近日，爱思唯尔(Elsevier) 发布2021“中国高被引学者”榜单，以全球权威的引文与索引数据库Scopus作为中国学者科研成果的统计来源，分析中国学者的科研成果表现。《自动化学报》多名作者入选科睿唯安2021年度“高被引科学家”。衷心祝贺入选的各位专家！

本期遴选入选学者2021年以来在《自动化学报》发表的部分高关注度论文（未包含2020年及之前发表、已录用定稿中、编校中，以及投稿在审的论文），欢迎阅览！

于树友, 冯阳阳, Kim Jung-Su, 陈虹. 非线性预测控制终端约束集的优化. 自动化学报, 2022, 48(1): 144−151

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200911?viewType=HTML

首先, 依据压缩感知理论, 将单一节点的目标运动状态估计建模为一种基于l0范数最小化的稀疏优化问题, 采用正交匹配追踪法重构量测攻击信号, 以克服采用凸优化算法求解易陷入局部最优的缺陷. 通过卡尔曼滤波量测更新抵消攻击信号影响, 恢复目标运动的真实状态. 其次, 针对错误注入攻击等复杂量测攻击形式, 基于势博弈理论, 提出一种分布式稀疏优化安全状态估计方法, 利用多传感器节点信息交互与协作提升探测与跟踪的稳定性. 仿真结果表明, 所提方法在分布式传感器网络协作抵抗恶意攻击方面具有优越性.

提出了一种能够解决高阶异构集群系统输出时变编队跟踪问题的控制方法. 集群系统中的智能体分为领导者和跟随者, 领导者和跟随者的动力学模型可以完全不同. 跟随者的输出在跟踪领导者输出的同时保持时变编队实现协同运动. 考虑了领导者存在已知或未知控制输入、领导者和跟随者均存在未知扰动、有向通信拓扑存在切换等多种因素并存的情况, 结合观测器理论、自适应控制理论和滑模控制理论设计了完全分布式的输出时变编队跟踪控制协议, 摆脱了对领导者控制输入上界值、与通信拓扑相关的拉普拉斯矩阵的特征值以及时变编队函数等全局信息的依赖. 利用Lyapunov理论证明了在有向拓扑切换条件下异构集群系统的闭环稳定性. 最后通过数值仿真对理论结果的有效性进行了验证.

基于奇异摄动理论, 提出了一种针对扑翼周期系统的稳定性分析方法. 具体而言, 首先建立了扑翼飞行器的多刚体模型, 为后文对翅翼动力学的奇异摄动分析铺平道路; 其次, 对多刚体模型进行简化, 抽象出扑翼飞行动力学的核心问题, 并针对实际控制中的问题, 提出了利用奇异摄动理论分析扑翼飞行周期稳定性的方法, 指出了其相对于其他方法的优越性; 最后, 在自制的四自由度扑翼飞行器完成了真实的飞行实验, 验证了所提方法的有效性.

提出了一种在统一框架下同时执行缺失视图补全和多视图子空间聚类的方法. 具体地, 缺失视图是由已观测视图数据约束的隐表示生成的. 此外, 多秩张量应用于挖掘不同视图之间的高阶相关性. 这样通过隐表示和高阶张量同时挖掘了不同视图以及所有样本(即使是不完整视图样本)之间的相关性. 本文使用增广拉格朗日交替方向最小化(AL-ADM)方法求解优化问题. 在真实数据集上的实验结果表明, 我们的方法优于最新的多视图聚类算法, 具有更好的聚类准确度和鲁棒性.

针对因多重不确定执行器故障而引起系统动态突变的非线性系统, 设计了一种基于多模型切换的自适应执行器故障补偿控制策略, 以提高系统应对动态突变的能力, 同时实现不确定执行器故障的快速精确补偿. 针对执行器故障模式的不确定性问题, 采用基于多模型的参数估计方法, 设计了自适应控制器组; 基于最优性能指标函数, 提出了一种控制切换机制, 以选择最佳的自适应控制器作为当前的控制器, 从而实现期望的故障补偿控制. 所设计的多模型自适应控制策略, 可以保证所有闭环系统信号有界, 且在出现有限数量的不确定性执行器故障情况下, 系统输出渐近跟踪所选择的参考系统输出; 同时, 当系统中出现持续间歇性执行器故障时, 此方法可以保证系统的输出跟踪误差是平均小的. 最后, 基于飞行器动力学模型, 进行仿真研究, 验证了所设计的自适应故障补偿策略的有效性.

针对一类具有未建模动态及执行器故障的非严格反馈非线性互联大系统, 提出一种基于事件触发机制的模糊分散自适应输出反馈控制算法. 首先, 通过设计模糊状态观测器估计系统中不可测的状态, 并引入李雅普诺夫函数约束未建模动态. 然后, 提出一种基于事件触发机制的自适应容错控制器补偿多个执行器故障产生的影响. 最后, 利用障碍李雅普诺夫函数实现对系统输出的约束, 并证明闭环系统中所有信号均是半全局一致最终有界的, 且设计的事件触发机制可以避免Zeno行为. 数值仿真结果验证所提出设计方案的可行性及有效性.

提出一种基于跨模态深度度量学习的甲骨文字识别方法, 通过对临摹甲骨文字和拓片甲骨文字进行共享特征空间建模和最近邻分类, 实现了拓片甲骨文字的跨模态识别. 实验结果表明, 在拓片甲骨文字识别任务上, 本文提出的跨模态学习方法比单模态方法有明显的提升, 同时对新类别拓片甲骨文字也能增量识别.

