1、智能计算与应用前沿探索

智能计算与应用前沿探索

1. 会议概况与意义

2017 年 11 月 18 - 19 日在中国广州举办了一场重要的国际研讨会。此次研讨会吸引了超过 180 份投稿,经过严格评审和查重后,分别有 51 篇和 50 篇高质量论文被收录。该系列研讨会是计算智能领域较早的国际会议之一,它融合了学习、适应、进化和模糊逻辑等元素,为人工智能提供了替代解决方案。

研讨会涵盖了进化计算分析与理论、神经网络架构与学习、神经动力学与神经工程、模糊逻辑与控制、集体智能与混合系统、深度学习、知识发现、学习与推理等多个领域的最新研究。它不仅为技术交流提供了平台,还促进了友谊的延续和新联系的建立。

以下是研讨会的部分组织架构成员:
| 职位 | 姓名 | 所属机构 |
| ---- | ---- | ---- |
| 荣誉主席 | Hisao Ishibuchi | 日本大阪府立大学 |
| 荣誉主席 | Qingfu Zhang | 中国香港城市大学 |
| 荣誉主席 | Yang Xiang | 澳大利亚迪肯大学 |
| 大会主席 | Kangshun Li | 中国华南农业大学 |
| 大会主席 | Zhangxing Chen | 加拿大卡尔加里大学 |
| 大会主席 | Yong Liu | 日本会津大学 |

mermaid 格式流程图展示会议投稿到收录流程:

graph LR
    A[投稿] --> B[严格评审]
    B --> C[查重]
    C --> D{是否通过}
    D
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模线性化处理,从而提升纳米级定位系统的精度动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计优化,适用于高精度自动化控制场景。文中还展示了相关实验验证仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模线性化提供一种结合深度学习现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值