Крис Дж. Харрис - Chris J. Harris
 | Бұл тірі адамның өмірбаяны қосымша қажет дәйексөздер үшін тексеру. (Наурыз 2020) (Бұл шаблон хабарламасын қалай және қашан жою керектігін біліп алыңыз) |
Крис Дж Харрис | |
|---|---|
 | |
| Туған | 1945 жылғы 23 желтоқсан Портсмут, Ұлыбритания |
| Алма матер | Лестер университеті, Ұлыбритания |
| Белгілі | Интеллектуалды басқару, нейрофузиялық модельдеу, деректерді біріктіру, оқыту теориясы арқылы деректерге негізделген модельдеу |
| Марапаттар | FREng (1996) IET Faraday Medal (2001), IEE аға жетістік медалі (1998) |
| Ғылыми мансап | |
| Өрістер | [Сигналды интеллектуалды басқару және өңдеу]] |
| Мекемелер | Саутгемптон университеті, Ұлыбритания Императорлық колледж, Ұлыбритания Оксфорд университеті, Ұлыбритания Манчестер университеті, Корольдік әскери әскери колледжі, Крэнфилд университеті, Ұлыбритания |
| Диссертация | Импульстік жиіліктің модуляцияланған жүйелерінің теориясы мен тұрақтылығы |
Крис Харрис FREng басқару және сигнал беру процесінің инженері, сонымен қатар есептеу интеллектінің эмеритусы профессоры Саутгемптон университеті, Ұлыбритания.
Білім
Кристофер Джон Харрис 1945 жылы Ұлыбританияның Портсмут қаласында дүниеге келген және Солтүстік Грамматикалық мектебінде, Портсмут, Гемпширде білім алған және ол Лестер университетінде бакалавриатта білім алған (Инженерия саласындағы бірінші дәрежелі құрмет) және Оксфорд университетінің магистрі. 1976 жылы Ph.D. Саутгемптон университетінің 1972 жылы басқару теориясы бойынша ғарыштық аппараттарға, ал Ұлыбританияның бейімделетін модельдеу және бағалаудағы Саутгемптон университетінің DSc.[1]
Мансап
Харрис бұған дейін Халл, UMIST (Манчестер), Оксфорд, Империал және Крэнфилд университеттерінде академик болып жұмыс істеген, 1987 жылы Саутгемптон университетіне аэрокосмостың Лукас профессоры болып кірген, қазір ол - есептеу интеллектінің шексіз профессоры. Ол сондай-ақ Ұлыбританияның Қорғаныс министрлігінде жұмыс істеді.[2] Ол 14 кітаптың және 400-ден астам ғылыми мақалалардың авторы немесе бірлескен авторы. Ол Automatica, AI's Applications Applications, International Journal of General Systems Engineering, International Journal of System Science және International Journal of Mathematical Control and Information Theory сияқты көптеген халықаралық журналдардың редакторы / қауымдастырылған редакторы болды.
Ғылыми мансабы
Харрис академиялық мансабының алғашқы кезеңі сол кездегі басқару теориясы саласындағы халықаралық ғылыми жетекшілердің, мысалы, профессорлар Р. Беллман, Р. Брокетт, сэр Алистер МакФарлейн, С А Дезеро және В. М Попов сияқты негізгі жұмыстарынан кейін басталды. Харрис зерттеулері бастапқыда тұрақтылықтың сызықтық уақытының өзгеретін жүйелеріне, содан кейін тек кіріс / шығыс деректерін пайдаланатын көп айнымалы сызықтық емес жүйелерге арналды. Зерттеудің осы екі бағыты 153 және 168 томдарда белгілі R Bellman «Математика ғылымдағы және инженерия» сериясындағы 2 монографиямен аяқталды (төменде 6 және 7 басылымдар). Бұл алғашқы зерттеу бақылаулардан бейсызық динамикалық процесті есептеу тиімділігі бойынша іргелі сұрақтарды көтерді. Дәл және сирек модель ықтимал физикалық түсінікке және соның салдарынан жай-күйді болжаушыларға, ақаулықтарды диагностикалау үшін ықтималдық классификаторларына және дәлірек контроллерлерге әкеледі. Гаррестің 50 жыл бойғы ғылыми мансабындағы кейінгі зерттеулер парсимонды адаптивті сәйкестендіруді, деректерді біріктіруді, тек бақыланатын деректерді пайдалана отырып априорлы белгісіз сызықтық емес динамикалық процестерді жіктеуді және басқаруды қамтамасыз ететін бірқатар алгоритмдерге әкелді. әдебиетте баяндалған 200-ден астам қосымшасы бар әр түрлі салалармен.
