摘要: 自由漂浮空间机器人(Free-floating space robots,FFSRs)凭借其运动自由度高、工作寿命长等优势,已成为长期在轨服务的关键无人设备。然而空间环境变化导致的外部扰动,以及因燃料消耗、系统参数辨识不准确等因素导致的模型不确定性会增加空间机器人高精度控制的难度。本文针对自由漂浮空间机器人存在外部扰动和模型不确定性的场景,设计了一种基于扰动补偿的模型预测控制方法。基于固定时间稳定性理论设计扰动观测器,使扰动估计误差在不依赖于初始误差的常数上界内实现收敛。同时,将扰动估计值补偿入模型预测控制器,提高集总扰动条件下预测模型的准确性,进一步地利用模型预测控制滚动优化的特点,实现了空间机器人约束条件下高精度控制。本文证明了扰动观测器与基于扰动补偿模型预测控制器的稳定性,并通过数值仿真验证了方法的有效性。
摘要: 轻量化神经网络是指通过优化,减少资源消耗,使其能够在资源受限的环境中高效运行的神经网络。其训练过程通常以整体最优为目标,然而在实际应用中,可能存在某些感兴趣类别的分类精度偏低的问题,这些类别对于用户或应用而言,其准确性比其他类更重要。为解决上述问题,提出了一种适用于轻量化神经网络的结构微调方法——基于次小值阈值选取的突触连接方法(Synaptic join method based on the sub-minimum value threshold, SMVT-SJ)。该方法通过次小值选取策略划定新突触的权值阈值,从隐藏层向输出层目标神经元跨层添加新突触,从而特异性地提升用户关注类别的分类精度。为了筛选更高效的新突触,SMVT-SJ提出突触评估过程,根据所有可能的适当权值的分布来评估每个候选突触的性能。在多个不同数据集上的实验结果表明,该方法能够有效地提高特定目标类别的分类精度,并维持总体精度不发生明显降低,具有很好的泛化性和鲁棒性。