多模馈电网络隔离器散射参数的分析与测量

应用不定散射参数分析了隔离器,给出了利用两端口矢量网络分析仪测量这种三端口网络散射参数的一种方法.通过网络的不定散射参数与混合模式散射参数之间相互转化的关系式,在测量不定散射参数的基础上用混合模式散射参数验证了测量数据的准确性,验证结果表明,该方法与理论分析的结果具有较好的一致性.     

基于混沌映射的纹理图象生成方法

在基于BP神经网络生成纹理图象方法^[1]的基础上，提出了一种基于Logistic映射和多层前向神经网络的纹理图象生成方法，该方法使用Logistic映射来调整多层前向神经网络的网络参数，即用Logistic映射产生一组混沌变量，这组混沌变量中的每一个数对应一个需要调整的神经网络参数，由于Logistic映射具有的混沌特性，使多层前向神经网络每次迭代都会产生一组不同的参数，从而克服了使用BP算法调整神经网络参数时容易收敛的缺点，这种基于混沌映射的方法既保留了基于BP神经网络生成纹理图象方法的优点，又对其进行了改进。该方法因不需要计算网络的误差，从而大大简化了计算过程，并且可以产生比使用原有方法更加丰富的纹理图象，仿真结果表明，使用这种改进后的方法比原有的方法更加简单有效。     

一种小波网络设计新方法

小波网络有许多优良性质，为了便于应用和推广，本文提出一种新颖的两步设计方法．首 先，用修正的GS方法与AIC相结合构造小波网络，目的是获得经济的网络结构和初始参数； 然后，采用结合GA的分层优化算法优化小波网络的两个内部参数——平移和伸缩参数，目 的是在不增加小波元的情况下获得更高的精度．最后，用于辨识非线性动态系统；仿 真结果证明了这种学习方法的可行性和有效性．     

下三角矩阵神经网络逻辑电路的设计

由于人工神经网络的卓越优点，为制造超高速，高可靠和可编程的数字集成电路提供了新途径，具有下三角形连接矩阵的Ｈｏｐｆｉｅｌｄ模型在同一输入下仅有唯一的平衡点。本文将讨论基于这种网络模型的组合逻辑电路的逻辑设计方法，以最小化神经元个数为目标的启发式优化算法及权电阻网络参数的计算方法。     

基于知识的阶层型神经网络结构及参数的一种确定方法

神经网络具有优秀的学习能力，但神经网络的权值及阈值却无法解释与理解，给进一步的应用带来了困难。国内外学者就这一问题进行了各种探讨，研究怎样从神经网络中抽取规则，但算法较复杂，规则的可理解性较差。从不同的视角出发，提出一种从知识的角度来考察阶层型神经网络的结构及参数的思路。利用从样本数据中获得的知识（模糊规则），来确定网络的大小，即中间层的结点数目，以及网络的参数，即网络的双重及结点的阈值。该方法的特点是不用精简网络的结构，也不用改变网络以往的BP学习算法。按照这种方法构造出的神经网络，即使不学习，其输出也会大致地跟踪样本，网络的学习时间将会缩短。与此同时，网络的参数，即权重及阈值的意义可以解释，为直接从神经网络中提取知识提供了依据。仿真算例验证了所提出的方法的有效性。     

基于Lyapunov第一近似理论的CNN动力学行为研究方法

细胞神经网络动力学行为研究的主要因素是移动系统参数，这种方法大多数采用大量数据盲目或试探性地测试,最终找到合适的系统参数来控制网络的动态特性，效率偏低。本文采用一种基于Lyapunov第一近似理论的细胞神经网络动力学行为研究方法，通过特征值分析法动态灵活地调节系统参数，经实验证明是切实可行的。     

基于MPEG-4视频流的QoS映射研究

基于XVID和实时传输协议(RTP)提出了一种MPEG-4视频流的服务质量(QoS)映射管理方法。分析了MPEG-4视频流特点、编解码软件和QoS分层管理方法，提出了基于RTP协议的QoS管理逻辑结构、不同层次上的QoS参数，即应用层和系统层QoS参数，以及应用层到系统层QoS参数的映射算法。在模拟网络环境下的实验结果表明这种QoS参数的映射算法能够保证MPEG-4视频流的服务质量。     

IA-SVM算法在网络入侵检测中的研究

研究网络入侵检测问题,网络入侵具有不确定性、多变性和动态性,传统检测方法不能很好的识别这种特性,且传统支持向量机参数采优化方法易出现参数选择不当,导致网络入侵检测准确率低.为了提高网络入侵检测准确率,将免疫算法引入到网络入侵检测中,用其优化支持向量机参数.方法将网络入侵检测数据输入到支持向量机中学习,将支持向量机参数作为免疫算法的抗体,把网络入侵检测准确率作为免疫算法抗原,通过抗体和抗原相互作用得到最优的支持向量机参数,然后对网络入侵数据检测得到入侵检测结果,最后通过DRAP网络入侵数据集对该方法进行仿真.仿真结果表明,相对传统网络入侵检测方法,新方法学习速度快,检测准确率高,很好地解决了传统检测方法准确率低的难题,为网络安全提供了保障.     

