混沌时间序列的遗传演化建模

从实测时间序列中构造混沌系统的模型是非线性时间序列分析中的一个重要议题,本文利用遗传编程方法(GP),在尽可能大的函数空间内搜索合适的模型结构,并引入粒子群算法(PSO)在动态模型结构情况下进行非线性参数估计,取得了较好效果.此外,演化建模的实现结合了非线性时间序列分析(NTSA)的结果,以NTSA的结果指导演化建模参数的选取并作为模型优劣的评判标准,改进了经典GP算法对混沌系统建模的应用效果.     

改进型并行双非线性模型的ROF 系统非线性建模

包含光载无线通信(ROF)链路和射频功放的ROF 前传系统存在严重的静态非线性和记忆效应,提出了改进型并行双非线性广义记忆效应模型(APTGMEM),以准确建模ROF 前传系统的强静态非线性和记忆效应。所提出的APTGMEM 包含无记忆和广义记忆效应两个独立部分,其中无记忆部分只考虑高阶静态非线性,广义记忆效应部分只考虑低阶次超前广义非线性。文中采用带宽为20 MHz 的4G LTE(Long Term Evolution 长期演进)信号为测试信号,光模块和峰值输出功率为51dBm 的Doherty 功放被用于模型有效性验证。测试结果表明,APTGMEM 相比广义记忆多项式模型(GMPM),模型系数减少40%,而建模精度相似,同时比并行双非线性两厢模型(PDNTBM)建模精度提高了3. 6 dB,其在建模精度、系数数量和训练复杂度上取得了良好折中。     

云过程神经网络模型及算法研究

该文针对输入输出具有不确定性特征并与时间或过程有关的复杂非线性系统建模和求解问题,利用过程神经网络对时变信号的动态处理能力,结合云模型对定性定量概念的转化能力,构建了一种具有不确定性信息处理能力的云过程神经网络模型,并采用猫群优化算法同时对网络结构和参数进行并行优化设计,提高了网络逼近及泛化能力,实现了神经网络在时间域和不确定信息处理领域上的有效扩展。仿真实验结果验证了模型和算法的可行性和有效性。     

基于随机微分方程模型的股票预测

金融时间序列是复杂的动态系统,是非线性、混沌和时变的[1],影响金融市场的因素众多,它们之间的相互作用复杂多变。为了更合理的解释经济运行的规律,本文提出了随机微分方程模型,该模型利用进化算法拟合时间序列数据,在常微分方程基础上加入随机项,模拟系统的运作。     

基于随机演化博弈模型的网络防御策略选取方法

针对攻防博弈系统中存在攻防策略集和系统运行环境改变等各类随机干扰因素的问题,传统确定性博弈模型无法准确描述攻防博弈过程.利用非线性Itó随机微分方程构建随机演化博弈模型,用于分析攻防随机动态演化过程.通过求解,并根据随机微分方程稳定性判别定理对攻防双方的策略选取状态进行稳定性分析,设计出基于随机攻防演化博弈模型的安全防御策略选取算法.最后,通过仿真验证了不同强度的随机干扰对攻防决策演化速率的影响,且干扰强度越大,防御者更倾向于选择强防御策略,攻击者更倾向于选择强攻击策略.本文模型和方法能够用于网络攻击行为预测和安全防御决策.     

电大不均匀腔体的并行高阶合元极分析

针对电大深腔目标散射问题的高阶合元极算法的瓶颈[1],提出并实现了一种并行方案。通过计算各种复杂电大深腔散射问题,其中包括带有发动机且涂层的飞机进气道模型,含有不均匀段结构的腔体,以及口径电尺度为15λ×15λ、深度达100λ的电大深腔,充分展示了并行高阶合元极算法的计算能力。数值实验证实了此并行方案具有较高的并行效率。     

动态非线性广义分裂法

文中提出了解非线性刚性常微分方程组用的一个改进的 PBD 算法和两类多元耦合动态元件的离散化-线性化电路模型。并据此把非线性广义分裂法[见附录 B]推广成分析大规模动态非线性网络用的动态非线性广义分裂法。在伴随的算法中,可以自动变阶和变步长。     

具有Hammerstein模型特征的非线性远程预报辨识

为提高内河船舶远程通信预警功能的精度和可靠性,提出了具有非线性预测控制模型特征的远程复杂目标预报辨识算法。通过将远程复杂目标的辨识分解为一个静态非线性环节和动态线性环节的串联,利用稳态信息获取稳态模型的一致性估计,并通过动态模型获得非线性静态环节的增益,再利用奇异值分解法和动态信息辨识获取非线性系统未知参数的估计。仿真结果验证了该方法的有效性。     

基于动态模型库的多模自适应预测控制

针对非线性复杂系统,提出了一种基于动态模型库的多模自适应预测控制方法.采用最小二乘支持向量机对非线性系统进行建模,对此模型进行线性化,并将此线性化模型加入到固定模型库中,对固定模型库进行动态更新;通过一定的选择机制,从固定模型库中选择出与当前时刻系统工作点较接近的部分模型构成一个动态模型库,并基于此动态模型库重构相应的控制器.仿真结果证明了该方法的有效性.     

基于BP算法的多层前馈网络在质差建模中的应用

BP神经网络算法可以以任意精度逼近任何非线性函数,且具有并行分布存储、高度鲁棒性与容错能力,适合解决受多重因素交叉影响的复杂的非线性问题。主要提出了一种基于BP神经网络的预测方法,并详细阐述神经算法的基本原理、建模方法以及其在质差预测中的应用。