1. Деректерді бейімдеу / интеллектуалды модельдеу. Харрис доктор М Браунмен бірге адаптивті немесе интеллектуалды нейрофузиялық модельдеу және басқару теориясының негізін қалады, жоғарыда келтірілген ғылыми монографияда (5-паб) жинақталған, мұнда анық емес логиканың мөлдірлігі жүйке желілерінің аналитикалық өзін-өзі үйрену қабілетімен біріктірілген. Бұл монография өзінің ассоциативті жадының жүйелік параметрлері (AMN) бойынша сызықтық бойынша бірқатар мақалаларын, лездік оқыту заңдарының жалпы теориясымен - Д.В. Кларктың жалпыланған ең кіші квадраттар бағасының кеңеюімен бірге жинақтайды. Қағаз (ref 3) Cerebellum Model Articulation Controller (CMAC) алгоритмінен басталады (ref 4), ол жалпыланған және метрикалық базалық функцияларға дейін кеңейтілген, оның үздіксіз процестерге пайдалылығы айтарлықтай артып, нақты уақыттағы робот қосымшалары үшін өте қолайлы; CMAC Гарриспен нақты уақыт режимін басқаруда, мысалы, жолақтарда интеллектуалды көлік жүргізу (реф 5), жалпы европалық Prometheus зерттеу бағдарламасында, ол көру негізіндегі бақылау жүйесімен (4) интеграцияланған кезде әлемдегі алғашқы жолды шығарды. жүргізушісіз лайықты жүргізуші. Содан кейін қағаз (сілтеме 3) АМН-ді ашықтықты (яғни лингвистикалық интерпретация), жақсы жалпылауды және шуды қабылдамауды қамтамасыз ететін жергілікті негіздегі функциялардың өзіндік мөлдірлігі мен парсимониясын пайдалану арқылы AMN өлшемділіктің қарғысына қатысты проблеманы шешетін бейімделгіш оқыту схемалары арқылы дамытады. параметрлік регуляция арқылы мәліметтер. Мұнда модельдік парсимония (немесе модельдің минималды құрылымы) желіні қайталанатын жаңа тензорлық өнім көпөлшемді субмодельдерін (дисперсиялық талдау деп аталатын - ANOVA ұсынуы) қалыптастыру үшін бірмәнді және көп айнымалы субмодельдердің қосындысы ретінде көрсету арқылы қол жеткізіледі. модель өлшеміне, орташа квадраттық қателікке және енгізу деректерінің өлшеміне негізделген композиттік өнімділік индексін оңтайландыру үшін кесілген және жоғары дәрежеде қолданылатын адаптивті сплайн модельдеу алгоритмін (ASMOD) жасайды. Бұл нейрофузия модельдеу алгоритмдері NeuFrame & Matlab бағдарламалық жасақтамасында коммерциялық тұрғыдан енгізілген. 17) және Харрис әр түрлі нақты демонстранттарға қатысты, соның ішінде FAU (АҚШ) бар су асты көліктері, Jaguar (Sir Mike J Brady-мен Оксфордта) жүргізушісінің тірегі, роботтар ұстағыштар, сэр Питер Е Грегсонмен материалдардың құрылымдық қасиеттері (CIT) ), Rolls Royce газ турбиналары және қатерлі ісік диагнозы, сондай-ақ медицина, робототехника, қорғаныс және ғарыш, материалдарды өңдеу, т.б. өндіріс, қозғалтқыш және қуатты басқару, көлік, сауда және макроэкономика.
Бұл жұмыс үшін Харрис 1996 жылы Корольдік Инженерлік Академияның мүшесі болып сайланды. Нейрофузиялық модельдеудің іргелі зерттеулері жергілікті ортогоналды ең кіші квадраттармен (LOLS) және D байланыстырылған жаңа сенімді кеңейтілген Грам-Шмидт ортогональды ыдырау және қалыпқа келтіру алгоритмімен жалғасты (ref 7). - модельдің ішкі құрылымын және онымен байланысты параметрлердің оңтайлы бағаларын автоматты түрде анықтайтын оңтайлы эксперименттік жобалау; адаптивті нейрофузиялық модельдерге деген жаңа көзқарас әрбір алынған ережеде сенім моделіне ие модельдің маңызды ашықтығын тудырады. Автоматты сирек ережелерді құрудағы есептеудің қарапайым тәсілі - бұл ең тиімді және дәл нейрофизиялық желі, ол әсіресе өмір туралы ғылымдарда назар аударды.
