缓解异构MPSoC电迁移效应的任务调度算法EI北大核心CSCD

随着集成电路制造工艺进入到纳米时代,日益严重的电路老化给多处理器片上系统(MPSo C)可靠度带来严峻挑战.针对在性能异构MPSo C中,已有的可靠度优化方法没有考虑处理器之间的可靠度差异的问题,提出一种减小处理器可靠度差异的任务调度算法.该算法结合电迁移效应下单个处理器的平均无故障时间模型分析了制约单个处理器可靠度的因素,得出性能异构MPSo C中处理器可靠度差异模型;基于此差异模型,提出一种交叉分配任务调度算法——cross,减小了处理器间可靠度差异,达到整体优化可靠度的目的.实验结果表明,与已有的均衡受压任务调度算法相比,cross任务调度算法下异构MPSo C中处理器的平均无故障时间变异系数降低了3.71%.     

缓解异构MPSoC电迁移效应的任务调度算法

随着集成电路制造工艺进入到纳米时代,日益严重的电路老化给多处理器片上系统(MPSo C)可靠度带来严峻挑战.针对在性能异构MPSo C中,已有的可靠度优化方法没有考虑处理器之间的可靠度差异的问题,提出一种减小处理器可靠度差异的任务调度算法.该算法结合电迁移效应下单个处理器的平均无故障时间模型分析了制约单个处理器可靠度的因素,得出性能异构MPSo C中处理器可靠度差异模型;基于此差异模型,提出一种交叉分配任务调度算法——cross,减小了处理器间可靠度差异,达到整体优化可靠度的目的.实验结果表明,与已有的均衡受压任务调度算法相比,cross任务调度算法下异构MPSo C中处理器的平均无故障时间变异系数降低了3.71%.     

ANFIS在电力系统日平均负荷率预测中的应用

运用自适应神经网络模糊推理系统理论,建立日平均负荷率模型,并与常用的一些建模方法所建模型进行了比较。结果表明,应用自适应神经网络建模方法简单可靠,精度极高。     

改进型BP神经网络MRAS控制系统

在常规BP神经网络模型参考自适应控制器基础上采用改进型BP神经网络作为辨识器和控制器,组成新的模型参考神经网络自适应控制系统,利用改进型BP神经网络的优点弥补传统自适应方法的不足,使系统具有更强的鲁棒性,收敛更快,逼近精度更高的优点。仿真结果表明,该系统比传统BP神经网络模型参考自适应系统具有更好的稳定性和更快的响应速度。     

BP神经网络模型预测控制算法的仿真研究

为克服被控对象参数变化导致控制精度降低的问题,研究了一种BP神经网络模型预测控制算法。借助最小二乘递推算法在线预测系统模型参数,利用BP神经网络在线预测PID参数以控制被控对象。该算法基于模型预测,首先在线性系统中验证其控制效果,然后将非线性问题作线性处理,采用BP神经网络模型预测PID控制器予以实现控制非线性系统。仿真曲线显示BP神经网络PID控制器用于线性系统可达到高精度控制要求;对于非线性系统有自适应及逼近任意函数的能力。仿真研究表明,该算法与传统BP神经网络PID控制器相比,其自适应能力更强,稳定性更好,控制精度更高。     

基于BP神经网络和模糊推理系统的短时交通流预测

本文研究短时交通流预测。短时交通流预测是智能交通系统研究和实践的必要基础。本文提出和建立了一个短时交通流量预测模型,该模型利用一个基于规则的模糊系统,非线性地组合BP 神经网络模型和自适应卡尔曼滤波模型的交通流量预测结果,使得短时交通流量的预测结果更加准确可靠。该模型将传统方法和人工智能方法有机结合,一方面,利用人工神经网络强大的动态非线性映射能力,从而提高预测精度;另一方面,充分发挥卡尔曼滤波的静态线性稳定性,解决了单独使用BP神经网络进行预测时识别率不理想和可信度不高的问题。实验结果表明,本文提出的短时交通流预测模型具有较高的准确度和可靠度。     

