单神经元预测控制器在大时滞对象控制中的仿真研究

本文提出了一种单神经元预测控制器,该控制器利用增益自调整的优点,较好地解决了控制系统响应的快速性和鲁棒性的问题,并且能较好地克服过程大时滞的不利影响。本文给出了该控制器的算法,并和常规PID控制器等进行了仿真比较,取得了较好的效果。     

时变大时滞系统参数辨识的仿真研究

研究了时变大时滞系统的参数辨识问题.大时滞系统大多采用补偿控制方法,但是补偿控制方法需要系统的精确数学模型,因而获得大时滞系统的数学模型成为了补偿控制的关键,时变特性使问题复杂化,从而影响了大时滞系统的控制精度.为解决上述问题,提出了一种神经网络的参数辨识策略,利用一个神经元对系统的时滞参数进行辨识,从而可以将时滞从系统模型中分离出来,可利用一个RBF神经网络模型辨识系统的其它参数,使神经元的输出作为RBF神经网络的一个输入,从而实现了串-并联结构的双神经网络拓扑.拓扑结构可以比串级的神经网络提高训练速度,因而也就更适合于实时控制.针对工业锅炉回水温度控制系统的仿真结果验证了所提辨识算法的正确性.     

复杂大时滞系统的单神经元PSD控制

针对基于参数模型的普通PID控制对模型精确性要求较高,只能有效控制一般纯滞后对象,而不适用于复杂大时滞系统对象的控制.这里尝试对普通PID控制器添加单神经元自适应PSD算法,并加入专家经验对可调参数进行在线寻优、自校正.在Smartpro系统的ConMaker组态软件上编写了该控制器程序,并对二阶大时滞对象进行仿真实验.实验分析了单神经元PSD控制器参数对控制性能的影响,及与普通PID控制器作比较.结果表明此控制器对于二阶大时滞对象具有较强的自适应性和鲁棒性.     

内模解耦单神经元自适应PID仿真研究

为了解决多变量大时滞系统的耦合问题,根据内模控制原理和单神经元的在线自学习能力,提出一种基于模型的单神经元自适应PID内模解耦算法,并详细分析了其在多变量大时滞系统中的解耦原理.内模解耦是运用解耦预估补偿器将一个多输人多输出的系统补偿为多个单输入单输出的系统、并将对象模型进行对角优势化,补偿后的主对角元素即可作为内模控制的预估模型.仿真结果表明,这种新的内模解耦算法具有相当好的解耦能力、较好的快速性和抗干扰能力.     

大时滞网络自适应预测PI主动队列管理算法

针对网络中存在的大时滞和网络参数时变问题，提出一种自适应预测PI主动队列管理算法．将Smith预估器与达林算法相结合，既克服了大时滞带来的不利影响，也减少了控制器参数整定数量．利用网络参数与控制参数所具有的确定关系，通过在线估计网络参数来实时调节控制参数，使得控制器能够适应网络参数的变化，同时采用线性化方法分析了系统局部稳定性．仿真结果表明，所提出的算法是可行而有效的。     

基于单神经元自适应PSD算法的分布式智能灯光控制

针对已有灯光控制算法无法应对系统模型变化的问题,提出将单神经元自适应PSD（proportion sum differential）算法应用于分布式智能灯光控制。利用单神经元自适应PSD算法的自学习能力,控制器根据系统误差实时修改参数,并与无线传感器/执行器网络中的分簇机制相结合,形成了一套完整的自适应分布式智能灯光控制算法。并以基于无线传感器/执行器网络的灯光控制实验平台为被控对象,设计控制器并进行了仿真研究。仿真实验表明,当系统模型发生改变,与已有的分布式PID灯光控制算法相比,本文的控制算法具有更好的控制效果、鲁棒性更强。     

暖通空调控制系统Smith预估器自适应算法设计

针对暖通空调(HVAC)系统控制过程中存在的大时滞问题,研究在系统模型参数改变情况下克服时滞影响的方法.对于一阶带纯时滞的空调系统模型,利用信号相关理论和李亚普诺夫稳定理论,推导出了Smith预估器模型参数的自适应算法.本算法使Smith预估器可以在系统模型改变的情况下在线整定,从而实时更新参数.将此自适应Smith预估器应用于空调系统控制,可以避免在模型参数失配情况下引起的系统不稳定甚至振荡,解决了空调控制中大时滞对系统动态性能的影响,提高了稳定性.     