Сызықтық емес модельдеудегі үлкен қиындық «ақ жәшік» модельдеу болып табылады, яғни тек деректер негізінде біз феноменологияның негізгі себептерін таба аламыз ба? Бұл ген эволюциясы сияқты күрделі құбылыстарды түсінуде, сондай-ақ оңтайлы контроллерлерді, ақаулар детекторларын / классификаторларын құруда және априорлы белгісіз процестер үшін білімді біріктіру / біріктіруде өте маңызды. Осы мақсатта Харрис және оның әріптестері өлшемділіктің қарғысынан құтылу үшін тиімді және парсимонды сызықтық емес модельдеу алгоритмдерінің алғашқы сериясын құрды. Барлық AMN (мысалы, RBF, Гауссиялық B-сплайндары, нейрофузия) регрессия модельдерін эксперименттер критерийлерінің композитивті D-оңтайлы дизайнын қолдану арқылы жоғары парсимонды етіп жасауға болады, әрі қарай біздің әйгілі жергілікті ортогональды ең аз квадраттардың (LOLS) алгоритмін қосу арқылы (ref 8), нәтижелі модельді құру процесі (сілтеме 9) толығымен автоматтандырылған және ұялы байланыс, сөйлеу және мәтін өңдеуден жұқа пленка тұндыруды модельдеуге дейінгі қосымшаларда өте танымал болды. Жуырдағы мақалада (реф. 8) регрессияны, классификацияны және ықтималдық тығыздығын бағалау үшін парсонды ортогоналды ең кіші квадраттарды модельдеудің бірыңғай теориясы келтірілген, олар «класс» алгоритмдерінде тәсілдің тиімділігін көрсетеді. Жақында, модельдерді жалпылаудың өзін кросс валидациясы және квадраттардың болжамды радикалды қосындысының ақпараттық теоретикалық метрикасы (PRESS) арқылы модель таңдағыш ретінде қолдану арқылы; ол (ref 9) OLS-пен біріктірілген, басқалардың әртүрлі қосымшаларымен, соның ішінде қондырғыларды қашықтықтан зондтау, CO2 спектрлік бақылау, сөйлеу ультра дыбысы, антенналардың дизайны және құралдарды өңдеу сияқты автоматты сирек модельдеу алгоритмін (ref 10) жасайды.
2001 жылы жоғарыда аталған зерттеулер үшін Харриске 79-шы IEE Халықаралық Фарадей медалі «Интеллектуалды басқару және нейрофузиялық модельдеудегі халықаралық мақтау» үшін берілді. Іздеуді (RWBS) қайталап өлшенген арттыру - бұл тегіс емес және / немесе көп режимді шығындар функцияларын орындай алатын жаңа басқарылатын стохастикалық оңтайландыру алгоритмі (ref 11). Танымал генетикалық алгоритм (GA) және бейімделген имитациялық күйдіру (ASA) алгоритмі сияқты басқа жаһандық оптимизаторлармен салыстырғанда, RWBS-ті іске асыру оңай, пайдаланушының баптауы немесе алдын-ала таңдауы үшін параметрлері едәуір аз және ең болмағанда оны да орындайды және әдетте GA және ASA алгоритмдеріне қарағанда едәуір жақсы. Бұл RWBS алгоритмін RBF желілері үшін, ядролардың жалпыланған модельдері үшін, тығыздықты бағалаушылар үшін, сондай-ақ ядроларды оңтайландыру арқылы ядроларды оңтайландыру арқылы қолдана аласыз (Ref 12 қараңыз) ортогональды алға таңдау (OFS) процедурасында Fisher коэффициентін арттыру RWBS-да. Стендтік белгілер үшін OFS-RWBS классификаторы (ref 11) тірек векторлық машиналар (SVM) сияқты заманауи әдістерден 10 есе аз. RWBP арқылы ядроларды немесе радиальды негіздегі желілік орталық векторларын / ковариациялық матрицаларды орнатудың орнына, Харрис жақында (13-тармақ) жаңа Бөлшек Swarm оптимизаторын (PSO) жасады, ол модельдеуді азайтуды қосады (LOO) квадраттық қателік популяцияны тудырады стохастикалық жаһандық оптимизатор. PSO алгоритмі биологиялық мінез-құлықтан шабыт алады, қарапайым, тез үйлеседі және жергілікті минимумдарға сезімтал емес. Радиалды базалық функциялардың жеке моделдері үшін PSO-ға бағытталған ортогональды алға регрессия алгоритмі (ref 13), тіпті «ref» 10-мен бекітілген «RBF» сәйкестендіру алгоритмінің «ең жоғары деңгейге» қарағанда жалпылау өнімділігі, парсонондық және есептеу артықшылықтарын ұсынады, SVM-ге қарағанда айтарлықтай артықшылықтар. Харристің қазіргі жұмысы сызықты және стационарлы емес динамикалық жүйелерді деректерге негізделген модельдеу (ref 23) өзінің ұзақ мерзімді серіктесі Проф Шенг Ченмен бірге.
