基于k-means聚类的神经网络分类器集成方法研究

针对差异性是集成学习的必要条件,研究了基于k-means聚类技术提高神经网络分类器集成差异性的方法。通过训练集并使用神经网络分类器学习算法训练许多分类器模型,在验证集中利用每个分类器的分类结果作为聚类的数据对象;然后应用k-means聚类方法对这些数据聚类,在聚类结果的每个簇中选择一个分类器代表模型,以此构成集成学习的成员;最后应用投票方法实验研究了这种提高集成学习差异性方法的性能,并与常用的集成学习方法bagging、adaboost进行了比较。     

融合雷达数据与地理信息系统的归并算法

融合算法将“不具备完整地理信息”的雷达栅格数据转换为能被GIS平台显示、处理及分析的矢量面几何体。算法从左到右、从上到下扫描雷达栅格矩阵,以相邻点的回波等级分布情况作为网格区域归并的判断依据,处理“左右一致”、“左右、上下一致”、“左右、左上、上下一致”、“左右、上下一致,而左上不一致（岛）”等的相邻栅格点情况,最终将大量的规则雷达栅格数据点归并为数量较少的不规则矢量面,从而提高雷达数据的显示、处理速度,并能借助GIS空间算子的操作,实现与空间点、线、面地物的空间统计分析。实验分析结果显示融合结果正确,对雷达观测的原始结果值在空间上不产生形变;算法处理速度较快,能满足实际应用的要求。而针对雷达矢量面数据空间分析及计算的检验结果表明雷达栅格数据在转换为矢量格式后确实能完成在原始数据格式下很难,甚至无法完成的空间统计分析功能。     

一种基于灰色关联度的多属性群决策方法

基于灰色关联度的思想提出了一种群决策方法。该方法根据各专家给出的决策矩阵,利用灰色关联度的思想确定专家权重,得出群决策矩阵,基于偏差最大化的思想计算属性权重,计算各方案的综合关联度,据此确定方案的排序。算例表明了利用此方法得出的方案综合关联度之间相对差距较大,提高了决策的科学性和有效性。指出了徐选华等人提出的算例中的错误,予以纠正。     

存储区域网中基于神经网络故障检测器的研究

故障检测器是构建可靠的存储区域网所必需的部分。针对系统中节点状态变化快的特点,设计了一种基于神经网络的故障检测器。它结合心跳策略和神经网络模型,根据环境的变化预测出被检测节点的状态,在一定的检测时间内,提高了故障检测器的精度。实验表明,该故障检测器具有较好的性能,提高了存储区域网的可靠性。     

液压集成块油路语义特征建模及有效性维护

以液压集成块油路设计问题为对象,采用层次化的语义特征建模方法,建立包含工程语义层、几何层、拓扑层及参数层的液压集成块油路语义特征模型,提出基于临时体模型和B-Rep模型混用的几何描述方法,基于图论的实体邻接图/邻接矩阵的油路特征拓扑描述方法和特征工程语义的有效性验证和维护机制,从而可实现与设计时序无关的液压集成块油路设计和有效性实时验证维护。     

基于分形维数的非常规决策表的属性约简

属性约简是粗糙集的一个核心研究课题,但经典属性约简及其延伸算法是基于有决策属性的决策表的属性约简算法,它们对无决策属性的非常规决策表的属性约简无能为力。以粗糙集理论为基础,对无决策属性的非常规决策表从分形维数方面进行研究,提出了一种适用于无决策属性的决策表的启发式属性约简算法。该算法在一定程度上能够解决非常规决策表的属性约简问题,进一步扩展了粗糙集理论的应用范围。实例表明该算法是有效可行的。     

关于左C-wrpp半群的若干性质

左C-wrpp半群是左C-半群和左C-rpp半群的共同推广,杜兰等研究了左C-wrpp半群,给出了左C-wrpp半群的curler结构。进一步研究左C-wrpp半群,得到左C-wrpp半群的若干特征和等价刻画,丰富了杜兰等关于左C-wrpp半群的结果。     

