基于神经网络与马尔可夫组合模型的视频流行度预测算法

为了提升用户体验,降低运营商的成本,将播放最多的视频内容提前放入用户侧缓存是业界的通用做法,如何有效预测视频播放热度已经成为业界热点问题。针对传统预测算法非线性映射能力差、预测精度低及自适应性弱等缺点,提出基于神经网络与马尔可夫组合模型的视频流行度预测算法（Mar-BiLSTM）,该算法通过构建双向长短期记忆（bi-directional long short-term memory,BiLSTM）网络模型可以保留时间序列两个方向的信息依赖;同时在避免引入外部变量导致模型复杂度增加的情况下,利用马尔可夫性质进一步提高了模型的预测精度。实验结果表明,与传统的时间序列和经典的神经网络算法相比,所提算法提升了视频流行度预测的准确性、时效性,并降低了计算量。     

基于变结构离散动态贝叶斯IP网络拥塞链路推理

针对CLINK算法在路由改变时拥塞链路推理性能下降的问题,建立一种变结构离散动态贝叶斯网模型,通过引入马尔可夫性及时齐性假设简化该模型,并基于简化模型提出一种IP网络拥塞链路推理算法（VSDDB）。利用逐次超松弛迭代算法求解链路拥塞先验概率唯一解,基于贝叶斯最大后验准则,借助加权启发式贪心搜索算法推理拥塞链路集合。实验验证了VSDDB算法具有更好的推理性能。     

插电式混合动力汽车加速度预测及能量管理

为了减少插电式混合动力汽车(Plug-in Hybrid Electric Vehicle,PHEV)的燃油消耗,设计了基于预测控制的PHEV能量管理策略。通过对整车能量分析,建立了PHEV的纵向动力学模型,考虑电压的动态特性建立了电池组的等效电路模型。建立了基于马尔可夫链的加速度预测模型,结合纵向动力学模型进而计算出需求转矩变化。以燃油消耗量最小为目标构建PHEV能量管理的预测控制模型,在预测时域内采用动态规划（DP）求解带约束的优化问题,将控制序列的首值施加至系统完成转矩分配并更新优化问题。仿真结果表明,基于随机模型预测控制的能量管理策略的燃油消耗量与基于规则的能量管理策略相比降低22.53%,与采用Rint等效电路模型的能量管理策略相比降低13.64%。     

联合改进核FCM与智能优化SVR的WSNs链路质量预测

为提高无线传感器网络（WSNs）链路质量预测精度和降低噪声影响,提出了一种联合改进核FCM与智能优化SVR （improved kernel furry c-means and intelligent support vector regression,IKFCM-ISVR）的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法,实现样本集聚类个数自动划分;然后采用改进核FCM方法对链路质量样本数据进行处理,获得样本聚类隶属度;在此基础上,构建群居蜘蛛优化SVR预测模型,采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化,得到不同聚类最佳SVR参数组合;最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明,同其它预测算法相比,该算法预测精度提高了36.8~68.4%.     

基于HMM的信源—信道迭代联合译码

提出一种在接收端利用Turbo译码软输出,结合HMM（隐马尔可夫模型）中的Baum-Welch重估算法获取信源模型参数并进行信源-信道迭代联合译码的算法.通过含噪接收序列信道译码后的软输出对信源模型参数进行估计,并将迭代估计获得的信源精确概率结构和信道译码结合进行信源-信道联合迭代译码.同时从信息论角度提出用鉴别信息来度量估计获得的信源模型参数的精度,以及确定迭代估计终止的条件.     

