基于网络基的粗糙复杂网络决策方法及应用

在一些实际的复杂网络中,网络的管理者为了自身利益最大化和风险最小化,需要做出一些决策,但是现有的研究也只是针对某一实际复杂网络所做的决策,缺乏通用性,也忽略了复杂网络中大量的不确定现象,因此难以取得比较好的决策效果。定义了粗糙复杂网络的网络基,并对网络基的性质进行了研究,证明了网络基与复杂网络等价的结论;提出了两种节点重要性的决策方法和基于网络基的粗糙复杂网络决策方法。最后将基于网络基的粗糙复杂网络决策方法应用于第三方支付粗糙复杂网络的风险分析,建立了二层风险决策模型,给出了量化的决策分析结果。基于网络基的粗糙复杂网络决策方法在第三方支付粗糙复杂网络风险决策模型中的成功应用,说明了该方法的有效性和可行性。     

随机流网络生存性评价方法

为解决网络元件的降级工作现象使得网络生存性评价不准确,以及同构网络的生存性评价问题,分析了网络生存性的影响因素,提出了随机流网络生存性的概念,并且建立了随机流网络生存性模型。基于此模型提出一种简单有效的随机流网络生存性定量分析方法,该方法兼顾了网络的拓扑结构、元件的可靠性及元件的多模态性。实验结果表明了该方法的有效性,解决了同构网络的生存性评估问题。     

网络仿真在网络性能指标评价中的应用

在计算机网络研究中,网络仿真方法是一种快速而经济的研究手段,网络性能指标是一个重要研究内容。论文探讨了运用网络仿真对网络性能指标进行分析的方法,并运用该方法对一个实际建设的网络进行了性能指标的仿真和获取,从而验证了该方法的可行性和有效性。     

一种新型社交网络建模方法

随着互联网的发展,社交网络建模成为众多研究领域的基础。本文研究现有的社交网络建模方法,并针对新型社交网络的特性,提出一种新的社交网络建模方法。通过实验,从网络度、度分布、平均最短路径、节点聚集系数等方面对此建模方法所生成的网络做了全面分析,验证了该建模方法的有效性。     

一种多结构及文本融合的网络表征方法

网络表征通过对网络结构的深度学习得到节点的矢量表征,挖掘网络中潜在的信息,是社会计算中的一种重要降维方法。针对一种融合了网络中的文本和结构的、基于矩阵分解的网络表征方法TADW,首先分析并讨论了文本属性矩阵在矩阵分解式中的位置对网络表征效果的影响,并对此方法进行了优化;在此基础上,提出了一种融合关系结构、交互结构和文本属性的社交网络表征方法。在多个数据集上的实验结果表明,该方法在多分类任务中优于其他经典网络表征方法。     

动态网络模式挖掘方法及其应用

静态复杂网络研究在揭示社会网络、信息网络和生物网络的形成和演化机制方面取得了重要成果,其方法和结果对系统生物学产生了重要影响.但现实世界中,很多网络是随时间发生变化的,即动态网络.以动态网络为对象,对动态网络的拓扑特性分析、动态网络相关的各种模式挖掘模型和方法进行了综述、比较和分析.特别地,将动态网络模式分析方法应用于生物网络和社会网络,分析了生物网络相关的动态功能模块和模式演化问题、科学家合作网络和社交网络的动态模式.最后指出了动态网络的模式挖掘方法及其在动态生物网络和社会网络研究中存在的问题和挑战,并对未来的研究方向进行了分析.     