2. Деректерді біріктіру, диагностика және сызықтық емес автономды жүйелер үшін басқару. Лукас профессоры ретінде (1987-1997 жж.) Харрис автономды басқарылатын көлік құралдарына қатты қызығушылық танытты және автокөлік құралдарын басқарудың интеллектуалды әдіснамасының бірқатар түрлерін шығарды, соның ішінде бұлыңғыр логикаға негізделген автотұрақ (реф 3), авто-шоссес жүргізу және көлік құралын анықтау арқылы соқтығысуды болдырмау. Радиолокация мен акустика пайдалы диапазон / диапазон жылдамдығы туралы ақпарат бергенімен, машинаны көру негізінде анықтау (ref 6) жалған дабылды болдырмауға, сондай-ақ авто қадағалауға әлдеқайда берік, себебі оны көріну негізіндегі жол белгілері детекторымен біріктіріп, ықтимал кедергілерді қоюға болады. өзінің жеке көлігіне қатысты. Қағазда (сілтеме 6) Проф. Харрис және басқалар. нақты «мақсатты» сипаттамаларды немесе жеке меншікті векторларды анықтау үшін тән жоғары көріністі қалыптастыратын деректерді қысу үшін негізгі компоненттерді талдауды (PCA) пайдаланатын нақты уақыт режиміндегі автомобильді анықтау және тану жүйесін әзірледі (қазір автомобильді анықтау және қадағалаудың келесі қосымшаларында норма) , содан кейін AMN бір суреттегі бірнеше әлеуетті көлік құралдарын жіктеуге мүмкіндік береді. Кейінірек уақыттық интеграция жолымен кедергілерді іздеу құралы пайда болды, бұл 1999 жылы Ягуар сынақ төсегінде автономды автокөлік жолының жүрісіне бірінші рет қол жеткізуге мүмкіндік берді. Көріністе ПКА немесе өзіндік-ғарыштық трансформацияны (EST) қолдану проф. М.Н. Никсон (Саутгемптон Юни) және Харрис жаңа биометрика ретінде (қауіпсіздік 14) адамның дене жүйелерін сегменттейтін қауіпсіздік жүйелерін жүрісті автоматты түрде тануға арналған, EST-ді біріктіретін статистикалық әдіс арқылы (кіріс өлшемін оңтайлы азайту үшін) жеке адамдарды тану / жіктеу үшін кеңістіктік шаблондарды алу үшін канондық кеңістікті трансформациялау. Мақсатты қадағалау Multi-sensorory Data Fusion (MSDF) көмегімен жақсартылған. MSDF мақсаты процедураны түсіну, жіктеу, қадағалау және басшылық пен бақылау салаларында қолдану үшін тәуелсіз мәліметтер / білім көздерінің жиынтығынан, белгісіздігі аз, субъектінің ықтималдық моделін жасау. Кальманды фильтрлеу MSDF-тағы ең танымал рекурсивті алгоритмдердің бірі болып табылады (мысалы, Prof H Durrant-Whyte (Сидней Университеті).), Ол бақыланатын мәліметтерден жүйенің күйін оңтайлы, объективті, минималды дисперсиялық бағалауды ұсынады. Жоғары келтірілген және қолданылған қағазда (ref 15) Кальман-Фильтр негізіндегі MSDF үшін өлшеудің бірігуінің екі негізгі әдісі жасалған, біріншісі датчиктің өлшеу ақпаратын бақылау векторын ұлғайту арқылы біріктіреді, екіншісі бақылау векторларын бір векторға ауыстырады. Ковариацияның кері матрицаларымен өлшенген жеке бақылау. Харрис бұл екі әдіс оңтайлы және белгілі бір жағдайда ақпараттық тұрғыдан бірдей екенін көрсетті. Біріктірудің өлшеу әдістері (15-тармақ) (ref 16) -де мемлекеттік векторлық синтезге (SVF) дейін кеңейтіледі, олар шулардың ковариациясының орнына мемлекеттік бағалаудың ковариациялық матрицаларын қолданады. SVF әдістері өте берік, икемді және орталықтандырылмаған MSDF архитектураларында жақсы жұмыс істейді және айтарлықтай қолдануды тапты. Харрис әр түрлі SVF алгоритмдерін әзірледі, соның ішінде жалпы бағалау ақырғы болжаушыға кері байланыста және SVF балқытылған болжамымен SVF трек синтезінің моделі, мұнда барлық жеке болжанған балқытылған сметалар кері байланысқа ие (ref 16 ). Таңқаларлық емес, бұл тәсіл бір-біріне ұқсамайтын датчиктер үшін трек-жолды SVF-тен жоғары және жоғары шу орталарында жақсы жұмыс істейді. Көптеген практикалық процестер үшін негізгі жүйелер белгісіз немесе жоғары сызықтық емес; бұл мәселеге қуатты көзқарас (сілтеме 17) (кеңейтілген Кальман сүзгісіне (EKF) ұқсас, бірақ оның тұрақтылығы жоқ) - бұл дисперсиялық дисперсияны (ANOVA) талдай отырып, нейрофузиялық желілер арқылы кері байланыс сызықтығы (қағазды қараңыз1). Кері байланыс сызықтығы негізгі сызықтық емес процесті күйді координаталық түрлендіру және кері байланысты басқару заңы бойынша сызықтық түрде жүргізуге мәжбүр етеді, нәтижелі модель сызықтық бақылаулармен бірге MSDF қосымшаларында өзгертілген Кальман сүзгі тәсілімен қолданылады (сілтеме 17): іс жүзінде бұл мәліметтерге негізделген көзқарас EKF-тен асып түседі, бұл процесс бойынша үздік біліммен де! Бұл MSDF алгоритмдерін басқалар адаптивті роботты манипуляторларда, роботтандырылған көлік құралдарында, медицинада, қауіпсіз байланыс, қозғалтқышты басқару және диагностикалау, метрология, навигация және жер-теңіз нысандарын қадағалауда үлкен жетістіктерге қол жеткізді.
