基于递推正交最小二乘的RBF网络结构优化

讨论了次胜者受罚的竞争学习规则 ,提出了基于正交最小二乘 ( OLS)递推算法 ,采用改进的 Givens旋转变换技术避免了大型矩阵的 QR分解运算。在满足系统测量精度条件下 ,使用反向优选算法优化 RBF网络结构。仿真结果表明 ,所得算法能有效地解决网络学习隐层单元的确定需要人介入的问题 ,适用于非线性系统的建模     

OFDM系统多小区联合资源分配算法

提出了一种正交频分复用(OFDM)系统多小区间联合的自适应资源分配算法。为了降低系统复杂度,子信道分配和功率分配在不同的层次上分步执行,在小区内部采用改进的Max C/I算法进行动态子信道分配,并以此为基础利用禁忌搜索算法(TS)寻求多小区同频子信道发送功率的最优分配解。性能分析和仿真结果表明,与已有算法相比,该算法能够在满足用户的最小速率要求下充分利用无线频谱资源,提高系统吞吐量。     

非线性系统的复合正交神经网络自适应控制

提出非线性系统的复合正交神经网络自适应控制方法.在非线性系统控制中,这种网络自适应控制不需要辨识系统模型与Jacobian矩阵信息,网络学习算法与被控对象模型无关.仿真结果表明,复合正交神经网络实现的非线性系统控制具有较强的自适应控制能力,证明了控制系统具有良好的跟踪控制性能,为解决非线性系统的控制问题提供了一种方法.     

软件定义网络中基于队列管理的优化流量自适应调度算法

针对当前突发大数据流在单路径调度中产生的链路拥塞问题,为了减少网络链路拥塞、提高网络性能,提出了一种基于队列管理的媒体优化流量自适应调度算法。首先,制定多策略调度策略,对于用于数据平面上的流列队使用特定选择策略的固定优先级调度,通过软件定义网络(SDN)传输媒体优化流量。然后对不同调度策略和条件下SDN中资源管理的有效性进行了全面分析,通过对单个应用资源分配问题和全网应用资源分配问题的迭代求解,得出优化问题的近似最优解。最后与传统的MPLSTE和ECMP算法进行性能对比和分析。结果表明:提出的自适应调度算法本文方法比MPLSTE和ECMP算法能够多转发约9%的流量,在平均链路利用率和平均传输时延几项性能指标上,均优于对比算法。     

动态分群的微粒群优化算法

在分析基本微粒群优化算法的基础上,引进分群思想,提出了一种动态分群的微粒群优化算法(DPSO)。根据适应值的大小将微粒群分成两个或多个分群,然后,每个分群采用不同的策略分别搜索,得到输出最优值。将动态分群的微粒群优化算法用于一些常用测试函数的优化问题,实例计算表明:DPSO具有较强的全局寻优能力。将DPSO用于延迟焦化装置粗汽油干点软测量,所建模型的泛化性较好,模型具有较高的精度。     

一种改进的非线性卫星信道自适应补偿方法

提出一种用于非线性带限卫星信道自适应补偿的改进算法,并给出了实现该算法的结构。计算机模拟结果表明,改进算法具有一定优越性。     

回声状态网络在变风量空调内模控制中的应用

回声状态网络储备池完全随机生成,数据预测时其参数的设置缺乏合理性,因此将果蝇优化算法应用于回声状态网络储备池参数的优化中,通过果蝇优化算法的自适应参数寻优提高回声状态网络的数据预测能力。变风量空调系统是一个多变量、强耦合和非线性的系统,为了实现变风量空调系统的智能控制,从而优化生产工艺,构建了基于果蝇优化的回声状态网络内模控制系统的正模型和逆模型。仿真实验结果表明:所提出的内模控制系统具有良好的跟踪性和抗干扰性。     

城市快速路最优交通控制

应用非线性最优控制方法,对含有多起点多讫点的快速路进行了建模.使用二阶宏观交通流模型,其通过路径诱导的可变信息标志来实现.控制过程是动态、非线性及离散的最优控制过程并提出了改进梯度算法.仿真实例论证所提方法有效.     

基于非线性偏最小二乘的操作臂逆解算法

操作臂逆运动学问题是机器人控制中的一项重要内容。目前使用较多的神经网络法大多为多输入多输出或者 多输入单输出方式,需要大量运算。非线性偏最小二乘法( NLPLS)建立的模型分为内部和外部模型,样本数据经外部模 型处理后才用于训练若干个单输入单输出的神经网络。对PUMA560操作臂的仿真试验表明,在相同隐层神经元数的情 况下,该算法比普通神经网络法具有更好的预测精度。这也表明,NLPLS只需较少的隐层神经元数就可以达到普通方法 的精度,从而减少运算量。     

基于贝叶斯网络的操作风险建模

操作风险是指由不完善的或有问题的内部程序、人员及系统或外部事件所造成损失的风险。由于操纵风险具有构成更复杂、涉及诸多复杂因素、难以结构化、缺少历史数据等特点,因此难于建模与度量。贝叶斯网络是基于贝叶斯决策理论的因果建模技术。它能够用于建立操作风险度量系统并作为操作风险度量的基础。本文首先回顾了操作风险的相关内容。接下来介绍贝叶斯网络的概念、特点,以及贝叶斯网络模型的数学描述。通过实例演示了贝叶斯网络在银行操作风险方面的建模与应用。最后给出了一个操作风险管理的贝叶斯网络模型的框架。     