计算机网络服务质量优化方法研究

随着现代科技水平的不断提高,网络技术也得到了更广泛的应用,互联网已经成为整个社会中不可缺少的重要工具。因此,对于计算机的网络服务质量提出了更高的要求,对网络采用一定有效的优化方法,也就成了保证网络服务质量的重要前提。本文主要通过对网络服务质量的优化方法进行介绍,对优化方法具体技术的分析以及优化方法在实际应用中的实施方法进行了分析。     

OpenFlow网络架构实现与仿真研究

OpenFlow网络架构克服了传统互联网体系结构“僵化”的问题,成为目前网络技术发展的重点。为了能有效地研究OpenFlow网络架构的组成、功能以及信息流程,采用Mininet底层网络模拟软件和Floodlight控制器软件,实现了OpenFlow网络环境。首先阐述了OpenFlow技术原理,其次给出了OpenFlow网络环境搭建方法,最后通过Mininet和OpenFlow软件实现了OpenFlow网络的仿真建模,对网络架构及相关功能进行了仿真实现,对OpenFlow网络的实现提供了有效的方法。     

网络攻防实验方法研究

针对网络攻防技术实验教学难以开展的问题,尝试将网络攻防模拟方法运用于网络攻防对抗实验教学中,提出了一种基于“虚拟靶机”的网络攻防对抗实验方法,论述了网络攻防对抗实验实施的基本原理,详细介绍了网络攻防对抗实验的实施方法.     

C~4ISR中P-坚持CSMA/CD局域网仿真系统设计与实现

网络仿真是分析网络性能的方法之一。为了控制军用网络的响应时间,通过面向对象分析,采用离散事件仿真方法设计并实现了军用网络仿真系统中的一个局域网的仿真。分析了概率P对网络性能的影响。     

基于S函数调节的非线性自适应动态面控制

针对一类控制增益未知的多输入多输出（MIMO）非线性系统,提出了一种基于神经网络的鲁棒自适应动态面控制方法．利用动态面控制解决反推法的计算膨胀问题;同时在参数自适应律中引入S（Sigmoid）函数,动态调节神经网络的收敛速度,解决了自适应初始阶段的抖振现象．利用李亚普诺夫稳定性定理,证明了闭环系统所有信号最终有界,系统的跟踪误差最终收敛到有界紧集内．仿真结果表明了该方法的有效性．     

具有未知干扰的无人机鲁棒滑模飞行控制

研究无人机飞行稳定性控制问题,由于无人机飞行控制系统存在时变外部干扰,飞行过程中升阴比变化激烈,控制稳定性难度较大。利用滑模控制良好的鲁棒能力提出一种神经网络的鲁棒飞行控制方法。因神经网络有良好非线性逼近能力,可对无人机飞行系统中的不确定进行在线逼近,并将神经网络权值误差引入到权值的自适应律中用以改善系统的动态性能。利用神经网络的组合,设计无人机鲁棒滑模飞行控制器。控制器分为两部分,一部分是等效控制器,另一部分是滑模控制器,能有效减小系统的跟踪误差。最后将所设计的鲁棒滑模控制对无人机飞行姿态控制进行仿真。仿真结果表明,新方法能提高无人机的鲁棒飞行控制能力且能实现无人机姿态的精确跟踪和稳定性控制。     

基于神经网络的严反馈块非线性系统的鲁棒控制

针对非匹配不确定性的严反馈块非线性系统,基于神经网络提出一种鲁棒控制方法．利用Lyapunov稳定性定理推导出RBF神经网络的全调节律,用于处理系统中的非线性参数不确定性,提高了神经网络的在线逼近能力;采用神经网络和鲁棒控制方法,利用已知信息的同时,对控制系数矩阵未知时的设计问题进行处理,避免了控制器可能的奇异问题;引入非线性跟踪微分器,解决了Backstepping设计中的“计算膨胀”问题．运用Lyapunov稳定性定理证明了闭环系统的所有信号均最终一致有界．     

基于神经网络与多模型的非线性自适应广义预测控制

针对一类不确定非线性离散时间动态系统, 提出了基于神经网络与多模型的非线性广义预测自适应控制方法. 该自适应控制方法由线性鲁棒广义预测自适应控制器, 神经网络非线性广义预测自适应控制器和切换机制三部分构成. 线性鲁棒广义预测自适应控制器保证闭环系统的输入输出信号有界, 神经网络非线性广义预测自适应控制器能够改善系统的性能. 切换策略通过对上述两种控制器的切换, 保证系统稳定的同时, 改善系统性能. 给出了所提自适应方法的稳定性和收敛性分析. 最后通过仿真实例验证了所提方法的有效性.     