1994 жылы болған өліммен аяқталған RAF Chinook апатынан кейін Харрис Вестленд пен МОД қаржыландырды, ол барлық ауа-райы / ұшу жағдайларын жасау үшін тікұшақ MSDF нерофузды басқару жүйесін жасады, нәтиже ұшу сәтті сыналды; нәтижесінде шыққан басылым (18-сілтеме) 1997 ж. Корольдік аэронавтикалық қоғам Симмс қағаз сыйлығын жеңіп алды (1998 жылы тағы да). Осы сәттен кейін Racal Marine Харриске шектеулі сулардағы алты кемеге жақын соқтығысуды шеше алатын нейрофузиялық басшылық пен басқару жүйесіне негізделген теңіздің соқтығысуын болдырмау жүйесін (MANTIS) құруға қаражат бөлді, кеменің көру бағыты жүйелік қағаз (сілтеме 19) 1999 жылы Инженер-механиктер институты Дональд Гроенмен марапатталды.
Ақаулықтарды диагностикалау, жіктеуді бағалау және мультисенсорлы деректерді біріктіру үшін негіз болып саналатын мәліметтер процедурасының ықтималдық тығыздығының функциясы (pdf) табылады. Кәдімгі тәсіл - параметрлік емес Parzen Window (PW) сметасын қолдану, ол қарапайым және дәл болғанымен, ол үлгінің өлшемімен тікелей масштабталады, демек, датчиктер сияқты деректерге бай көздер үшін орынсыз. Сирек модельдеу бойынша алдыңғы жұмысты кеңейту арқылы (7 және 10 сілтемелері) Харрис өте сирек тығыздықты бағалағышты шығарды (ref 20), ол pdf бағасын регрессия мәселесі ретінде қалпына келтіреді, содан кейін ортогоналды алға регрессияны пайдаланып, өзіндік құнын біртіндеп азайту арқылы сирек pdf бағаларын шығарады pdf параметрлері үшін жалдау квадраттарының шешімін табу үшін жергілікті регуляризациямен бірыңғай тестілеуді (минималды жалпылау қателігі үшін) қалдыруға негізделген критерий. Нәтижесінде пайда болатын алгоритм тиімділігі жоғары (әдетте PW бағалаушыларынан 50 есе жақсы), қарапайым, қолданушы параметрлерін қажет етпейді. Оны басқалар простата қатерлі ісігін анықтау және сөйлеуді автоматты түрде тану үшін қолданды .. Жіктеуішті құру үшін сигналдарды өңдеудің көптеген әдістері бар (ядро негізіндегі алгоритмдер, тірек векторлық машиналар, релеванттық векторлық машиналар және OFR), көбінесе мәліметтер теңгерімсіз болған кезде сәтсіздікке ұшырайды. ең кіші квадраттардың бағалаушылары барлық деректерге бірдей қарайды, азшылық тобы үшін қолайсыз болжаушылар жасайды - бұл қауіпсіздік үшін маңызды болуы мүмкін (мысалы, металдың шаршауы немесе қатерлі ісіктерді анықтау). Оның орнына қағазда (реферат 20) Харрис параллиметриялық таңдауы сынып белгілеріне сезімтал болатын жаңа алға қарай реттелген ортогоналды ең кіші квадраттар алгоритмін қолдану арқылы деректердің маңыздылығына сезімтал теңгерімсіз мәліметтер жіктеуішін шығарды. Деректердің теңгерімсіз жиынтығы үшін модельді жалпылау мүмкіндігін оңтайландыратын модельді таңдау коммуникацияда қолданылатын қисық критерий бойынша максималды қалдыру аумағы арқылы жүзеге асырылады. Нәтижесінде алгоритм болжау қателігі үшін «сыныптағы ең жақсы» болып табылады (соның ішінде ең жақсы тірек векторлық машинаның классификаторы - SUPANOVA (2000) - қараңыз (сілтеме 3)), сонымен қатар есептеу тиімділігі жоғары және деректердің шуылына өте берік. Қазіргі қосымшаларға простата қатерлі ісігінің PSA және PCA3 (гендік) деректерін мульти сенсорлы біріктіру арқылы диагностикалау кіреді, жеке pdf бағалауы арқылы (ref 20)