无线传感器网络汇聚节点拥塞控制方法

针对无线传感器网络中汇聚节点的拥塞,设计一种基于灰色预估神经网络控制队列的控制器.利用RBF神经网络的自学习能力解决网络实时变化时算法参数的在线整定问题,并利用灰色GM(1,1)预测器有效地解决了在汇聚节点易发的大时滞对网络性能的影响.仿真结果表明该算法具有较好的鲁棒性.     

基于混合遗传算法的时滞和参数的在线辨识

针对遗传算法应用于时变时滞和参数在线辨识时，存在无法兼顾收敛速度与辨识精度的缺点，提出一种遗传算法和单神经元有机结合的混合遗传算法。利用GA的全局最优性在整个空间搜索可能的极值，而用单神经元的误差梯度下降特性在极值点附近快速搜索，从而达到全局最优与快速搜索的有机结合，提高了收敛速度和辨识精度。并对混合遗传算法进行了改进，使之更适用于在线辨识。仿真结果表明，改进的混合遗传算法用于在线辨识有效且实用。     

基于Smith预估的模糊PID主动队列管理算法研究

为解决网络拥塞控制系统中由于网络大时滞对主动队列管理算法产生不利影响的问题,提出了一种基于Smith预估的模糊PID主动队列管理算法.该算法将Smith预估控制与模糊控制相结合,利用Smith预估器补偿网络时滞,同时运用模糊控制在一定程度上克服了传统Smith预估器对模型结构与参数的精确性过于敏感、鲁棒性差的缺点,使主动队列管理算法控制性能有明显提高.仿真实验结果表明,该算法在大时滞的网络环境下能很好地将路由器队列长度收敛于期望值,并能适应突发流和非弹性业务流的干扰,适用于动态变化的网络环境.     

Rough Neuron based on Pattern Space Partitioning

This paper proposes a novel method of combining Rough concepts with Neural Computation. The proposed New Rough Neuron consists of, one Lower Bound Neuron and another Boundary Neuron. The combination is designed in a way such that the Boundary Neuron deals only with the random and unpredictable part of the applied signal. This division results in an improved rate of error convergence in the back propagation of the neural network along with an improved parameter approximation during the network learning process. Some testing results have been presented, and performance compared with some of the prevalent designs.     

基于Spark的大规模网络结构发现算法

当今社会处于大数据时代,现实中的网络数据越来越多,其结构复杂、规模庞大,有效分析其结构对了解、应用其提供的信息具有重要作用。基于混合模型的网络结构发现算法可挖掘网络中的多类型聚类结构,但不能有效处理大规模网络。基于Graph X图计算模型,提出基于Spark的大规模网络的结构发现算法LNSES,从存储空间和运行时间两方面提升算法效率。为减少网络结构发现算法存储大规模网络邻接矩阵内存耗费量,LNSES算法将边、节点及节点静态属性值进行分布式存储,边分区记录节点连边,可作为索引进行节点间参数传递。为提高网络结构发现算法效率,边分区和节点分区进行拉链操作产生索引结构;更新参数时,节点根据索引找到边分区上对应的边,并行实现节点参数更新。在真实和人工大规模网络数据集上的实验结果表明:LNSES在运行时间和网络结构识别准确度方面都要优于同类网络结构发现算法,可以对大规模网络中的结构进行挖掘分析。     

A demand based route generation algorithm for public transit network design

This paper presents a public transit network route generation algorithm. The main contribution of this work is the introduction of new route generation algorithms. The proposed route generation algorithm is tested on Mandl׳s Swiss Road network and the four large networks presented in recent previous work. Three parameters are used to evaluate the route sets generated by the proposed algorithm. These are the zero transfer percentage, the average travel time, and the total route cost. The route sets generated for the large networks have better parameter values compared to recent previous work.     

Adaptive fuzzy inference neural network

An adaptive fuzzy inference neural network (AFINN) is proposed in this paper. It has self-construction ability, parameter estimation ability and rule extraction ability. The structure of AFINN is formed by the following four phases: (1) initial rule creation, (2) selection of important input elements, (3) identification of the network structure and (4) parameter estimation using LMS (least-mean square) algorithm. When the number of input dimension is large, the conventional fuzzy systems often cannot handle the task correctly because the degree of each rule becomes too small. AFINN solves such a problem by modification of the learning and inference algorithm.     