基于神经网络模型参考自适应的智能控制优化算法

提出了基于神经网络模型参考自适应的智能控制优化算法。该算法结合了神经网络模型参考自适应、智能控制系统优化算法和填充函数法。该算法在搜索过程中不容易陷入局部最优点,而且得到的全局最优值更加精确。     

基于逆向思维的系统可靠性精确分配模型

为了实现系统可靠性设计后期可靠度的精确分配,提出一种采用逆向思维,利用神经网络能够通过学习逼近任意非线性映射的能力,对系统可靠度进行精确分配的方法.以前期可靠性试验数据为基础,分析各子系统可靠度及自身约束条件变化过程中,系统可靠度的变化程度,从而获得子系统可靠度变化对系统整体可靠性影响的程度,作为可靠性分配的依据.将系统可靠度及两两对应子系统自身约束条件作为输入,同时以相对的子系统可靠度比值作为输出,对误差反向传播(BP)神经网络和径向基函数(RBF)神经网络进行训练,并对比较了测试结果,得出了系统可靠度精确分配的神经网络模型.     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.     

基于模型跟随的神经网络PID飞行控制律设计

为了抑制飞行控制系统的外部扰动和建模误差,应用模型跟随自适应神经网络PID控制方法,进行飞行控制律设计。首先使用RBF神经网络进行飞行系统模型辨识,在线学习系统正向输入输出特性,辨识对象的Jacobian信息;然后应用BP神经网络实时在线调整PID参数,设计自适应神经网络PID控制器,控制飞行状态变量跟随模型输出;最后以F-8飞机纵向飞行控制系统为研究对象进行控制仿真。仿真结果表明,设计的控制器具有很强的自适应和抗干扰能力。     

基于AGA-LVQ神经网络的软件可靠性预测模型研究

针对当前大多数软件可靠性预测模型预测准确率不高等问题,利用LVQ神经网络的非线性运算能力和自适应遗传算法(AGA)的参数寻优能力,提出了一种基于AGA-LVQ的软件可靠性预测模型。首先对待预测的数据用主成分分析(PCA)等方法进行预处理以降低维度,去除冗余和错误数据,然后根据自适应遗传算法来计算最优的LVQ神经网络初始权值向量,最后运用LVQ神经网络进行软件可靠性预测实验。通过与传统方法的对比,证明该方法具有较高的预测准确率。     

MATLAB下的电火花线切割机床可靠性软件开发

以MATLAB为编程语言和开发平台,开发了一个应用于电火花线切割机床可靠性研究的软件。该软件包括系统结构建立、可靠性数据扩充、传统方法计算系统可靠度、基于模糊理论的系统可靠性预计、分配以及基于神经网络的系统可靠性预计分配等10部分子功能模块。通过实际应用表明,该软件能够很好地完成电火花线切割机床在不同需求下的可靠性研究工作。     

改进神经网络模型对通信网可靠性的预测

首先利用一种改进后的粒子群算法对BP神经网络权值的选取进行优化,然后以LAN/WLAN集成网络为背景,用三种方法（BP神经网络、改进PSO算法优化后的BP神经网络、SVM）建立了LAN/WLAN集成网络可靠性的预测模型,最后通过实验比较,证明了改进后的神经网络模型预测通信网的可靠性、有效性和优越性。     

An adaptive neuro-fuzzy inference system (ANFIS) model for wire-EDM

A wire electrical discharge machined (WEDM) surface is characterized by its roughness and metallographic properties. Surface roughness and white layer thickness (WLT) are the main indicators of quality of a component for WEDM. In this paper an adaptive neuro-fuzzy inference system (ANFIS) model has been developed for the prediction of the white layer thickness (WLT) and the average surface roughness achieved as a function of the process parameters. Pulse duration, open circuit voltage, dielectric flushing pressure and wire feed rate were taken as model’s input features. The model combined modeling function of fuzzy inference with the learning ability of artificial neural network; and a set of rules has been generated directly from the experimental data. The model’s predictions were compared with experimental results for verifying the approach.     

