研究了控制信号被恶意篡改的信息物理系统的安全控制问题.首先,提出一种改进果蝇优化核极限学习机算法(Kernel extreme learning machine with improved fruit fly optimization algorithm,IFOA-KELM)对攻击信号进行重构.然后,将所得重...研究了控制信号被恶意篡改的信息物理系统的安全控制问题.首先,提出一种改进果蝇优化核极限学习机算法(Kernel extreme learning machine with improved fruit fly optimization algorithm,IFOA-KELM)对攻击信号进行重构.然后,将所得重构信号作为系统扰动加以补偿,进而设计模型预测控制策略,并给出了使被控系统是输入到状态稳定的条件.另外,本文从攻击者角度建立优化模型得到最优攻击策略用以生成足够的受攻击数据,基于此数据,来训练改进果蝇优化核极限学习机算法.最后,使用弹簧−质量−阻尼系统进行仿真,验证了改进果蝇优化极限学习机算法和所提安全控制策略的有效性.展开更多
胰岛素基础率是人工胰腺系统实现人体血糖闭环控制的基准,但该变量在临床治疗中难以准确确定.针对这一问题,本文设计了一种基于胰岛素基础率动态估计的人工胰腺自抗扰控制方法,通过扩张状态观测器(Extended state observer,ESO)实时估...胰岛素基础率是人工胰腺系统实现人体血糖闭环控制的基准,但该变量在临床治疗中难以准确确定.针对这一问题,本文设计了一种基于胰岛素基础率动态估计的人工胰腺自抗扰控制方法,通过扩张状态观测器(Extended state observer,ESO)实时估计血糖代谢过程中的内部与外界干扰,构建具备参数自适应能力的反馈控制律和胰岛素注射安全约束,实现血糖闭环调控能力的有效改善.在此基础上,本文设计了基于移动设备和蓝牙模块的人工胰腺软件系统,并通过美国食品药品监督管理局(Food and Drug Administration,FDA)接受的UVA/Padova T1DM仿真平台完成算法的比较仿真与功能测试.本文的工作将为后续人工胰腺临床试验的开展提供方法基础和技术支持,也为我国糖尿病患者血糖管理的改善提供精准医学治疗手段.展开更多
为了解决在线课程(Massive open online course, MOOC)授课过程中,缺乏对于学生学习情况的跟踪与教学效果评估问题,本文依据视频信息对学生行为进行建模,提出了一种评判学生听课专心程度的行为自动分析算法.该算法能够有效跟踪学生的学...为了解决在线课程(Massive open online course, MOOC)授课过程中,缺乏对于学生学习情况的跟踪与教学效果评估问题,本文依据视频信息对学生行为进行建模,提出了一种评判学生听课专心程度的行为自动分析算法.该算法能够有效跟踪学生的学习状态,提取学生的行为特征参数,并对这些参数进行D-S融合判决,以获得学生的听课专注度.经过多次实验的结果表明,本文采用的方法能够有效评判学生在授课期间的专心程度,在数据融合上,与贝叶斯推理方法相比,采用D-S融合方法能有效提高实验结果的准确性和可靠性.展开更多
文摘研究了控制信号被恶意篡改的信息物理系统的安全控制问题.首先,提出一种改进果蝇优化核极限学习机算法(Kernel extreme learning machine with improved fruit fly optimization algorithm,IFOA-KELM)对攻击信号进行重构.然后,将所得重构信号作为系统扰动加以补偿,进而设计模型预测控制策略,并给出了使被控系统是输入到状态稳定的条件.另外,本文从攻击者角度建立优化模型得到最优攻击策略用以生成足够的受攻击数据,基于此数据,来训练改进果蝇优化核极限学习机算法.最后,使用弹簧−质量−阻尼系统进行仿真,验证了改进果蝇优化极限学习机算法和所提安全控制策略的有效性.
文摘胰岛素基础率是人工胰腺系统实现人体血糖闭环控制的基准,但该变量在临床治疗中难以准确确定.针对这一问题,本文设计了一种基于胰岛素基础率动态估计的人工胰腺自抗扰控制方法,通过扩张状态观测器(Extended state observer,ESO)实时估计血糖代谢过程中的内部与外界干扰,构建具备参数自适应能力的反馈控制律和胰岛素注射安全约束,实现血糖闭环调控能力的有效改善.在此基础上,本文设计了基于移动设备和蓝牙模块的人工胰腺软件系统,并通过美国食品药品监督管理局(Food and Drug Administration,FDA)接受的UVA/Padova T1DM仿真平台完成算法的比较仿真与功能测试.本文的工作将为后续人工胰腺临床试验的开展提供方法基础和技术支持,也为我国糖尿病患者血糖管理的改善提供精准医学治疗手段.
文摘为了解决在线课程(Massive open online course, MOOC)授课过程中,缺乏对于学生学习情况的跟踪与教学效果评估问题,本文依据视频信息对学生行为进行建模,提出了一种评判学生听课专心程度的行为自动分析算法.该算法能够有效跟踪学生的学习状态,提取学生的行为特征参数,并对这些参数进行D-S融合判决,以获得学生的听课专注度.经过多次实验的结果表明,本文采用的方法能够有效评判学生在授课期间的专心程度,在数据融合上,与贝叶斯推理方法相比,采用D-S融合方法能有效提高实验结果的准确性和可靠性.