自主水下航行器的回坞导引和入坞控制算法

针对军事侦察和海洋环境监测领域中对自主水下航行器（AUV）水下自主回收能力的需求,研究了AUV自主回收过程中回坞和入坞的导引和控制问题。将水下自主回收过程分为回坞导引和入坞控制两个连续的阶段,其中回坞阶段采用经典的视线（LOS）导引法,使AUV到达回收器正前方的回坞航路点;入坞阶段则采用非线性横向跟踪控制方法,使AUV精确跟踪沿回收器中轴线的入坞直线航路航行并最终进入回收器。采用REMUS AUV的模型参数对水下回收进行了仿真研究,结果表明该方法是有效的,具有良好的工程应用前景。     

基于行为均衡分析的多学科协同决策机制设计

针对求解不确定、动态和分布式的多学科设计优化问题时所面临的挑战,提出了一种基于行为均衡分析的多学科协同决策机制。在行为博弈分析框架下,通过采用折衷决策支持问题建立学科设计团队的基本决策模型,利用理性反应集刻画团队之间的交互作用和耦合关系,结合社会偏好理论、认知演算和前景理论来描述团队之间行为均衡的实现过程,该机制为多学科设计博弈的动态演化过程提供了一个有效的建模工具。     

FPGA与DDR2 SDRAM互联的信号完整性分析

论述了Virtex-5和DDR2?SDRAM在互联中的信号完整性问题,利用前仿和后仿的措施分析和验证了它们在不同互联拓扑结构下的信号完整性。通过原型机的测试,验证了该理论在高速电路设计中的应用有效性。     

基于双启发动态规划的预分解窑控制器设计

针对水泥预分解窑熟料煅烧过程多变量、多扰动、非线性,难以建立精确的数学模型,实际生产中对工人的生产经验依赖性较强等问题,提出采用误差反向传播(BP)神经网络建立烧成系统数学模型,设计预分解窑双启发动态规划(DHP)控制器。DHP评价网络输出代价函数J关于状态量的偏导数,获得最优或者次优的控制信号,然后由动作网络输出控制信号,使系统得到期望的控制轨迹。仿真结果表明控制器响应时间较快,各参量超调量均不大,有助于实际系统的稳定运行。     

基于自适应动态规划的非线性鲁棒近似最优跟踪控制

为克服现有近似最优跟踪控制方法只能跟踪连续可微参考输入的局限,本文针对一类具有未知动态的连续时间非线性时不变仿射系统,提出了一种新的基于自适应动态规划的鲁棒近似最优跟踪控制方法.首先采用递归神经网络建立系统模型,然后建立评价神经网络对最优性能指标进行估计,从而得到最优性能指标偏导数的估计值,进而得到近似最优跟踪控制器,最后利用系统输出与参考输入之间的跟踪误差设计鲁棒项对神经网络建模误差进行补偿.分别针对两个非线性系统进行仿真实验,仿真结果表明了所提方法的有效性和优越性.     

DHP在锅炉燃烧控制系统中的应用研究

由于锅炉的燃烧控制系统是一个具有强耦合性的较复杂的多变量非线性控制系统,现有的控制方法不能达到较理想的控制效果,还造成了资源的浪费。针对这种情况,提出了双重启发式动态规划(DHP)控制方法,通过对DHP原理的分析和锅炉燃烧控制系统的研究,结合神经网络建立数学模型,将DHP方法应用于锅炉燃烧控制系统中,最后根据控制要求进行仿真。结果显示系统的各个状态量均能够被稳定控制在合理的范围内,并且系统反应迅速,达到了理想的控制效果,证明了DHP方法的适用性。     

Adaptive differential dynamic programming for multiobjective optimal control

An efficient numerical solution scheme entitled adaptive differential dynamic programming is developed in this paper for multiobjective optimal control problems with a general separable structure. For a multiobjective control problem with a general separable structure, the “optimal” weighting coefficients for various performance indices are time-varying as the system evolves along any noninferior trajectory. Recognizing this prominent feature in multiobjective control, the proposed adaptive differential dynamic programming methodology combines a search process to identify an optimal time-varying weighting sequence with the solution concept in the conventional differential dynamic programming. Convergence of the proposed adaptive differential dynamic programming methodology is addressed.     

