大时滞网络自适应主动队列管理新算法

针对PID控制器无法严格处理主动队列管理（AQM）中的大时滞情况,且不能随着变化的网络环境在线调节参数,提出了一种基于增益自适应Smith预估控制和模糊控制的大时滞网络的自适应PID主动队列管理（GAS-FPID）算法。引入增益自适应Smith预估控制器实现滞后补偿,模糊控制器来实现PID参数动态网络环境的在线调整;NS2仿真表明,所提出算法能克服滞后的影响,能快速的适应动态网络环境,具有很好的稳定性和鲁棒性。     

基于单神经元预测PID的主动队列管理算法

针对网络中普遍存在的大时滞现象以及网络参数实时变化问题,将单神经元PID预测控制器用于主动队列管理算法(AQM).利用单神经元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Levinson预测器有效地解决了大时滞对网络性能的影响,最后通过仿真进一步验证了提出算法的有效性.     

动态网络增强自适应虚拟队列管理新算法

针对动态网络主动队列管理算法中控制参数设置难题,提出了一种增强自适应虚拟队列管理新算法（EPAVQ）。结合TCP流体流模型运用经典控制理论分析自适应虚拟队列管理（AVQ）算法稳定性基础上,利用极点配置技术给出了AVQ算法控制参数的调整规则。同时,针对网络参数时变问题,通过对网络参数的在线估计,利用网络参数与控制器参数的确定关系实时调节控制参数,使得控制器能够适应网络参数的变化。通过ns-2仿真实验与现有的AVQ算法比较,EPAVQ算法具有更快的动态响应,更好的网络性能。     

基于单神经元自适应PI 控制器的主动队列管理算法

基于神经网络理论中的神经元模型与学习算法,设计了一种主动队列管理算法SNAPI（Single Neuronbased Adaptive PI controller）．控制器根据系统误差在线调整PI 控制器的控制参数,以适应动态变化的网络参数．运 用Nyquist 稳定判据给出了系统在平衡点附近的局部稳定条件．最后通过仿真检验了SNAPI,并比较了它与使用固 定控制参数的PI 算法的性能．     

基于事件触发的神经网络控制器稳定性分析

针对非线性系统稳定性问题,设计了基于事件触发的神经网络控制器来稳定非线性系统,控制器只有在触发规则满足的条件下,才更新控制参数,降低了网络传输率。算法开始先建立非线性系统模型,在采样过程中引入事件触发机制,并且设计了神经网络控制器,对于系统中包含的传输时滞,引入系统时滞模型,运用输入延迟法将同步控制器求解问题转化为时滞系统的稳定性问题。再通过构造分段Lyapunov-Krasovskii泛函并结合Jensen不等式,给出了非线性系统稳定条件。与传统数据采样系统相比,本文所提出的方法有效地增大了采样间隔,结尾通过例子仿真验证了所提出方法的有效性。     

一类时滞对象的PID控制器参数稳定域计算

针对任意阶时滞对象,通过求解控制参数的稳定边界线和判断边界线的哪侧具有更少的不稳定极点,给出一种确定PID控制器参数稳定域的准确计算方法．只要在所得到的稳定域中调节PID控制器参数,就能够保证闭环系统的稳定性,这不仅为时滞对象的PID控制器设计建立了基础,也为其在线调节提供了一条简单有效的途径．仿真实例验证了该方法的有效性,并表明该方法不仅适用于不稳定时滞对象而且也适用于非最小相位时滞对象．     

一种非线性PID控制算法的仿真研究

研究PID控制系统优化问题,工业控制被控对象均具有非线性、时变和大时滞性,引起系统的品质性能差,传统的线性控制难以达到所要求精度。为了提高系统控制精度,利用PID控制器各增益参数与偏差信号间的非线性关系,提出一种非线性PID控制算法。首先将PID参数转化为优化问题,然后采用粒子群算法的全局、并行搜索能力对非线性控制参数进行求解,得到一组最优的PID控制参数。仿真结果表明,相对于传统线性PID控制,非线性PID控制器超调小,调节时间短,并提高了控制精度,有效解决了传统PID难以准确控制非线性对象的难题。     

预测PI时滞网络拥塞控制算法设计及性能分析

针对网络中存在的大时滞给主动队列管理算法性能带来的不利影响,将Sm ith预估器与Dahlin算法相结合,提出了一种预测PI拥塞控制算法,首先利用Sm ith预估器补偿时延滞后,克服了大时滞给系统性能带来的影响;然后按Dahlin算法设计控制器,把控制器参数和预估对象模型参数相结合,既减少了整定参数,也避免了参数整定时的相互影响.同时,利用经典控制理论方法分析了系统稳定性和存在链路容量干扰时瓶颈队列的暂态、稳态特性.仿真结果显示预测PI算法控制性能优于RED,PI算法及具有较强的鲁棒性.     

