CDMA移动终端识别码的升级——MEID和EUIMID替代ESN和UIMID

用于CDMA领域的移动通信设备识别码——ESN的资源即将耗尽,同时与ESN共享同一号码资源的UIMID也将耗尽。新的MEID和EUIMID将替代以上两种识别码,提供更加丰富的号码资源。为了保证后向兼容性,伪ESN(pESN)和伪UIMID(pUIMID)也被引入。     

一种深度回声状态网络的输入尺度自适应算法

深度回声状态网络是回声状态网络与深度学习思想的结合,合理选取不同谱半径的内部状态矩阵和弱积分参数能有效增强深度回声状态网络的多尺度时域特性。利用数据可视化分析输出矩阵在不同网络层中的分布关系,发现高层网络中部分神经元处于饱和工作状态且该状态抑制了网络动态预测能力。提出一种深度回声状态网络的输入矩阵自适应算法,在对网络内部状态的均值和方差进行递推估计的基础上判断神经元饱和状态,通过自适应调整各层输入权重的值来增强神经元动态性。数值计算结果表明,基于输入尺度自适应算法的深度回声状态网络相对同等规模的单层回声状态网络对于动态系统的预测精度有成倍提升。     

基于回声状态网络的飞机混沌时间序列预测模型

准确检测飞机即将发生的故障或预测其状态的变化趋势,对于实现飞行安全具有重要意义。文章针对传统基于回声状态网络在故障预测中的不足,构建了基于小波降噪的回声状态网络预测模型。该模型保留了非线性时间序列回声状态网络预测的优势,并采取小波变换对混沌时间序列进行降噪预处理,有效提高了含噪混沌时间序列的预测精度。论文通过对某飞机发动机滑油散热器温度时间序列数据序列进行预测分析,表明文中模型具有较好的预测精度,验证了模型的有效性。     

ESN网络在机器人轨迹跟踪控制中的应用

为了研究具有模型不确定性的机器人操作手的轨迹跟踪控制,采用一种新的递归神经网络——回声状态网络(ESN)设计了动态控制器.采用PID控制器补偿ESN网络的逆建模误差,并在网络训练过程中加入白噪声项,以保证动态系统的稳定性.最后针对两关节机械手的轨迹跟踪控制问题进行了数值仿真,仿真结果表明了该方法的有效性.     

燃煤电厂锅炉燃烧系统的回声状态网络建模

燃煤电厂的锅炉燃烧系统是一个复杂而又重要的系统,建立其精确、普适的模型很困难.首先对现场采集的锅炉燃烧系统输入输出数据进行处理和优选,以用于燃烧系统的建模;然后将一种新型的递归神经网络——回声状态网络（echo state network,ESN）进行改进,提高了网络的精度和适应性,并且将改进的回声状态网络应用于燃烧系统静态建模,与其他4种神经网络建立的静态模型比较,前者适应性更强;最后将改进的回声状态网络应用于锅炉燃烧系统的动态建模,与静态建模相比,模型的适应性更好,能够进行长时间的预测.     

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.     

基于KF与ESN的糖厂澄清工段在线预测

糖厂澄清工段是甘蔗制糖的重要工艺环节之一,是一个复杂的物理、化学过程,具有非线性、大时滞、时变等特点.而且不同的榨季、甘蔗的品种、新技术的应用等情况,都可能导致过去良好的控制模型往往不能及时适应新情况的发生.基于大量离线、在线数据,结合回声状态网络(ESN)和Kalman滤波(KF)的特点,设计了应用于糖厂澄清工段的在线自适应预测方法.该方法将Kalman滤波应用于ESN的高维状态空间中,可以直接对网络的输出权值进行更新.将仿真结果与基于EKF的RBF网络相比较,说明了基于KF与ESN的糖厂澄清工段在线预测模型的优越性.     

基于蚁群算法优化回声状态网络的研究

针对输出权值采用最小二乘法的回声状态网络(ESN),在随机选取输入权值和隐层神经元阈值时,存在收敛速度慢、预测精度不稳定等问题,提出了基于蚁群算法优化回声状态网络(ACO-ESN)的算法。该算法将优化回声状态网络的初始输入权值、隐层神经元阈值问题转化为蚁群算法中蚂蚁寻找最佳路径的问题,输出权值采用最小二乘法计算,通过蚁群算法的更新、变异、遗传等操作训练回声状态网络,选择出使回声状态网络预测误差最小的输入权值和阈值,从而提高其预测性能。将ACO-ESN与ELM、I-ELM、OS-ELM、B-ELM等神经网络的仿真结果进行对比,结果验证经过蚁群算法优化的回声状态网络加快了其收敛速度,改善了其预测性能,并增强了隐层神经元的敏感度。     

基于ESN和改进RBFNN的城市燃气负荷预测

城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容.针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文提出一种ESN和改进RBF神经网络的组合预测模型.首先用核Fisher线性判别对原始数据进行降维,其次用ESN模型进行初步预测,然后将ESN的预测结果作为RBF神经网络的输入来构建组合模型,并将差分进化算法和梯度下降算法结合,对RBF神经网络的结构和参数同时进行训练和优化,以增强算法的局部搜索能力,加快收敛速度.实验结果表明,本文模型比原组合模型的预测精度更高.     

基于回声状态网络的回转窑工况识别方法

回转窑烧成带图像蕴含了丰富的温度场和熟料烧结信息,是回转窑烧结工况识别的重要依据。现有的基于静态图像的识别方法易受各种噪声影响,工况识别准确率较低。而视频图像序列蕴含了更多的烧结工况,具有区分性和不变性时空特征,在反映烧结工况变化方面信息更全面,更鲁棒。鉴于循环神经网络(RNN)和回声状态网络(ESN)适合处理时间序列方面的问题,分别根据两种神经网络构造动态分类器模型,提出了基于烧成带视频图像的回转窑熟料烧结工况识别方法,并且采用基准数据集时间序列做预测实验,通过设计实验考查两种神经网络处理分类和回归问题的能力。实验结果表明,针对回转窑工况识别问题,在不同数量样本条件下,ESN模型的识别率均略优于RNN-GRU,在MIMO时间序列预测问题上,ESN模型预测效果较好。