Деректерге негізделген интеллектуалды басқару (i) анық емес басқару. Профессор Лофти Заденің 1965 жылғы негізгі жұмысынан бастап бұлыңғыр логика отандық өнімдердің кең спектрі үшін тұрақты немесе статикалық бұлыңғыр ережелер негізінде кеңінен дамыды. Барлық сараптамалық жүйелер сияқты, статикалық анық емес логиканың негізгі әлсіздігі - бұл негізгі процестер туралы білімді іздеу. 1993 ж. Қағаздар сериясынан кейін (21-сілтеме), Харрис өзін-өзі ұйымдастыратын бұлыңғыр контроллердің алғашқы түрін шығарды (SOFLIC) тек бақылаулардың арқасында бұлыңғыр ережелердің толық жиынтығын шығарды. SOFLIC екі формасы алынды; өсімдіктерді идентификациялауға / моделдеуге жүгінбей-ақ контроллердің параметрлерін басқаратын тікелей адаптивті бұлыңғыр контроллер және аралық ереже базалық өсімдік моделін тұжырымдау үшін қайталанатын онлайн сәйкестендіру алгоритмімен сипатталатын жанама SOFLIC (мысалы, сілтеме) жанама SOFLIC (бұдан әрі қолданылатын) контроллерді тұжырымдау үшін. Модельдеу мен басқарудың бұл бөлінуі өнімділік сипаттамасын дизайнердің өзгертуіне мүмкіндік береді. SOFLIC-тің екі тәсілі де аз априорлық білімі бар процестерді басқара алады, өсімдіктердің вариациясына тез бейімделеді, стационарлық емес сызықтықтармен жұмыс істей алады, шу мен бұзылудан бас тартуға қабілетті. Барлық ережелерге негізделген алгоритмдер сияқты, контроллердің күрделілігі енгізу кеңістігінің өлшемімен экспоненталық өседі. SOFLIC қазіргі уақытта (ref 7) сияқты сирек модельдеу нейрофузиялық алгоритмін қолдану арқылы жоғары өлшемді мәселелерге кеңейтілген. Жанама SOFLIC (IF 21) 1990 жылғы барлық IFAC әлемдік стендтік белгілеріне қарсы кемелерді бағыттау, вагондарды қадағалау және автокөліктерді басқару мен басқару мәселелеріне қарсы өте тиімді түрде көрсетілген.
(ii) Оқыту немесе адаптивті роботты басқару. Қазіргі заманғы роботтандырылған мультипликаторлар - бұл әртүрлі сызықты және көп өлшемді және геометриялық масса жүктемелерінде жұмыс жасайтын, көп осьті динамикалық жүйелер. Траекторияны қадағалаудың жоғары жылдамдығын бақылау адаптивті немесе нейрондық желіге негізделген жүйенің идентификаторларын (модельдерін) және контроллерлерді қажет ететін негізгі болып табылады. Ізашар және жетекші зерттеу монографиясында (сілтеме 22) жалпы лаграндық қозғалыс теңдеулері өлшенетін / бақыланатын векторлық позицияның, жылдамдық пен үдеудің сызықтық емес функциялары ретінде тұжырымдалған. Соңғы екі өлшеудің көмегімен процесс модельдері декарттық және тапсырыстық кеңістіктерде параметрлер желісіндегі сызықтық бойынша анықталады (ref 22) (RBF-ді қараңыз (ref 3)) Үш құрылымды құрылымдық құрылым, бірақ RBF параметрлерін үйрене отырып, ( сырғанау режимін басқару - асимптотикалық тұрақтылықты қамтамасыз ету үшін Ляпуновтың тұрақтылық теориясы арқылы) шынайы демонстранттар шығарылады және бағаланады - тұрақтандырылған көріну платформасы және еркін штрихтық байланыс жүйесі - контроллердің тұрақтылығын, беріктігі мен икемділігін және параметрлік белгісіздікке сезімталдықты бейнелеу үшін және шу. Баламалы түрде жүйелік желіге негізделген кері байланыс сызықты модельдеуді қолданады (сілтеме 17) Харрис және басқалар. кәдімгі модельді анықтамалық контроллер дизайны қатты денеге және икемді корпус роботтарына, сондай-ақ бірнеше өзара әрекеттесетін робот-манипуляторларға тікелей қолданылатынын көрсетіңіз. Басқалар жоғары сілтеме жасалған қағаздармен (сілтеме 22) өндіріс пен технологиялық өндіріс, дөңгелекті роботтар, автоматты бұралмалы крандар, жасанды саусақтар / қолдар, гибридті түйіспелер және ынтымақтастық роботтары кеңінен қолданылады.