基于灰色Elman神经网络软件可靠性预测模型

针对当前软件可靠性预测模型在随机性和动态性较强的可靠性现场数据中存在预测精度波动比较大、适应性比较差的问题,提出一种基于灰色Elman神经网络的软件可靠性预测模型。首先使用灰色GM（1,1）模型对失效数据进行预测,弱化其随机性;然后采用Elman神经网络对GM（1,1）的预测残差进行建模预测,捕捉其动态性变化规律;最后将GM（1,1）预测值和Elman神经网络残差预测值相结合得到最终的预测结果。使用航班查询系统的现场失效数据集进行了模型仿真实验,并将灰色Elman神经网络预测模型与反向传播（BP）神经网络、Elman神经网络预测模型进行比较,其对应的均方误差（MSE）和平均相对误差（MRE）分别为105.1、270.9、207.5和0.0011、0.0021、0.0016,并且灰色Elman神经网络预测模型的误差均为最小值。实验结果表明该模型具有较好的预测精度。     

基于连续型深度置信神经网络的软件可靠性预测

为了提高软件可靠性智能预测的精度,采用连续型深度置信神经网络算法用于软件可靠性预测。首先提取影响软件可靠性的核心要素样本,并获取样本要素的关键特征;然后建立连续型深度置信神经网络(Deep Belief Network,DBN)的软件可靠性预测模型,输入待预测样本,通过多个受限波尔兹曼机(Restricted Boltzmann Machine,RBM)层的预处理训练,以及多次反向微调迭代获取DBN权重等参数,直到达到最大RBM层数和最大反向微调迭代次数;最后获得稳定的软件可靠性预测模型。实验结果证明,通过合理设置DBN隐藏层节点数和学习速率,可以获得良好的软件可靠性预测准确率和标准差。与常用的软件可靠性预测算法相比,所提算法的预测准确度高且标准差小,在软件可靠性预测方面的适用度较高。     

级联网络的软件可靠性预测

研究软件可靠性准确预测问题,软件存在动态失效性,且引起软件运行失效的原因具有随机性,不同可靠性模型预测相同软件得到的结果不一致,通用性比较差,导致预测精度低。为了提高软件可靠性预测精度,提出一种级联网络的软件可靠性预测模型。采用4种经典软件可靠性模型的输出作为BP神经网络模型的输入,利用各种单一预测模型的优点,建立一种新的级联软件可靠性模型。仿真结果表明,级联网络模型具有更高的预测精度和通用性,验证了级联网络预测模型对软件可靠性预测的有效性和良好的应用前景。     

基于小波神经网络的上市公司财务危机预测①

提出了基于小波神经网络的上市公司财务危机预测模型,分析了公司财务指标的选取方法。小波神经网络的训练采用自适应调整学习率及动量系数的方法,以避免陷入局部极小值。与多元统计方法、Logit及Probit模型进行比较,结果表明,该方法预测精度高,第一类错误及第二类错误显著减小。     

改进PSO优化神经网络的短时交通流预测

在短时交通流预测中,传统PSO优化神经网络预测模型对逃逸粒子直接取边界值且自身无相应的变异机制,这对于维持粒子群多样性、寻找最优解是不利的。为更进一步提高短时交通流预测精度,将在传统PSO优化BP神经网络的基础上,引入边界变异算子、自变异算子对粒子进行双重变异以优化网络配置参数。用实测的北京二环交通流数据对改进的预测模型进行验证,结果表明该模型更有利于搜寻全局最优解,且寻优时间更短,能有效改善短时交通流预测性能。     

基于学习向量量化神经网络的软件可靠性预测

针对传统的软件可靠性预测模型在实际应用中存在预测泛化性能不佳等问题,提出一种基于学习向量量化（LVQ）神经网络的软件可靠性预测模型。首先分析了LVQ神经网络的结构特点以及它与软件可靠性预测的联系,然后运用该网络来进行软件可靠性的预测,并基于美国国家航空航天局（NASA）软件数据项目中的实例数据集,运用Matlab工具进行了仿真实验。通过与传统预测方法的对比,证明该方法具有可行性和较高的预测泛化性能。