本文提供了一种有效的途径以直接求解系统H∞范数.
研究了李雅普诺夫函数的选择对求解系统H∞范数的影响，提出了一种李雅普诺夫函数的直接优化方法，该方法通过优化黎卡提不等式中的李雅普诺夫函数，给出了H∞范数的通用解析表达式，实现了二阶系统H∞范数的精确求解.不同于需要繁琐优化过程的线性矩阵不等式（Linear matrix inequality，LMI）方法，本文提供了一种有效的途径以直接求解系统H∞范数.