基于SVM和差分进化算法的工程数据预测与分析方法研究

为了提升电网工程的总体管理水平,对变电工程的数据预测分析方法进行了研究。利用现有的变电站工程数据进行挖掘,并结合支持向量机（SVM）算法实现了对变电工程数据的分析及预测。基于数学建模思想将变电工程的数据分析、预测转化为机器学习中的多分类问题,再根据数据集规模与概率分布情况合理设计SVM算法的相关参数。为了避免核函数在求解模型时出现局部最优及早熟现象,引入了一种自适应的差分进化算法（SADE）。该算法中使用了动态参数、组合变异和精英选择3个机制,从而提升了SVM算法的迭代效率与收敛精度。在2010-2020年浙江省变电工程的脱敏数据集上进行了算法的性能验证,仿真结果表明经过SADE-SVM算法的分析,在相同时间复杂度下,模型的数据预测精度达到了97.63%,且相较于DE算法提升了5.59%。     

基于改进栈式自编码算法的中期负荷预测研究

综合考虑影响电力系统中期负荷预测的各个因素并提高预测精度,提出了基于改进栈式自编码算法的中期负荷预测方法。利用ICA进行特征提取,筛选主导的影响因素并对数据进行归一化处理,结合模糊理论构建气温因素的隶属度关系,通过参数自适应微分进化算法对栈式自编码算法参数展开在线优化,进而匹配最佳基于改进栈式自编码算法的组合中期负荷预测模型,并展开案例分析。其结果表明：该改进算法通过影响因素筛选、参数选择与优化,能够有效避免参数选择的盲目性,将气温动态因素进行模糊化处理,能够进一步提高预测精度,其预测结果优于PSO-SVM算法,与实际结果更为接近,且稳定性好,为电力系统负荷预测提供了重要手段。     

基于模糊免疫PID的时滞网络自适应主动队列管理

提出了一种基于灰预测和模糊免疫PID控制的时滞网络自适应主动队列管理（AQM）算法FIGAPID，旨在增强AQM算法动态自适应能力，同时补偿网络时滞，综合提高AQM算法性能。该算法借助免疫反馈机理进行PID参数的在线自适应调整，采用模糊非线性逼近的方法进行免疫反馈函数的确定；采用等维新息滚动灰预测实现路由器队列长度的超前预测，补偿AQM控制的反馈滞后。对比传统PID算法，仿真验证了FIGAPID的有效性，表明算法能快速稳定地适应动态时滞网络环境变化，收敛于路由器队列长度期望值，同时具有较小的数据丢包率。     

基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法

本文利用隐马尔可夫随机场和高斯模型分别建立标号场和特征场的邻域关系,提出了基于隐马尔可夫高斯随机场模型的模糊聚类分割算法。该算法用隐马尔可夫随机场模型定义先验概率,并将该先验概率作为尺度控制因子引入到KL（Kullback-Lerbler）信息中,在目标函数的定义中,KL信息作为规则化项,其系数表示算法的模糊程度。在基于高斯模型的后验概率中,像素相关性被定义在空间和谱间,并用该概率的负对数值表征像素点到聚类中心的非相似性测度。通过对合成遥感影像和高分辨率遥感影像进行分割实验,证明了算法的有效性和普适性。     

基于T-S模糊模型的迭代学习初始控制

分析了初始控制量对迭代学习控制(ILC)算法收敛速度及跟踪精度的影响,为保证ILC算法对任意期望轨迹的跟踪性能,提出了一种基于T-S模糊模型的ILC算法初始控制量确定方法。利用模糊系统理论对未知非线性对象进行离线逆建模,实现对象逆模型参数化,根据模糊逆模型求得任意期望轨迹下的初始控制量,将其作为ILC算法的理想初始控制量进行迭代学习。倒立摆系统仿真实验表明,算法能快速跟踪上设定点,与任意选取初始控制量相比能有效减少迭代次数,提高跟踪精度,具有更好的动态性能。     

