现有的多视图无监督特征选择方法大多存在以下问题：样本的相似度矩阵、不同视图的权重矩阵和特征的权重矩阵往往是预先定义的，不能有效刻画数据间的真实结构以及反映不同视图和特征的重要性，进而导致不能选出有用的特征。为解决上述问题，首先，在多视图模糊C均值聚类的基础上进行视图权重和特征权重的自适应学习，以同时实现特征选择并保证聚类性能；然后，在拉普拉斯秩约束下自适应地学习样本的相似度矩阵，并构建一个基于自适应学习的多视图无监督特征选择（ALMUFS）方法；最后，设计一种交替迭代优化算法对目标函数进行求解，并在8个真实数据集上将所提方法与6种无监督特征选择基线方法进行比较。实验结果表明，ALMUFS的聚类精度和F-measure优于其他方法，与自适应协作相似性学习（ACSL）相比，平均提高8.99和11.87个百分点；与ASVM（Adaptive Similarity and View Weight）相比，平均提高11.09和13.21个百分点，验证了所提方法的可行性和有效性。
研究了具有随机通信时延的二阶多智能体系统的一致性控制问题.分别讨论了具有固定拓扑结构和变化拓扑结构两种情形下二阶多智能体系统在具有随机通信时延情况下的一致性问题.通过构造Lyapunov函数的方法得到多智能体系统的时延依赖稳定判据,并以线性矩阵不等式(LMI)的形式给出了系统稳定的条件.最后,仿真和实验结果验证了研究所得结论的正确性和有效性.