基于动态神经网络的非线性组合系统自适应观测器

基于动态神经网络，对一类非线性组合系统提出一种观测器设计方法．在观测器设计中，充分考虑了神经网络逼近误差项对观测器性能的影响，增加了鲁棒控制项，并设计了相应的参数自适应律，以保证良好的观测性能．神经网络的连接权值在线调整，无需离线学习．仿真结果表明了该方法的有效性．     

Adaptive manipulator trajectory control using neural networks

A unified study of adaptive control and neural network based control schemes for the trajectory tracking problem of robot manipulators is presented. Efficacy of parametrized adaptive algorithms in compensating the structured uncertainties in robot dynamics is verified through extensive simulation. The ability of neural networks to provide a robust adaptive framework in the presence of both structured and unstructured uncertainties is investigated. A case study is carried out in support of a parametrized adaptive scheme using neural networks. Simulation results clearly indicate that the neural network based adaptive controller achieves better tracking in the presence of parametric uncertainties as well as unmodelled effects compared to the simple direct adaptive scheme.     

神经网络自适应噪声对消的研究

基于神经网络中自适应线性单元(ADALINE),结合传统自适应噪声对消原理,提出了一种基于ADALINE的改进型自适应噪声对消器。经仿真和实例证明,具有很强的噪声滤除能力和鲁棒性。     

RBF neural networks-based robust adaptive tracking control for switched uncertain nonlinear systems

In this paper, a robust adaptive H∞ control scheme is presented for a class of switched uncertain nonlinear systems. Radical basis function neural networks (RBF NNs) are employed to approximate unknown nonlinear functions and uncertain terms. A robust H∞ controller is designed to enhance robustness due to the existence of the compound disturbance which consists of approximation errors of the neural networks and external disturbance. Adaptive neural updated laws and switching signals are deducted from multiple Lyapunov function approach. It is proved that with the proposed control scheme, the resulting closed-loop switched system is robustly stable and uniformly ultimately bounded (UUB) such that good capabilities of tracking performance is attained and H∞ tracking error performance index is achieved. A practical example shows the effectiveness of the proposed control scheme.     

一类未知多变量非线性系统的动态神经网络自适应控制

对一类未知的非线性的多变量系统，提出了用动态神经网络实现直接自适应控制的策略，基于Ｌｙａｐｕｎｏｖ理论，获得一个稳定并且连续的学习律，避免了递归训练过程，闭环系统被证明是鲁棒稳定的，跟踪误差收敛到一个小的残集，这种方法的特点是即不需要离线学习阶段也不要求初始的参数误差足够小，仿真结果验证了提出的动态网络的自适应控制算法的有效性。     

Robust adaptive neural control for a class of perturbed strict feedback nonlinear systems

This paper presents a robust adaptive neural control design for a class of perturbed strict feedback nonlinear system with both completely unknown virtual control coefficients and unknown nonlinearities. The unknown nonlinearities comprise two types of nonlinear functions: one naturally satisfies the "triangularity condition" and can be approximated by linearly parameterized neural networks, while the other is assumed to be partially known and consists of parametric uncertainties and known "bounding functions." With the utilization of iterative Lyapunov design and neural networks, the proposed design procedure expands the class of nonlinear systems for which robust adaptive control approaches have been studied. The design method does not require a priori knowledge of the signs of the unknown virtual control coefficients. Leakage terms are incorporated into the adaptive laws to prevent parameter drifts due to the inherent neural-network approximation errors. It is proved that the proposed robust adaptive scheme can guarantee the uniform ultimate boundedness of the closed-loop system signals.. The control performance can be guaranteed by an appropriate choice of the design parameters. Simulation studies are included to illustrate the effectiveness of the proposed approach.