基于关键特征提取和 Elman 神经网络的 开关电源多参数辨识

开关电源作为电子系统的重要组成部件,一旦发生故障将会对整个电子系统带来不可估量的损失,所以需要对开关电源的元器件参数进行及时准确地辨识,以便有效地评估开关电源的健康状态。受环境应力的影响,在实际工作中开关电源的多个元器件参数均会发生退化。为有效地辨识开关电源的状态,提出基于关键特征和Elman神经网络的开关电源多参数辨识方法,方法首先利用小波包分析提取局部能量特征;为提高辨识精度,将变异系数作为优选局部能量特征的标准,提取具有较大变异系数的局部能量特征作为关键特征;最后,采用Elman神经网络建立关键特征与辨识参数的关联。仿真实验和硬件实验结果证明具有较高的辨识精度和良好的实用性。     

一种新型时间序列多分辨预测模型研究

使用单一模型实现复杂时间序列预测一直是一个研究热点和难点问题.本文采用经验模式分解方法首先将复杂时间序列分解为一系列本征模式函数之和,然后对各个本征模式进行径向基神经网络预测建模,在此基础上,通过各个分量预测结果的等权求和得出综合预测结果.此外,各RBF网络核函数的最优参数对数值与各本征模式分量呈近似线性关系,利用该线性关系可以减少交叉验证求参数的次数,从而降低计算负担.仿真结果表明分解域多RBF网络预测模型对复杂时间序列预测性能好于单一的RBF网络预测模型.     

利用Lab Windows／CVI开发基于网络的测试软件

本文在介绍网络测试软件的基础上,论述了利用Ｌａｂ Ｗｉｎｄｏｗｓ／ＣＶＩ建立Ｃ／Ｓ数据交换模型的技巧。最后给出了一个典型的实例。     

利用Lab WindoWs/CVI开发基于网络测试软件

文中在介绍网络测试软件的基础上,论述了利用Ｌａｂ Ｗｉｎｄｏｗｓ／ＣＶＩ建立Ｃ／Ｓ数据交换模型的技巧。最后给出了一个典型的实例。     

一种“基准量+裕量”拆分重组的扫描链平衡算法

SOC技术的迅速发展,使得芯片测试技术面临重大的挑战,为了降低测试成本、减小测试时间,IP核扫描链平衡设计尤为重要。提出基于"基准量+裕量"拆分重组的扫描链平衡算法,选取一基准块作为标尺的基本单位,并对各内扫描链长度进行测量,拆分内扫描链的基准量和裕量,再通过"近似封装、重组"两阶段优化确定IP核的封装结果。主要思想可分为4步:首先结合内扫描链的长度(记为L),计算出合适的扫描链基准块(记为L_Block),作为标尺基本单位;其次利用基准块衡量各内扫描链长度L,得到基准量(记为L'),并计算L'与L的裕量(记为ΔL),再依据基准量的大小对L'及ΔL进行归类,此过程称为"拆分";然后将L'按自大至小的顺序分配至当前最短的封装扫描链中,确定扫描链基本封装结构,此过程称为"近似封装";最后将ΔL按照分配灵活度及平衡度升序的顺序与L'重组内扫描链,负裕量重组至当前最长封装扫描链中,正裕量重组至当前最短封装扫描链中,此过程称为"重组",最终得到封装结果。该方法通过对ITC’02 SOC标准测试集进行实验,得到更平衡的分配结果。     

基于先验簇复杂回声状态网络的话务量预测

提出一种基于先验簇复杂回声状态网络的移动通信话务量预测模型.目前,具有小世界、无尺度等特性的复杂网络已被应用于回声状态网络储备池的构建,并获得了较标准回声状态网络储备池更优的回声状态特性和非线性表达能力.在此基础上,针对具有多周期特性的话务量序列预测问题,以功率谱分析的结果作为先验知识,在复杂回声状态网络储备池中构建具有差异性的多个子簇,以期形成对不同频率成分具有表达能力的功能簇.采用中国移动真实数据测试表明,该方法由于考虑了不同周期因素对预测建模的影响,获得了较标准回声状态网络、均匀簇复杂回声状态网络等方法更高的预测精度;以对比方法中实际效果较好的复杂回声状态网络为参照,该方法在齐齐哈尔、大庆、双鸭山市某小区上预测误差分别下降25％、21％和11％;能够为移动通信网络拥塞、覆盖和干扰等问题提供决策支持.     

基于随机子空间与多储备池的分类方法

提出一种基于回声状态网络(echo state networks,ESNs)的分类方法,借鉴集成学习的思想,采用随机子空间方法产生特征子集,对应特征子集生成多个储备池.利用回声状态网络仅需训练储备池至输出层的权值这一优点,将分类集成阶段融合于多储备池回声状态网络的学习过程中.基于标准数据集和模拟电路故障诊断的实验验证结果表明,与标准回声状态网络等方法相比,该方法有更低的分类错误率.     

一种多维不确定性数据流聚类算法

目前在很多不确定性数据流聚类方法研究中,存在着聚类模型和数据流的数据模型失配问题,且它们往往假定不确定性数据的概率密度函数、概率分布函数或者概率是已知的,然而这些信息在实际系统中很难获得.鉴于此,本文提出一种基于区间数的多维不确定性数据流聚类算法(UIDMicro).在该算法中,首先利用区间数结合不确定性数据的统计信息表示多维不确定性数据流,然后采用“当前簇”和“候选簇”两层簇窗口对不确定性数据流进行聚类,通过动态调整两层簇窗口实现聚类模型和数据模型的实时匹配.实验结果表明,该方法具有较高的聚类精度和处理效率.     

采用加速减量策略的快速在线支持向量回归算法

针对在线支持向量同归(online support vector regression,online SVR)算法进行复杂时间序列精确预测时效率较低的问题,提出一种改进减量训练策略的快速预测方法,通过对非支持向量样本的采样选择,采取加速减量训练实现对在线训练数据集规模的缩减,从而达到快速在线训练和预测的目的.将该算法应用于黑龙江移动通信话务量数据的预测中,实验结果表明,在保持Online SVR预测精度的条件下,算法执行效率得到大幅提高.     

基于回声状态网络的时间序列预测方法研究

针对回声状态网络(Echo State Networks,ESNs)输入序列延迟时间(和嵌入维数D的选择以及储备池的适应性问题,利用自相关性分析法从被预测样本序列构建ESNs网络输入,并通过移动通信话务量的预测问题,采用实验分析的方法讨论了储备池参数选择对于时间序列预测性能的影响.与采用ARMA和BP神经网络的预测方法相比,新方法在保证预测精度和效率的情况下,具有更好的泛化能力.