TCP/IP网络的动态模型描述

拥塞现象成为TCP/IP网络发展面临的一个重要问题。因此，拥塞控制对TCP/IP网络的鲁棒性和稳定性具有重要作用。目前，网络拥塞控制策略主要包括两类：端到端的控制机制，如TCP拥塞控制算法；网络内部的主动队列管理(AQM)策略。但由于缺乏对网络系统动态特性的了解，这些拥塞控制策略大都基于专家经验，并没有建立完整的理论分析框架。为此，本文从数据流的角度出发，通过建立网络基本单元状态方程模型来实现IP网络系统的数学解析模型，然后用混杂系统来描述TCP带有拥塞控制策略的数据传输过程，建立了TCP/IP网络的动态模型，为网络系统中动态性能的分析、拥塞控制策略的设计奠定了基础。实验结果表明，该数学模型与NS仿真实验的结果相一致。     

近红外光谱的甲醇汽油定量分析

随着汽油价格的不断升高,甲醇汽油作为一种替代车用燃料受到越来越多的重视.工业甲醇产量大,价格便宜,辛烷值高,将其以一定比例与汽油混合后,可以提高汽油标号,降低成本.但是由于甲醇热值低,甲醇汽油中的甲醇比例必须受到严格控制,不然会影响车辆动力性能.本文研究了采用近红外光谱分析技术定量分析甲醇汽油中的甲醇含量.首先对光谱数据进行多项式一阶微分和标准正态变换,得到预处理谱图;其次选取(1370～1450)m的光谱数据,对其进行PCA主元特征提取,并利用第一主元和第二主元对甲醇汽油和成品汽油进行分类:最后,选取(1100～1650)nm的光谱数据采用偏最小二乘(PLS)方法对甲醇含量建立定量分析模型.采用上述方法对24个实验室配制的甲醇汽油样品进行定量分析,实验结果表明,近红外光谱分析技术可以准确测量甲醇汽油中的甲醇含量,其交叉检验均方误差误差(StandardErrorofCrossValidation,SECV)为0.62(%,v/v),可以满足大部分甲醇汽油生产企业的实际检测需求.本文的最后部分讨论了光谱不同波段对模型精度的影响,结果表明,光谱1350～1650 nm波段包含了更加丰富的甲醇含量信息,但是采用全谱建立模型和经过波段选择后建立的模型交叉检验精度相差不大.     

用于近红外校正模型的训练样本选择

近红外(near-infrared,NIR)校正模型建立时传统的训练样本选择方法只考虑光谱欧氏距离的同类就近选取,不考虑光谱特征异常的训练样本的影响.基于主元分析(principal component analysis,PCA)残差,在同类就近取样的基础上引入异常光谱剔除技术进行训练样本的二次提取,用于建立偏最小二乘(partial least squares,PLS)回归模型.实验结果表明,该方法比传统方法的预测精度有较明显的提高.     

多层前向网络的随机学习新算法及其工业应用

多层前向网络的随机学习新算法及其工业应用戴连奎马龙华李晓东（浙江大学工业控制技术研究所杭州３１００２７）关键词多层前向网络，学习算法，催化裂化装置．收稿日期１９９５－０３－３１１引言许多复杂的工业过程建模问题，如系统辨识、参数估计与函数逼近等，都可转...     

结合序列线性规划法的混合遗传算法

通过将遗传算法与改进的序列线性规划法相结合，形成混合遗传算法．当迭代点没有发生交叉和变异时，将目标函数和约束条件在迭代点处线性化，为使迭代点邻域仍然满足约束条件，加入软约束项，用线性规划方法进行寻优．该方法具有全局收敛性，不要求迭代点一定为可行点．仿真结果验证了此法的有效性和合理性．     

过程控制结构的可行性分析

本文论述了工业过程调节控制结构的可行性问题,讨论的问题是,对于某一反馈信息结构,是否存在该结构下的某一分散控制器,以使闭环系统具有渐近稳定性、良好的伺服跟踪性能和鲁棒性,本文基于分散固定模的概念,获得了一般分散控制结构可行性判据。最后将该可行性判据成功地应用于某炼油厂催化裂化装置反应再生系统控制结构的选择及控制系统的设计,结果表明,该分散控制系统具有令人满意的动态性能和鲁棒性。     

先进控制软件在连续重整装置塔系列中的应用

介绍了上海炼油厂与浙江大学联合研制开发的连续重整装置塔系列先进控制软件及其工业应用情况。该软件以网络数据库为基础，采用模块化结构，各软件模块相当独立，既可单独运行，也可联合运行。其主要功能模块包括预加氢／预分馏部分物料平衡预测控制系统、自适应精馏塔产品质量在线软测量系统、碳四／碳五分馏塔的多变量广义预测控制器、结合软测量技术的精馏塔产品质量指标内模控制器等。该软件已成功应用于中国石化上海高桥分公司炼油厂连续重整装置，并显著地降低了各塔设备的操作波动、能耗与运行成本，取得了可观的经济效益。     

支持向量机分类与回归联合建模方法及其在拉曼光谱分析中的应用

多元校正分析模型的精度不仅依赖于模型的结构和参数,还很大程度上取决于训练样本的分布。实际过程中,训练样本通常呈现不均匀分布,导致基于全体样本的回归模型预测性能不理想。本文针对该问题提出了支持向量机分类与回归联合建模方法:首先使用最小二乘支持向量机(LS-SVM)分类器构建分类决策树,然后对每一类样本分别建立最小二乘支持向量机回归模型;对未知样本进行定量分析时,首先经过分类决策树分类,再根据分类信息选择相应的回归模型进行计算。针对汽油辛烷值拉曼光谱分析问题,基于全体样本建模的LS-SVM回归模型的标准预测误差为0.54,而采用本文方法所得的模型预测误差为0.22,大幅度地提高了分析精度。