基于节能的无线传感器网络拓扑结构研究

根据无线传感器的功能特性,分析了无线传感器的网络体系结构和拓扑结构,探讨了基于节能的LEACH自适应分簇结构网络拓扑控制算法以及其改进算法。     

基于节点可靠度的无线传感器网络拓扑控制算法

针对无线传感器网络节点在数据传输过程中易面临能量耗尽和数据拥塞失效的问题,通过构建节点可靠度模型,获得了网络在保证节点可靠度最大且网络生存时间最长的条件下最优节点度的取值。进而依据最优节点度的取值,提出了一种基于节点度调整的无线传感器网络拓扑控制算法(TCNR)。仿真实验结果表明,TCNR算法极大减少了拓扑数据传输过程中的拥塞程度,增强了拓扑结构的健壮性,并有效延长了网络生存时间。     

基于神经元的自适应预测PID控制

提出了一种采用神经元的自适应预测PID控制方案。神经元具有很强的自学习和自适应能力，它可根据系统的误差并通过一定的学习算法来不断修正控制器的参数，使控制器能够适应受控对象结构的参数以及环境的变化。因此采用单神经元构成自适应PID控制器，将神经元与PID控制结合，对PID参数进行在线寻优、自校正，使PID控制能有效地对付一些较复杂非线性被控对象，特别是难于用传统方法建模的被控对象。同时为了提高系统的快速跟踪和抗干扰能力，采用动态自适应神经元（APE）对非线性系统进行预测，即用神经元建立起非线性系统的预测模型，预测系统的未来输出，从而提高了控制系统的控制品质。同时详细介绍了该控制系统的自适应控制算法。仿真结果表明，这种自适应控制方案切实可行，其控制品质明显优于常规PID控制，且具有较强的鲁棒性，达到了良好的控制效果。     

基于响应特性匹配的自适应PID控制

本文导出基于响应特性匹配的自适应ＰＩＤ控制算法，并给出了自适应３参数ＰＩＤ和５参数ＰＩＤ的仿真结果。结果表明：自适应５参数ＰＩＤ明显优于３参数ＰＩＤ，而且在基于响应特性匹配的工作方式下，容易实现３参数５参数的以及其它控制律的自适应控制。     

基于神经网络的自适应PID控制

本文提出了一种采用人工神经网络的自适应PID控制结构。在该控制结构中,一个三层反向传播神经网络用于对被控对象进行在线辨识;另一个二层线性神经网络构成具有传统PID控制结构的控制器。对PID控制器网络的在线训练方法,本文进行了较详细的叙述。仿真及实时控制实验研究表明,本文提出的控制方法可取得满意的效果,并易于在线实现。     

自适应的基于IPDV的网络拓扑推断技术

为了克服基于层析成像的拓扑推断技术中时钟同步及节点间合作的限制,有效减少测量流量,在拓扑推断中提出了自适应的基于时延抖动的拓扑推断算法,该算法不需要节点间的时钟同步和节点间的合作,并且产生的测量流量较少. 从理论上分析了自适应的基于时延抖动推断自适应网络拓扑的可行性和正确性,通过NS2进行了仿真,仿真结果表明,自适应的基于时延抖动推断拓扑结构的效果比基于端到端单向时延推断拓扑的效果好,并且受到的限制少.     

基于神经元的自适应预测PID控制

提出了一种采用神经元的自适应预测PID控制方案。神经元具有很强的自学习和自适应能力 ,它可根据系统的误差并通过一定的学习算法来不断修正控制器的参数 ,使控制器能够适应受控对象结构参数以及环境的变化。因此采用单神经元构成自适应PID控制器 ,将神经元与PID控制结合 ,对PID参数进行在线寻优、自校正 ,使PID控制能有效地对付一些较复杂非线性被控对象 ,特别是难于用传统方法建模的被控对象。同时为了提高系统的快速跟踪和抗干扰能力 ,采用了动态自适应神经元 (APE)对非线性系统进行预测 ,即用神经元建立起非线性系统的预测模型 ,预测系统的未来输出 ,从而提高了控制系统的控制品质。同时详细介绍了该控制系统的自适应控制算法。仿真结果表明 ,这种自适应控制方案切实可行 ,其控制品质明显优于常规PID控制 ,且具有较强的鲁棒性 ,达到了良好的控制效果。     

基于PAC的在线模糊自适应PID控制器设计

PID控制适合用于已知精确数学模型的被控对象,具有稳态误差小等特点.模糊控制不需要被控对象的数学模型,响应速度快,但是有静差.将这两种控制技术相结合,设计一种模糊自适应PID控制器,具有响应速度快、稳态误差小的特点.采用上位机和PAC结合,上位机中的iFIX组态软件利用OPC技术和MATLAB软件中的模糊控制器通讯,把实时值和设定值送给模糊控制器,同时把模糊控制器的输出(比例系数、积分系数和微分系数)送回PAC,在PAC中根据PID算法计算控制量,由PAC控制被控对象,实现在线模糊自适应PID控制.对水箱液位进行控制的结果表明,采用在线模糊自适应PID控制器后,控制系统的响应速度加快,无超调,具有较好的稳定性和鲁棒性.     