中立时滞LPV系统基于观测器的控制器设计

研究一类中立时滞线性参数变化系统的基于观测器的控制问题．呆用Lyapunov方法,提出了系统的时滞相关稳定性条件,设计了增益调度控制器和状态观测器．利用参数线性矩阵不等式,将控制器存在的充分条件转化为凸优化问题．最后通过数值仿真验证了所提出方法的可行性．     

S-Fuzzy2PI：一种新的主动队列管理算法

提出一种基于Smith预估的模糊-PI双模控制器的主动队列管理算法S-Fuzzy2PI.将模糊控制与PI算法相结合,系统误差较大时采用Fuzzy控制用以加强系统的响应速度和鲁棒性,系统接近稳态时切换到PI控制器来加强系统的稳态特性.网络拥塞控制系统是一个时滞系统,回环时间(RTT)较大时,算法性能受到较大的影响,因此本文引入Smith预估器来克服大时滞网络对于系统性能的影响.NS2仿真结果表明: S-Fuzzy2PI算法在瞬态性能和稳态性能上都有很大的改进,有效地克服了大时滞网络带来的负面影响.     

Electro jet drilling using hybrid NNGA approach

This paper presents a hybrid neural network and genetic algorithm (NNGA) approach for the multi-response optimization of the electro jet drilling (EJD) process. The approach first uses a neural network model to predict the response parameters of the process. A genetic algorithm is then applied to the trained neural network model to obtain the optimal process parameters values in which desirability function approach is used to obtain the fitness function for the genetic algorithm from the network output. The simulated results are found to have a close correlation with the experimental data.     

基于深度神经网络二阶信息的结构化剪枝算法

现有结构化剪枝算法通常运用深度神经网络(DNN)的一阶或者零阶信息对通道进行剪枝,为利用二阶信息加快DNN网络模型收敛速度,借鉴HAWQ算法思想提出一种新的结构化剪枝算法.采用幂迭代法得到经过预训练的网络参数对应Hessian矩阵的主特征向量,据此向量衡量网络通道的重要性并进行通道剪枝,同时对剪枝后的网络参数进行微调提...     

参数自适应的随机早期检测算法

主动队列管理(AQM)算法是最近网络拥塞控制研究的重点,随机早期检测(RED)算法作为 AQM 算法的代表受到广泛的关注.分析了随机早期检测算法的原理和局限性,针对 RED 算法参数配置困难的问题,提出了一种参数自适应的随机早期检测算法.该算法能够根据网络负荷的变化动态的调节 RED 算法的参数,从而能够在突发业务下对拥塞做出及时有效的反应.通过仿真表明该算法能够有效地降低丢包率,降低数据包排队延时,提高了 RED 算法的网络适应性.     

一种改进的RBF神经网络参数优化方法

提出了一种改进的RBF神经网络参数优化算法。通过资源分配网络算法确定隐含层节点个数,引入剪枝策略删除对网络贡献不大的节点,用改进的粒子群算法对RBF网络的中心、宽度、权值进行优化,使RBF网络不仅可以得到合适的结构,同时也可以得到合适的控制参数。将此算法用于连续搅拌釜反应器模型的预测,结果表明,此算法优化后的RBF网络结构小,并且具有较高的泛化能力。     

SOFMLS: Online Self-Organizing Fuzzy Modified Least-Squares Network

In this paper, an online self-organizing fuzzy modified least-square (SOFMLS) network is proposed. The algorithm has the ability to reorganize the model and adapt itself to a changing environment where both the structure and learning parameters are performed simultaneously. The network generates a new rule if the smallest distance between the new data and all the existing rules (the winner rule) is more than a prespecified radius. The major contributions of this paper are as follows: 1) A new network is proposed, in which unidimensional membership functions are used, and only two parameters for each rule are employed, thus reducing the number of parameters. The network avoids the singularity produced by the widths in the antecedent part for online learning; 2) a new pruning algorithm based on the density is proposed, where the density is the number of times each rule is used in the algorithm. The rule that has the smallest density (the looser rule) in a selected number of iterations is pruned if the value of its density is smaller than a prespecified threshold; and 3) the stability of the proposed algorithm is proven, and the bound for the average of the identification error is found. The condition that led the algorithm to avoid the local minimum is found, and it is proven that the parameter error is bounded by the initial parameter error. Three simulations give the effectiveness of the suggested algorithm.      