基于评价网络近似误差的自适应动态规划优化控制

为了求解有限时域最优控制问题,自适应动态规划(ADP)算法要求受控系统能一步控制到零。针对不能一步控制到零的非线性系统,提出一种改进的ADP算法,其初始代价函数由任意的有限时间容许序列构造。推导了算法的迭代过程并证明了算法的收敛性。当考虑评价网络的近似误差并满足假设条件时,迭代代价函数将收敛到最优代价函数的有界邻域。仿真例子验证了所提出方法的有效性。     

A quasi-newton differential dynamic programming algorithm for discrete-time optimal control

We develop a quasi-Newton differential dynamic programming algorithm (QDDP) for discrete-time optimal control problems. In the spirit of dynamic programming, the quasi-Newton approximations are performed in a stagewise manner. We establish the global convergence of the method and also show a superlinear convergence rate. Among other advantages of the QDDP method, second derivatives need not be calculated. In theory, the computational effort of each recursion grows proportionally to the number of stages N, whereas with conventional quasi-Newton techniques which do not take advantage of the optimal control problem structure, the growth is as N². Computational results are also reported.     

A heuristic based on multi-stage programming approach for machine-loading problem in a flexible manufacturing system

Manufacturing industries are rapidly changing from economies of scale to economies of scope, characterized by short product life cycles and increased product varieties. This implies a need to improve the efficiency of job shops while still maintaining their flexibility. These objectives are achieved by Flexible manufacturing systems (FMS). The basic aim of FMS is to bring together the productivity of flow lines and the flexibility of job shops. This duality of objectives makes the management of an FMS complex. In this article, the loading problem in random type FMS, which is viewed as selecting a subset of jobs from the job pool and allocating them among available machines, is considered. A heuristic based on multi-stage programming approach is proposed to solve this problem. The objective considered is to minimize the system unbalance while satisfying the technological constraints such as availability of machining time and tool slots. The performance of the proposed heuristic is tested on 10 sample problems available in FMS literature and compared with existing solution methods. It has been found that the proposed heuristic gives good results.     

基于DMC的循环流化床锅炉燃烧控制系统设计

循环流化床锅炉燃烧系统是一种纯滞后、大延迟、强耦合的系统。而多变量动态矩阵控制对模型精度要求不高,对惯性、延迟和耦合的适应能力较强,且有很强的鲁棒性,因此,把多变量动态矩阵控制用于循环流化床锅炉燃烧控制系统。仿真结果表明,该系统响应速度较快,输出量和控制量变化较小,取得了比较满意的控制效果。     

线性规划ν-支持向量机的牛顿法

基于线性规划的ν-支持向量机(ν-LPSVM)是在基于二次规划的ν-支持向量机(ν-QPSVM)的基础上提出的。ν-LPSVM和ν-QPSVM模型中的参数ν都可以控制支持向量的数目和误差,但ν-LPSVM的模型更为简单,应用前景更广。讨论了这种新型支持向量机的线性规划问题的最小2-范数解,在此基础上给出了一个快速、有限步终止的牛顿算法。数值实验表明,ν-LPSVM的牛顿算法快速而且有效。     

Adaptive dynamic programming for finite-horizon optimal control of linear time-varying discrete-time systems

This paper studies data-driven learning-based methods for the finite-horizon optimal control of linear time-varying discrete-time systems. First, a novel finite-horizon Policy Iteration (PI) method for linear time-varying discrete-time systems is presented. Its connections with existing infinite-horizon PI methods are discussed. Then, both data-driven off-policy PI and Value Iteration (VI) algorithms are derived to find approximate optimal controllers when the system dynamics is completely unknown. Under mild conditions, the proposed data-driven off-policy algorithms converge to the optimal solution. Finally, the effectiveness and feasibility of the developed methods are validated by a practical example of spacecraft attitude control.