基于数字信号处理器的神经元自适应PID控制

为了满足实时控制对神经元运算速度的要求，研究了一种采用数字信号处理器作为控制核心的神经元自适应PID控制器。针对无刷电机的试验结果表明：这种控制器具有响应快、自适应性好和易于实现的特点。     

基于MATLAB遗传算法工具箱的控制系统设计仿真

本文介绍了基于MATLAB的遗传算法工具箱（GAOT）,阐述了如何利用遗传算法工具箱结合SIMULINK平台来实现控制系统的设计和仿真,并给出利用遗传算法工具箱对PID控制器进行参数整定的仿真实例。     

遗传神经网络在滑坡灾害预报中的应用研究

针对传统BP算法易收敛于局部最优以及网络结构难以确定等问题,引进遗传算法进行混合建模.采用遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快并避免陷入局部极小.文中结合实例,对BP神经网络,遗传算法改进的神经网络进行了比较分析.实验表明,利用改进的混合模型可以提高预测精度,缩短收敛时间.     

基于神经网络的一种PID控制技术

提出了一种基于神经网络的ＰＩＤ控制方案。用神经网络辨识器与神经网络控制器构成间接自校正控制系统,其中,神经网络辨识器采用单稳层结构,其辨识算法采用预报误差（ＲＰＥ算法）：神经网络控制器为２层的线性结构,具输入为系统偏差及其一阶和于阶微分,控制器具有增量型ＰＩＤ控制结构。将该控制方案应用于电阻炉的炉温控制中,获得了满意结果。     

基于诊断策略遗传算法的配电网络重构算法

为减小网损,提出基于诊断策略遗传算法的配电网络重构方法.针对基因诊断策略,提出新的编码方案,改进遗传操作。对优质基因进行诊断,存入优质基因库;并且将诊断出的劣质基因（即不可行解）通过打开回路和连通孤岛的方法,将其修复为可行解,从而提高收敛速度和遗传算法搜索效率.最后对典型IEEE 33节点和IEEE69节点测试系统进行网络重构仿真实验,证实了算法的有效性,并与快速支路交换算法的计算结果相比较,表明了该算法可有效减小重构配电网的网损.     

基于无线多媒体传感器网络的目标定位方法

根据无线多媒体传感器网络(WMSN)多节点合作处理的特点,提出简化定标场景的单节点和双节点目标定位方法.通过使用带颜色的辅助定标物标定特殊点位置,采用CamShift算法实现辅助标定物的颜色追踪,获得特殊点的像素坐标.利用节点监控区域特殊点的位置坐标获取摄像机的参数矩阵,通过布置2个具有平移特性的节点,获取运动目标的三维坐标.实验表明,单节点平面定位最大误差为1216 cm,双节点平面定位最大误差为1369 cm,双节点高度定位误差为3～5 cm.通过观察二维平面误差曲面,大多数节点的定位误差能够满足无线多媒体传感器网络目标跟踪的需要,算法复杂度低,实现过程简单.     

基于社会网络的移动无线mesh网络节点移动模型

为了适应移动无线mesh网络在军事作战、灾后救援等特殊领域,为路由协议及拓扑控制设计提供理论模型,研究了基于社会网络的节点移动模型,并比较了各节点移动模型在实际应用中的优势和劣势。研究结果表明,针对不同的应用场景,选用合理的移动模型进行拓扑建模,可有效改善网络的性能。     

基于遗传算法的温度PID智能控制系统设计

针对经典PID控制无法有效解决温度控制系统普遍存在的非线性和延迟性等问题,提出了基于遗传算法和智能PID的复合控制结构.采用单片机、铂电阻和TEC制冷器分别作为控制处理器、温度传感器和温控执行器来设计温度控制系统,构建了智能PID控制算法来动态调整控制过程中的PID三个参数,并利用遗传算法的快速搜索能力对控制参数进行优化.结果表明,该系统的温度控制范围为10~55℃,控制精度为±0.03℃,超调量小于15%,具有较好的工程应用前景.     

基于节点度优化的无线 mesh网络拓扑控制算法

由于网络节点之间资源竞争以及无线信号干扰增大,无线 mesh网络的吞吐性能亟待得到进一步的优化.针对此问题,给出了一种基于节点度优化的拓扑控制算法.算法采用中继区方式构建网络逻辑邻域拓扑,利用RNG 方法对网络拓扑进行局部节点度优化.仿真结果表明,该算法保证了网络的连通性,有效地提升网络的吞吐量.     

基于Zigbee技术无线传感器网络平台的设计与实现

文章根据Zigbee技术现状及网络协议结构,模块化的分析了Zigbee协议栈,并进行了基于Zigbee无线传感器网络平台的硬件及软件设计。结果表明,该平台可以实现Zigbee无线传感器网络的基本功能并可以进行拓展。     

改进遗传算法在桁架拓扑优化中的应用

基于桁架拓扑优化,对遗传算法提出了一些改进措施,形成了一种高效综合的遗传算法。在桁架的截面尺寸和拓扑结构混合设计中,对尺寸变量和拓扑变量分别进行二进制编码、交叉和变异,得到桁架拓扑结构和杆件截面尺寸的初解,适当降低尺寸变量编码精度,以加快算法的收敛速度。然后对截面尺寸重新编码,以较高的尺寸精度进行搜索,为了防止陷入局部最优解,取部分初解加入新的父代。算例表明,该算法对离散变量的桁架拓扑优化是快速有效的。