Харристің интеллектуалды басқарудағы зерттеулері үшін ол 1998 жылы IEE аға жетістік жетістіктері медалімен «электротехникаға қосқан үлесі үшін» марапатталды.
Жарияланымдар
Профессор Харрис 400-ден астам сілтемелерді (оның ішінде 168 журналдық мақалалар, 213 рефератталған конференция мақалалары, 30 кітап тараулары және 7 зерттеу монографиясы - оның жеке зерттеушілік үлестерін үйлесімді түрде жинақтайды;
1. Дж.Дж. Харрис, Ся Хонг және Дж Ган. Деректерден адаптивті модельдеу, бағалау және біріктіру .336 беттер, Springer Verlag, Берлин, (ISBN-3-540-42686-8) .2002.
2. SS Ge, TH Lee және CJ Harris. Роботты манипуляторларды бейімдеу нейрондық желісін басқару .World Scientific Press Singapore, (ISBN-981023452X) .381.беттер.1998.
3. GP Liu, HWang, CJ Harris және M Brown Advanced Adaptive Control. Pergamon Press, Лондон, 262 бет. (ISBN- 0- 08- 0420206). 1995 ж.
4. М Браун және Дж.Дж. Харрис Нейрофуззи Адаптивті модельдеу және басқару. Prentice Hall, Hemel Hempstead, (ISBN-0-13-134453-6) 380бет.1994.
5. Дж.Дж. Харрис, Мур Мур және М Браун. Интеллектуалды басқару: бұлыңғыр логика және жүйке торларының аспектілері. World Scientific Press, Сингапур. 380 бет. (ISBN-981-0201042) .1993 ж.
6. Дж.Дж. Харрис және Дж.М. Валенка. Кіріс-шығыс динамикалық жүйелерінің тұрақтылығы. Математика ғылымдар мен инженерия сериялары, Academic Press, Лондон, 266 бет, 168 том. (ISBN-0-12-327680-2) 1983. .Сондай-ақ Russian MIR Press (КСРО) баспасында жарияланған, 375 бет .1987.
7. Дж.Дж. Харрис және Дж.Ф. Майлз. Сызықтық жүйелердің тұрақтылығы. Academic Press, Лондон, 236 бет. Математика ғылымдағы және инженериядағы серия, 153 том (ISBN-0-12-328250-0) .1980.
Марапаттар
Харрис сайланды Корольдік инженерлік академиясы Ол автономды жүйелердегі жұмысы үшін 1998 жылы IEE Senior Achievement медалімен және IEE (IET) жоғары наградасымен марапатталды. Фарадей медалі, 2001 жылы интеллектуалды басқару және нейрофузия жүйесіндегі жұмысы үшін.
Әдебиеттер тізімі
3. М Браун және Дж.Дж. Харрис «Нейрофузиялық адаптивті модельдеу және басқару». Prentice Hall, Hemel Hempstead, (ISBN-0-13-134453-6) 380бет.1994.
4. M Brown, C J Harris және P C парктері. «Екілік CMAC интерполяциясының мүмкіндіктері». Нейрондық желі журналы. Том. 6. 429-440 беттер. 1993 ж.
5. PE An және CJ Harris. «Көліктердің соқтығысуын болдырмайтын драйверді ескертудің интеллектуалды жүйесі». IEEE Transaction Systems Man. & Кибернетика. 26 том (2). 254-261 бет. 1996 ж.
6. ND Matthews, PE An, D Charnley және CJ Harris. «Сұр масштабтағы суреттерде көлікті анықтау және тану. «Журналды бақылау инженерлік практикасы. (IFAC). Том. 4 (4). Сәуір 1996 ж
7. Хонг, С Дж. Харрис, С Чен: «Регуляризация мен D-оңтайлылықпен үйлескен субмеңістіктегі ыдырауды қолдана отырып, сенімді нейро-бұлыңғыр ережелер туралы білімді алу және бағалау», IEEE Transaction on System, Man, and Cybernetics, B бөлімі, т. 34, No1, б.598-608. 2004. 8. S Chen, X Hong, B L Luk, CJ Харрис: «Ортогональды-аз квадраттардың регрессиясы: деректерді модельдеудің бірыңғай тәсілі», Neurocomputing Journal, Vol.72 (10-12) .б.2670-2681.2009.