多业务CDMA网络参数优化模型与算法

在考虑覆盖率、软切换率、业务信道拥塞率和功率损耗等网络质量指标的基础上,建立多业务CDMA网络参数优化问题的数学模型.通过分析模型的特点,设计了一种基于约束优化遗传算法(COGA)的求解方法,并给出了算法实现的各种关键技术.对一个实际算例进行实验研究,仿真结果表明算法能够有效地配置各种网络参数,网络性能得到提升,优于实际DT(driver test)的优化效果,从而表明所建模型和算法能够为多业务CDMA网络参数优化问题提供快速的解决方案,有效地指导实际的网络管理工作.     

An interval-based congestion control algorithm under varying network conditions

A new IRED (interval random early detection) congestion control algorithm is proposed for network congestion avoidance and resource management. Different to the traditional AQM (active queue management) algorithms, the control parameters of IRED are not configured statically, and is setting as a parameter interval according to the changes of network environment. By the interval parameter design, the IRED alleviates the tuning difficulty of RED (random early detection) and shows a robust performance than RED under varying network conditions. It is proved that the stability and stability margin of the IRED control system can be guaranteed. A systematic design method for the configuration of parameter interval is proposed. Simulation studies show the proposed IRED algorithm achieves a robust control performance in varying network environment, which is superior to the RED and Gentle-RED algorithm.     

针对小样本数据集的鲁棒单隐层前馈网络建模方法

单隐层前馈神经网络是应用最广泛的智能建模模型之一,但该模型面对小样本集时传统的学习算法易陷入过拟合,尤其当数据集包含较大噪音时学习模型鲁棒性较差,对噪音很敏感.针对此不足,提出一种针对小样本数据集的鲁棒单隐层前馈神经网络学习算法.所提出的算法由于引入了ε-不敏感学习度量和结构风险项,能有效克服传统学习算法存在的缺陷,显示出较好的鲁棒性.在模拟和真实数据集上的实验亦证实了上述优点.     

基于内模控制的自适应主动队列管理算法

实际网络具有大时滞性和动态特性。针对大时滞特性,根据内模控制(IMC)和改进的TCP/AQM控制理论模型设计了一种适合于大延时网络环境的主动队列管理算法。而对于网络的动态特性,分析了网络参数的变化给算法带来的影响,并以此对算法参数进行在线修正,得到符合大时滞网络的自适应AQM算法。最后通过NS2仿真实验验证了设计的AQM算法的可靠性。     

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果（N阶模态参数集）进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。     

基于Siamese-YOLOv4的印刷品缺陷目标检测

在印刷工业生产中,针对直接使用YOLOv4网络进行印刷缺陷目标检测精度低、所需训练样本数量大的问题,提出了一种基于Siamese-YOLOv4的印刷品缺陷目标检测方法。首先,使用了一种图像分割和随机参数变化的策略对数据集进行增强;然后,在主干网络中增加了孪生相似性检测网络,并在相似性检测网络中引入Mish激活函数来计算出图像块的相似度,在此之后将相似度低于阈值的区域作为缺陷候选区域;最后,训练候选区域图像,从而实现缺陷目标的精确定位与分类。实验结果表明：Siamese-YOLOv4模型的检测精度优于主流的目标检测模型,在印刷缺陷数据集上,Siamese-YOLOv4网络对卫星墨滴缺陷的检测准确率为98.6%,对脏点缺陷的检测准确率为97.8%,对漏印缺陷的检测准确率为93.9%;检测的平均精度均值（mAP）达到了96.8%,相较于YOLOv4算法、Faster R-CNN算法、SSD算法、EfficientDet算法分别提高了6.5个百分点、6.4个百分点、14.9个百分点、10.6个百分点。所提Siamese-YOLOv4模型一方面在印刷品缺陷检测中有较低的误检率和漏检率,另一方面通过相似性检测网络计算图像块的相似度从而提高了检测的精度,表明所提缺陷检测方法可应用于印刷质检以提高印刷企业的缺陷检测水平。