特征和分类器联合优化的网络入侵检测算法

为了提高网络入侵检测正确率,利用特征选择和检测分类器参数间的相互联系,提出一种特征和分类器联合优化的网络入侵检测算法。联合优化方法将网络状态特征和分类器参数作为遗传算法的个体,网络入侵检测正确率作为个体适应度函数,通过选择、交叉和变异等遗传操作获得最优特征和分类器参数,利用KDD 1999数据集对联合优化算法进行验证性测试。实验结果表明,相对于其他入侵检测算法,联合优化算法既解决了特征与分类器不匹配带来的入检测检测能力下降,又提高了网络入侵检测正确率和效率,为网络入侵检测提供了一种新的研究思路。     

布谷鸟优化混合核相关向量机的网络流量预测

为了提高网络流量的预测精度,提出一种布谷鸟算法优化混合核相关向量机的网络流量预测模型(CS-RVM)。首先采用多项式和高斯核函数构成混合核函数代替相关向量机的单一核函数,然后引入布谷鸟算法对混合核参数进行寻优,最后建立网络流量预测模型。仿真结果表明,CS-RVM具有良好的建模效果,可提高网络流量的预测精度。     

灵敏性分析下的因果网络参数的扰动学习研究

联合观察数据和扰动数据学习因果网络是一种基于扰动的机器学习方法,通过扰动学习可以利用少量样本发现网络中的因果关系,扰动对于因果关系的影响主要体现在网络参数方面。提出了一种基于灵敏性分析的因果网络参数的扰动学习算法(intervention learning of parameter sensitivity analysis,ILPSA)。对于给定的先验网络,ILPSA算法利用联合树推理算法生成灵敏性函数,通过对灵敏性函数的参数重要性分析提出扰动结点的一种主动选取方法;对扰动结点的主动干扰产生扰动数据,然后联合观察数据和扰动数据,利用最大似然估计(maximum likelihood estimation,MLE)方法学习因果网络的参数,并利用KL距离对学习结果进行评价。算法比较和实验结果表明,ILPSA算法的学习结果明显好于随机选择扰动结点和无扰动情况下的方法,特别在样本较小的情况下优势更明显。     

Robust stochastic moment control via genetic-pole placement in communication network parameter setting

In this paper, the problems of stochastic robust approximate covariance assignment and robust covariance feedback stabilization, which are applied to variable parameters of additive increase/multiplicative decrease (AIMD) networks, are considered. The main idea of the developed algorithm is to use the parameter settings of an AIMD network congestion control scheme, where parameters may assign the desired network’s window covariance, with respect to the current network conditions. The aim is to search for the optimal AIMD parameters of a feedback gain matrix such that the objective functions defined via appropriate robustness measures and covariance assignment constraints can be optimized using an adaptive genetic algorithm (AGA). It is shown that the results can be used to develop tools for analyzing the behavior of AIMD communication networks. Quality of service (QoS) and other performance measures of the network have been improved by using the proposed congestion control. The accuracy of the controller is demonstrated by using MATLAB and NS software programs.     

Design of highly effective multilayer feedforward neural network by using genetic algorithm

This paper presents a highly effective and precise neural network method for choosing the activation functions (AFs) and tuning the learning parameters (LPs) of a multilayer feedforward neural network by using a genetic algorithm (GA). The performance of the neural network mainly depends on the learning algorithms and the network structure. The backpropagation learning algorithm is used for tuning the network connection weights, and the LPs are obtained by the GA to provide both fast and reliable learning. Also, the AFs of each neuron in the network are automatically chosen by a GA. The present study consists of 10 different functions to accomplish a better convergence of the desired input–output mapping. Test studies are performed to solve a set of two-dimensional regression problems for the proposed genetic-based neural network (GNN) and conventional neural network having sigmoid AFs and constant learning parameters. The proposed GNN has also been tested by applying it to three real problems in the fields of environment, medicine, and economics. Obtained results prove that the proposed GNN is more effective and reliable when compared with the classical neural network structure.