遗传算法在T—S模糊模型辨识中的应用

给出了Ｔ－Ｓ模糊模型的一种模糊神经网络实现方法。提出了采用遗传算法优化网络参数，实现了Ｔ－Ｓ模型的辨识。给出了参优化的详细过程，并用仿真实例证实了 这种方法的有效性。成功地将神经网络，模糊逻辑与遗传算法融合于一个系统中。     

机器人逆标定方法研究

在分析传统机器人位姿标定方法的基础上，提出了一种新的机器人标定方法：基于神经网络的逆标定方法。这种标定方法把机器人实际位姿和相应的关节角误差分别作为前馈神经网络的输入和输出来训练网络，从而获得机器人任意位姿时的关节角误差值，通过修改关节值来提高机器人的位姿精度。这种标定方法把所有因素引起的误差均归结为关节角误差，无须求解机器人逆运动学方程，实现了误差的在线补偿。把标定结果与基于运动学模型的参数法的标定结果进行了比较分析。仿真和试验结果均证明了这种方法比传统方法标定效果更好，且更方便简单，避免了其他传统标定方法繁琐的建模及参数辨识过程。     

改进的RBF网络及其参数优化方法

该文提出了一个改进的RBF网络及其参数优化方法。将典型的三层RBF网络改为一个两层RBF和一个单层感知器的串联网络。参数优化方法自动确定核函数个数,并根据核函数输出误差用BP算法修正核函数中心和宽度。根据样本分布的不规则性,引入了子类的概念,使每个类由若干子类覆盖,每个类生成一个单独的网络。实验表明,这种方法能得到较优的网络结构及其参数,并且提高了RBF网络中BP算法的收敛速度。     

输入层自构造神经网络及其在光谱分析中的应用

为了解决红外光谱定量分析中的特征提取和校正规模问题，提出了一种输入层自构造神经网络。这种网络能够利用训练数据的某些先验知识，自然选择输入层神经元的个数。在学习过程中，输入神经元个数从最小值1开始，根据网络误差的变化逐步增加，最终确定最佳神经元数量。这种网络模型将特征提取和参数学习过程融一体，有利于提高建模效率。利用仿真红外光谱的定量分析实验表明，这种网络模型不仅能够对光谱数据实现高效率的波长选择，并具有抑制随机噪声和非线性干扰的能力。     

基于神经网络的动力电池荷电状态的预测

介绍了一种将电池对脉冲电流信号的响应参数作为人工神经网络的输入来预测电池SOC(state of charge)的方法.网络的输出为SOC,网络的输入为电池对脉冲电流的响应参数.结果表明,用这种方法来预测SOC其预测精度能达到在电动车上应用的要求.     

基于事件的视频传输自适应调节方法及其应用

在监控视频传输过程中,网络状况及编码参数的改变会影响视频质量与占用的存储资源。在对IP网络视频传输技术研究的基础上,提出了一种基于交通事件的视频传输的自适应调节方法。这种方法在实时监测网络资源状况的同时考虑存储资源,在交通事件发生时提高视频码率和分辨率达到提高视频质量的目的;在没有事件发生期间采用低编码参数,达到节约存储资源的目的。结合一个交通视频通信系统,实现了这种基于事件的自适应调节方法的应用,并进行了实际测试,验证了其运行效果。     

换热网络与蒸汽动力系统联立优化方法的探讨──（Ⅰ）总组合线迭代法

本文对由换热网络和蒸汽动力系统组成的联合系统进行了综合研究，提出了联合系统优化的总组合线迭代法。运用这种方法，可以求得联合系统之间联结的最佳参数，从而使该系统的优化得以分解成２个子系统的优化，综合得出一个能耗最小的联合系统。     

配置网络参数的另外几种方法

在使用Windows9x过程中,为配置网络基本参数,通常在“网络”对话框中修改网络参数。在使用这种方法时,总避免不了重新启动计算机,才能让修改后的网络参数生效。事实上,用户无须重启计算机也可以使修改生效,下面介绍三种具体方法。     

复杂动力学网络的自适应线性广义同步及参数识别

针对参数未知的复杂动力学网络，基于Lyapunov稳定性理论和LaSMle不变原理，通过设计合适的自适应控制器不仅实现了参数未知的复杂动力学网络之间的线性广义同步，而且对网络中的未知参数进行了追踪识别．文中设计的控制器对一类复杂动力学网络有普适性，并且由于其具有的自适应功能，使得该控制方法有鲁棒性．数值仿真结果进一步验证了控制方法的有效性与可行性．     

一种提高混合网络TCP性能的方法

设计了一种TCP发送端与网络节点利用包含TCP流的IP报文和ICMP报文进行通信的新机制，在有线／无线混合网络中，通过这种机制，TCP发送端可以请求无线网络节点报告TCP报文在无线链路发送状况和提供推荐参数，进而根据网络实际情况采取正确的行动。     

换热网络与蒸汽动力系统联立优化方法的探讨：（I）总组合线…

本文对由换热网络和蒸汽动力系统组成的联合系统进行了综合研究，提出了联合系统优化的总组合线迭代法。运用这种方法，可以求得联合系统之间联结的最佳参数，从而使该系统的优化得以分解成２个子系统的优化，综合得出一个能耗最小的联合系统。     

时间序列趋势挖掘在辅助决策系统中的应用

传统的博克思-詹金斯（Box-Jenkins）时间序列分析与预测方法对模型参数的确定使用试错法。这种方法过于繁琐，且不易找到参数的最佳估计值。本文讨论了如何将改进的BP网络（Levenberg-Marquardt神经网络）应用于模型参数的确定。通过一个应急联动辅助决策系统的工程实例证明了所做的工作在提高辅助决策系统的宏观数据分析和预测能力上具有重要意义。