为快速、准确地观测系统中的未知扰动及状态,提出一种有限时间线性扩张状态观测器(Finite-time linear extended state observer,FT-LESO),它具有期望的收敛性能且结构简单、易于设计.假设系统的状态无法量测,观测器设计问题转化为扰动...为快速、准确地观测系统中的未知扰动及状态,提出一种有限时间线性扩张状态观测器(Finite-time linear extended state observer,FT-LESO),它具有期望的收敛性能且结构简单、易于设计.假设系统的状态无法量测,观测器设计问题转化为扰动下的输出反馈控制问题.针对该问题,提出一种扰动下的有限时间线性输出反馈控制方法,得到控制器参数与闭环系统状态向量2-范数间的解析关系.在此基础上,提出有限时间线性扩张状态观测器,得到观测器参数与观测误差收敛速度及稳态观测误差间的解析关系,给出一充分条件保证观测误差有限时间有界、且能以不低于指数收敛的速度收敛到给定范围内,为观测器参数设计提供理论依据.通过数值仿真验证提出的观测器,仿真结果与理论分析相符,提出的观测器是有效的.展开更多
对不确定混沌系统控制问题,研究了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的反馈补偿控制方法.该方法首先用RBFNN对混沌系统的动力学特性进行学习,然后用训练好的RBFNN模型对混沌系统进行反馈补偿控制...对不确定混沌系统控制问题,研究了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的反馈补偿控制方法.该方法首先用RBFNN对混沌系统的动力学特性进行学习,然后用训练好的RBFNN模型对混沌系统进行反馈补偿控制.该方法的特点是不需要被控混沌系统的数学模型,可以快速跟踪任意给定的参考信号.数值仿真试验表明了该控制方法不仅具有响应速度快、控制精度高,而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力.展开更多
We propose a trellis-compressed maximum likelihood sequence estimation(TC-MLSE)-assisted sliding-block decision feedback equalizer(DFE)to suppress the error propagation resulting from the DFE in high-speed systems.We ...We propose a trellis-compressed maximum likelihood sequence estimation(TC-MLSE)-assisted sliding-block decision feedback equalizer(DFE)to suppress the error propagation resulting from the DFE in high-speed systems.We use an out-ofrange detector to detect the end of burst errors from the DFE and activate the optional TC-MLSE to correct burst errors.We conduct experiments to transmit a 201-Gbit/s PAM-8 signal.The results show that the proposed method achieves a bit error rate of 3.65×10^(-3),which is close to that of MLSE.The optional MLSE is only activated when needed and processes 11.4%of the total symbols.Moreover,the proposed method compresses the maximum length of burst errors from 19 to 5.展开更多
文摘为快速、准确地观测系统中的未知扰动及状态,提出一种有限时间线性扩张状态观测器(Finite-time linear extended state observer,FT-LESO),它具有期望的收敛性能且结构简单、易于设计.假设系统的状态无法量测,观测器设计问题转化为扰动下的输出反馈控制问题.针对该问题,提出一种扰动下的有限时间线性输出反馈控制方法,得到控制器参数与闭环系统状态向量2-范数间的解析关系.在此基础上,提出有限时间线性扩张状态观测器,得到观测器参数与观测误差收敛速度及稳态观测误差间的解析关系,给出一充分条件保证观测误差有限时间有界、且能以不低于指数收敛的速度收敛到给定范围内,为观测器参数设计提供理论依据.通过数值仿真验证提出的观测器,仿真结果与理论分析相符,提出的观测器是有效的.
文摘对不确定混沌系统控制问题,研究了一种基于径向基函数神经网络(radial basis function neural network,RBFNN)的反馈补偿控制方法.该方法首先用RBFNN对混沌系统的动力学特性进行学习,然后用训练好的RBFNN模型对混沌系统进行反馈补偿控制.该方法的特点是不需要被控混沌系统的数学模型,可以快速跟踪任意给定的参考信号.数值仿真试验表明了该控制方法不仅具有响应速度快、控制精度高,而且具有较强的抑制混沌系统参数摄动能力和抗干扰能力.
基金This work was supported by the National Natural Science Foundation of China(NSFC)(Nos.62301128,61871082,and 62111530150)the Open Fund of IPOC(BUPT)(No.IPOC2020A011)+1 种基金the STCSM(No.SKLSFO2021-01)the Fundamental Research Funds for the Central Universities(Nos.ZYGX2020ZB043 and ZYGX2019J008).
文摘We propose a trellis-compressed maximum likelihood sequence estimation(TC-MLSE)-assisted sliding-block decision feedback equalizer(DFE)to suppress the error propagation resulting from the DFE in high-speed systems.We use an out-ofrange detector to detect the end of burst errors from the DFE and activate the optional TC-MLSE to correct burst errors.We conduct experiments to transmit a 201-Gbit/s PAM-8 signal.The results show that the proposed method achieves a bit error rate of 3.65×10^(-3),which is close to that of MLSE.The optional MLSE is only activated when needed and processes 11.4%of the total symbols.Moreover,the proposed method compresses the maximum length of burst errors from 19 to 5.