9. С Чен, Х Хонг және Дж.Дж. Харрис. «Біріктірілген жергілікті ортогоналды ең кіші квадраттар мен D-оңтайлылық бойынша эксперименттік дизайнды қолдана отырып, ядролардың сирек регрессиялық модельдеуі», IEEE Transaction on Automatic Control Vol. 48, No 6. 1029-1036 беттер. Маусым 2003.
10. S Chen, X Hong, CJ Harris, PM Sharkey: «Ортогональды алға регрессияны қолданып, сирек модельдеу, PRESS статистикасы мен регуляризациясы», IEEE жүйелер, адам және кибернетика бойынша транзакциялар, В бөлімі, том. 34, No2, с.898-911 .2004.
11. Чен, С., Ванг, X. X. және Харрис, Дж. «Сигналды өңдеу қосымшаларында оңтайландыруды іздеудің қайталанған салмақты күшейту тәжірибелері.» Жүйелер, адам және кибернетика бойынша IEEE транзакциялары, Б бөлім 35 (4) 682-693.2005 б.
12. Хонг, X., Чен, С. және Харрис, Дж.Ж. «Деректердің теңгерімсіз жиынтығы үшін ядроларға негізделген екі кластық классификатор». IEEE транзакциялары нейрондық желілерде, 18 (1), 28-41 бб.
13. (J135). С Чен, Дж Дж Харрис, Х Хонг және Б.Л. Лук, «Бөлшектер тобын оңтайландырудың радиалды негіз функциясының моделін қолдана отырып, сызықтық емес жүйені идентификациялау.» Int. Журнал .Био-шабытты есептеу.Тол 1.No.4.пп 246 -258.2009.
14. PS Хуанг, Дж.Дж. Харрис және MS Никсон. «Параметрлік канондық кеңістік арқылы жүруді тану». Инженерлік ғылымдар журналы 13-том. 359-366 бет. 1999 ж.
15. Q Ган және Дж.Дж. Харрис. «Кальман сүзгісіне негізделген мульти датчикті біріктірудің екі өлшеу әдісін салыстыру». IEEE Transaction Aerospace & Electronics Systems. Т.37, № 1.бб 273 -279. 2001 ж.
16. Дж.Б. Гао және Дж.Дж. Харрис. «Көп сенсорлы синтезге арналған Кальман сүзгілері туралы кейбір ескертулер». Ақпараттық Фьюжн журналы, 3-том (No3) б.191-201, қыркүйек, 2002 ж.
17. Q Ган және CJ Харрис. «Сызықтық емес модельдеуде локальды локализация және жергілікті функцияны кеңейту». IEEE Transaction Systems Man және кибернетика. Том. 29 ұпай B. № 3. 559-565 бб. Маусым 1999. IFAC сыйлығы.
18. Р.С. Дойл және Дж.Дж. Харрис. «Нейрофизиялық бағалау алгоритмдерін қолдана отырып, тікұшақты басқаруға арналған көп датчикті біріктіру». Royal Aeronautical Society журналы. 241-151 беттер. Маусым / Шілде 1996. (Корольдік аэронавтикалық қоғам Симмс сыйлығы үздік мақала үшін, 1997 ж.)
19. Дж.Дж. Харрис және X. Хонг. «Кеме кедергілерінен аулақ болу үшін интеллектуалды басшылық пен басқару жүйесі». Proc Inst. Мех. Энгрс. I. бөлім. J. Жүйелер және басқару .Тол. 213 311-320 бб. 1999. (Дональд Джулиус Гроен сыйлығы, Inst.Mec.Engr. жылдық қағаз сыйлығы, 1999). 20. (J110). С Чен, Хонг Хон, Дж.Дж. Харрис: «Органальды алға регрессияны қолдана отырып, ядролардың тығыздығының тығыздығы, бір реттік тестілеу нәтижесі және жергілікті жүйелену», IEEE Transmissions on Systems, Man and Cybernetics, B Part, Vol 34, №4, pp1708-1717 2004. 21. CJ Harris, CG Moore and M Brown. «Интеллектуалды басқару: бұлыңғыр логика және жүйке желісінің аспектілері». World Scientific Press, Сингапур. 380 бет. (ISBN-981-0201042) .1993 ж.
22. SS Ge, TH Lee және CJ Harris. «Роботты манипуляторлардың адаптивті нейрондық желісін басқару» .World Scientific Press Singapore, (ISBN-981023452X) .381.беттер.1998.
23. Тонг Лю, Шенг Чен, Шан Лян, мүше, IEEE, Шаодзюнь Ган және Крис Дж. Харрис, «Жылдам бейімделетін градиентті RBF желілері демонстрацияланған уақыт серияларын онлайн үйрену» .IEEE транзакциялары сигналдарды өңдеу бойынша (2020 жылы жариялануы керек) .