基于深度学习的车联边缘网络交通事故风险预测算法研究

针对传统交通事故风险预测算法无法自动判别数据特征,且模型表达能力差等问题。该文提出一种基于深度学习的车联边缘网络交通事故风险预测算法,该算法首先针对车载自组织网络中采集的大量交通数据,采用边缘服务器中建立的卷积神经网络自主提取多维特征,经归一化、去均值等预处理后,再将得到的新变量输入卷积层、采样层进行训练,最后根据全连接层输出的判别值,得到模拟预测交通事故发生的风险性。仿真结果表明,该算法被验证能够预测交通事故发生的风险性,较传统的机器学习算法BP神经网络、逻辑回归具有更低的损失与更高的预测准确度。     

基于可中断Option的在线分层强化学习方法

针对大数据体量大的问题,在Macro-Q算法的基础上提出了一种在线更新的Macro-Q算法(MQIU),同时更新抽象动作的值函数和元动作的值函数,提高了数据样本的利用率。针对传统的马尔可夫过程模型和抽象动作均难于应对可变性,引入中断机制,提出了一种可中断抽象动作的Macro-Q无模型学习算法(IMQ),能在动态环境下学习并改进控制策略。仿真结果验证了MQIU算法能加快算法收敛速度,进而能解决更大规模的问题,同时也验证了IMQ算法能够加快任务的求解,并保持学习性能的稳定性。     

TDD-CDMA系统中基于业务活动因子的功率控制算法

功率控制技术是CDMA系统克服远近效应、降低多址干扰的一项关键技术.TDD-CDMA系统所要提供的网络业务更多的是基于突发模式的通信,包括各种速率的实时和非实时业务.分析了突发模式业务的统计特性,根据马尔可夫调制贝努利过程,提出了一种基于业务活动因子的功率控制算法,并给出了相应的功率控制模型.通过建立功能模型,验证和评估了提出的功率控制算法.仿真结果表明,这一新的功率控制算法能够更准确地估计干扰信号强度,加快功率控制的收敛,从而提高能量效率和系统容量.     

异构网络中用户关联和功率控制的协同优化

针对正交频分多址(Orthogonal Frequency Division Multiplexing Access,OFDMA)异构网络中用户关联和功率控制协同优化不佳的问题,提出了一种多智能体深度Q学习网络(Deep Q-learning Network,DQN)方法.首先,基于用户关联和功率控制最优化问题,构建了正交频分多址的双层异构网络系统模型,以实现智能决策;其次,根据应用场景和多智能体DQN框架的动作空间,对状态空间和奖励函数进行重构;最后,通过选取具有宏基站(Base Station,BS)和小型BS的两层异构网络,对多智能体DQN算法的性能进行仿真实验.仿真结果表明,相较于传统学习算法,多智能体DQN算法具有更好的收敛性,且能够有效提升用户设备(User Equipment,UE)的服务质量与能效,并可获得最大的长期总体网络实用性.     

Quality of service analysis and resource allocation scheme for Long‐Term Evolution network

In this paper, we analyze the quality of service (QoS) framework supported by the Long‐Term Evolution standard and model the behavior of a finite‐state downlink wireless fading channel based on the configurations and system parameters provided by the 3GPP Long‐Term Evolution and provide experimental results. The model can be used to provide realistic physical layer input to evaluate the performance of algorithms at the upper layers. For example, the medium access control layer will use this data to test the performance of scheduling, admission control, power control, and so on. The QoS requirements at the physical layer, the data link layer, and the cross‐layer modeling are stated. Then, we present a QoS‐based call admission control algorithm that considers admission of calls for future start‐up as well as the immediate and hand‐off calls with a certain priority admission scheme. Analytical study based on two‐dimensional Markov chain is also provided. We then use a stochastic discrete event simulator to evaluate the performance of the call admission control algorithm. The results obtained for look‐ahead admission are compelling and indicate the usefulness of making advance resource reservations. Copyright © 2013 John Wiley & Sons, Ltd.     