基于改进克隆选择算法的最小二乘支持向量机

针对最小二乘支持向量机的参数选取问题,引入了克隆选择算法,提出了一种基于改进克隆选择算法的最小二乘支持向量机。同时根据最小二乘支持向量机的学习能力和泛化能力,在克隆选择算法的目标函数中加入两者的动态调节机制,这样改进的克隆选择算法在寻优过程中能够准确、快速地搜索到最小二乘支持向量机的最优参数。将本文模型用于乙烯裂解炉裂解深度值的学习和预测,经仿真实验表明:该预测模型的训练速度快,预测精度高。     

基于多层神经网络的非线性系统预测

针对一类非线性动态系统,提出了一种新的基于多层神经网络的自适应预测器,并对基于神经网络的预测机理进行了分析。该预测器由两个同构的多层神经网络实现,其中一个称为学习网络(LN),另一个称为预测网络(PN)。彷真结果表明,速种基于多层神经网络的预测嚣对于恒定参数的非线性系统是有效的,从而为解决非线性系统预测问题提供了一条可行的途径。     

旋转机械故障诊断模型的泛化性能研究与改进

泛化能力是机器学习的重要评价指标，由于现实中的工业应用中外部环境十分复杂，在旋转机械工作时，其负载是不断变化的。如何使用一种负载下训练好的网络模型对另一种负载的数据集进行故障诊断是目前众多学者的研究重点。针对网络模型训练与测试时的数据特征分布不同来进行网络泛化性能的改进研究，通过改进网络模型的首层卷积核尺寸与随机失活来加强网络特征提取能力，采用AdaBN优化算法使得网络模型在训练与测试时的参数进行调整，提高网络的泛化能力。     

在线考试系统的自适应参数设计

针对现行网络考试系统的不足,研究设计了一种自适应参数的通用标准试题库系统,并对自适应参数给出了具体的算法和实现方案.系统可以将难度系数等参数动态自适应调整,再运用信息推送技术有针对性的将此信息反馈在组卷中,对科学评估教学水平有重要意义.     

应用Elman网络优化非线性模拟电路测试激励

非线性模拟电路瞬态测试激励信号的参数对电路故障识别率影响很大,在搜索最佳激励信号的过程中,需建立非线性模拟电路的系统模型。Elman网络是一种递归神经网络,能逼近任意动态非线性系统。该文用一种改进的Elman网络建立故障电路和非故障电路的系统模型,用遗传算法搜索最佳瞬态测试激励信号参数,仿真实验结果表明经过该方法优化后的激励信号能大大提高非线性模拟电路的故障识别率。     

多刚体大惯量非线性系统试验与在环仿真

为研究多刚体多自由度质量矩系统的动态特性,建立了大惯量非线性硬件在环仿真系统的数学模型和实物样机,研究了变参数PID改进算法。该试验系统用于多自由度质量矩平衡系统的动态响应分析、控制算法研究和复杂系统的解耦控制。试验结果表明:在±10°的干扰下该系统能够保持动态平衡,具有仿真效果符合实际工况、算法可行和有效的特点。     

一种非线性系统的传感器故障隔离方法

将基于参数区间的故障隔离方法推广到非线性系统传感器故障的隔离,首先给出非线性系统模型并对传感器故障进行定义,然后给出了非线性系统传感器故障隔离算法,最后在在单连杆机械手模型上进行仿真实验,结果验证了该方法用于非线性系统传感器故障隔离的有效性。     

一种新的鲁棒自适应模糊控制器的设计及性能分析

针对一类连续时间非线性动态系统，根据李亚普诺夫分析方法设计了一种鲁棒自适应模糊控制器．这种自适应系统在受到有界的外部干扰或存在建模误差时具有鲁棒性．证明了控制算法是全局稳定的，跟踪误差可以收敛到零的一个邻域内     

分布式实时系统的自适应资源管理中间件

提出了一种基于实时CORBA的自适应资源管理中间件服务及基于最优收益的QoS自适应机制,向开发人员提供了一套面向实时任务的QoS编程接口,并通过资源自感知和QoS自适应使应用级资源分配独立于底层平台。自适应资源管理中间件降低了分布式实时系统中应用程序开发成本和复杂度,并使系统在不确定环境下能动态优化资源分配以适应外界变化。     

阴极射线管色度转换的神经网络模型

利用神经网络技术实现了从阴极射线管(CRT)的R、G和B空间到CIE的标准色度空间的转换.用拟牛顿法训练网络模型,建立了从CRT的R、G和B到CIE的X、Y和Z色度空间变换的3 10 10 3神经网络模型.采用7点LOG空间分布方案的343个训练样本建模的试验表明,收敛性与训练时间及模型精度均优于前人采用3~4个隐层的方案,343个训练样本、216个检验样本和64组测试样本的平均转换精度分别为0.6个CIELUV色差单位,说明该模型的泛化能力很好.