提出了一种新的分布式随机变分推断(Stochastic variational inference, SVI)算法, 其中我们选择自然梯度法进行参数本地更新并选择对称双随机矩阵作为节点间参数融合的系数矩阵. 此外, 还为所提出的分布式SVI算法提出了一种对异步网络的适应机制. 最后, 在伯努利混合模型和隐含狄利克雷分布模型上测试所提出的分布式SVI算法的可行性, 实验结果显示其在许多方面的性能优于集中式SVI算法.

首先介绍了忆阻器的多种数学模型及其分类, 建立了时滞忆阻神经网络的数学模型并阐述了其优点. 然后提出了处理时滞忆阻神经网络动力学行为与控制问题的两种思路, 详细综述了时滞忆阻神经网络系统的稳定性(镇定)、耗散性与无源性及其同步控制方面的内容, 简述了其他方面的动力学行为与控制, 并介绍了时滞忆阻神经网络动力学行为与控制研究新方向. 最后, 对所述问题进行了总结与展望.

基于最后逃逸时间的概念, 给出一种新的寿命与剩余寿命定义方式. 在该新框架下, 提出一种基于最后逃逸时间的寿命预测方法, 推导得到最后逃逸时间下基于Wiener退化过程模型的寿命与剩余寿命表达形式, 讨论了该方法与传统首达时间下寿命预测方法之间的关系. 此外, 通过数值仿真验证了该方法的正确性, 并对模型参数进行了敏感性分析. 最后, 通过轴承以及激光器的实际退化数据说明了该方法的有效性、可行性以及潜在的工程应用价值.

从模型和算法的层面系统地回顾了利用强化学习求解综合能源系统管理问题的现有研究成果, 并从多时间尺度特性、可解释性、迁移性和信息安全性4个方面提出展望.

从技术创新、机制设计以及风险监管三个角度梳理了数字货币的主要研究问题, 详细阐述了基础支撑技术、隐私保护技术、共识机制、激励机制、币值机制、发行机制、风险分析、监管考量等方面的研究进展、存在问题及应用现状, 并展望了未来重点研究方向, 致力于为数字货币领域的研究提供有益借鉴.

从如下几个方面介绍了基于深度学习的光学遥感图像目标检测的研究现状. 首先对光学遥感图像目标检测的主要难点进行了介绍, 接着对现有基于深度学习的目标检测算法进行概括, 并以光学遥感图像目标检测的难点为驱动分析对比了不同的基于深度学习的光学遥感图像目标检测方法的优缺点, 最后对未来的发展趋势进行了详细的分析.

详细介绍基于EEG的癫痫自动识别整体框架, 以及对应于各个步骤所涉及的典型方法. 针对核心模块, 即特征提取与分类器选择, 进行方法总结与理论解释. 最后, 对癫痫自动检测研究领域的未来研究方向进行展望.

对非侵入式负荷监测方面的研究进行综述. 首先提炼非侵入式负荷监测的问题模型及基本框架; 然后分别对非侵入式负荷监测的数据采集与预处理过程、负荷分解模型与方法、常用数据集及评估指标进行归纳总结; 最后, 对目前研究中存在的挑战进行分析, 并对未来的研究方向进行展望.

 针对基于宽度学习系统的预测模型存在许多降低虚拟机性能预测准确性和效率的冗余节点, 通过引入压缩因子, 构建基于压缩因子的宽度学习系统, 使预测结果更逼近输出样本, 能够减少BLS的冗余特征节点与增强节点, 从而加快BLS的网络收敛速度, 提高BLS的泛化性能.

对近几年提出的基于全乳腺X线摄影的肿块检测方法进行简要综述, 分别从基于传统的乳腺肿块检测与分割方法和基于深度学习的乳腺肿块检测方法进行介绍, 并讨论了乳腺X线摄影中肿块检测未来研究的发展趋势.

针对智能电网中的隐匿FDI攻击信号, 提出了基于拉普拉斯特征映射降维的神经网络检测学习算法, 不仅降低了陷入过拟合的风险, 同时也提高了隐匿FDI攻击检测学习算法的泛化能力. 最后, 在IEEE57-Bus电力系统模型中验证了所提方法的优点和有效性.

采用科学知识图谱的方法系统梳理了信息能源系统研究的整体概况, 以数据和知识混合驱动的方式展现了信息能源系统专业领域的热点领域和学术链条, 并聚焦4个重点研究领域: 优化调度、一致控制、用户驱动的优化管理、信息能源深度融合系统. 在共被引分析基础上, 依据文献重要性和贡献度人工筛选出高影响力文献, 梳理了信息能源系统研究演化发展趋势. 分析表明, 当前信息技术作为有力的支撑驱动了能源系统的发展, 但信息与能源之间的联系仍不够紧密, 对能源数据价值的充分挖掘等问题亦需进一步研究.

针对电网净负荷时序数据关联的特点, 提出基于数据关联的狄利克雷混合模型来表征净负荷的不确定性. 首先, 使用狄利克雷混合模型对净负荷的观测数据与预测数据进行拟合, 得到其混合概率模型; 然后, 提出考虑数据关联的变分贝叶斯推断方法, 改进后验分布对该混合概率模型进行求解, 从而得到混合模型的最优参数; 最后, 根据净负荷预测值的大小得到其对应的预测误差边缘概率分布, 实现不确定性表征. 本文基于比利时电网的净负荷数据进行检验, 算例结果表明: 与传统的狄利克雷混合模型和高斯混合模型等方法相比, 所提出的基于数据关联狄利克雷混合模型可以更为有效地表征净负荷的不确定性.