Transmission scheduling scheme based on deep Q learning in wireless network

To cope with the problem of data transmission in wireless networks,a deep Q learning based transmission scheduling scheme was proposed.The Markov decision process system model was formulated to describe the state transition of the system.The Q learning algorithm was adopted to learn and explore the system states transition information in the case of unknown system states transition probability to obtain the approximate optimal strategy of the schedule node.In addition,when the system state scale was big,the deep learning method was employed to map the relation between state and behavior to solve the problem of the large amount of computation and storage space in Q learning process.The simulation results show that the proposed scheme can approach the optimal strategy based on strategy iteration in terms of power consumption,throughput,packets loss rate.And the proposed scheme has a lower complexity,which can solve the problem of the curse of dimensionality.     

光电跟踪转台的控制模型辨识

针对大功率永磁同步电机驱动的光电跟踪转台,提出了一种基于特征系统实现算法的控制模型辨识方法。首先,根据永磁同步电机的矢量控制原理,对白噪声测试系统进行了系统配置;其次,采用功率谱密度函数的分析方法对系统的输入和输出数据序列进行了分析,得到了系统的频率响应函数;最后,通过特征系统实现算法对系统的马尔可夫参数进行了辨识,获得了光电跟踪转台的控制模型。实验结果表明:采用特征系统实现算法可以精确地辨识出光电跟踪转台的控制模型,该控制模型能够较好地反映系统的动态特性,为控制器算法的设计提供了理论依据,具有较好的实用性。     

粒子群优化BP神经网络的激光铣削质量预测模型

为了有效地控制激光铣削层质量,建立了激光铣削层质量（铣削层宽度、铣削层深度）与铣削层参数（激光功率、扫描速度和离焦量）的BP神经网络预测模型。采用粒子群算法优化了BP神经网络的权值和阈值,构建了基于粒子群神经网络的质量预测模型。所提出的PSO-BP算法解决了一般BP算法迭代速度慢,且易出现局部最优的问题,并以Al2O3陶瓷激光铣削质量预测为例,进行算法实现。仿真结果表明:提出的PSO-BP算法迭代次数大大减少,且预测误差明显减少。所构建的质量预测模型具有较高的预测精度和实用价值。     

基于PSO-SWELM的应变传感器在线温度补偿方法

针对光纤布拉格光栅(Fiber Bragg Grating,FBG)应变传感器受环境温度影响而造成的波长漂移问题,提出粒子群优化(Particle Swarm Optimization,PSO)结合滑动窗口极限学习机(Sliding Window Extreme Learning Machine,SWELM)的在线预测算法对其进行温度补偿。利用PSO算法优化SWELM网络滑动窗口和隐含层神经元数目,提升了模型的预测精度,模型预测均方根误差最小能达到0.06pm。PSO-SWELM实现了对应变传感器数据的在线更新及波长漂移预测,对实时测量数据和预测数据进行差分运算完成温度补偿。与SWELM的对比分析结果表明,PSO-SWELM算法的预测精度平均提升了11.04%,并具有良好的温度补偿效果。     

Network traffic prediction method based on improved ABC algorithm optimized EM-ELM

In order to overcome the poor generalization ability and low accuracy of traditional network traffic prediction methods, a prediction method based on improved artificial bee colony (ABC) algorithm optimized error minimized extreme learning machine (EM-ELM) is proposed. EM-ELM has good generalization ability. But many useless neurons in EM-ELM have little influences on the final network output, and reduce the efficiency of the algorithm. Based on the EM-ELM, an improved ABC algorithm is introduced to optimize the parameters of the hidden layer nodes, decrease the number of useless neurons. Network complexity is reduced. The efficiency of the algorithm is improved. The stability and convergence property of the proposed prediction method are proved. The proposed prediction method is used in the prediction of network traffic. In the simulation, the actual collected network traffic is used as the research object. Compared with other prediction methods, the simulation results show that the proposed prediction method reduces the training time of the prediction model, decreases the number of hidden layer nodes. The proposed prediction method has higher prediction accuracy and reliable performance. At the same time, the performance indicators are improved.