一种预测流量的改进RED算法

本文将流量预测有效的用于主动队列管理的拥塞控制算法,使用径向基函数网络对现有网络数据进行预测,然后对预测出的网络流量数据使用RED拥塞控制算法进行队列管理,其中对丢包率的计算采用曲线拟合的方法,从而实现了网络非线性变化的拥塞控制。     

基于LSTM-CNN-CBAM模型的股票预测研究

为了更好地对股票价格进行预测,进而为股民提供合理化的建议,提出了一种在结合长短期记忆网络（LSTM）和卷积神经网络（CNN）的基础上引入注意力机制的股票预测混合模型（LSTM-CNN-CBAM）,该模型采用的是端到端的网络结构,使用LSTM来提取数据中的时序特征,利用CNN挖掘数据中的深层特征,通过在网络结构中加入注意力机制--Convolutional Attention Block Module（CBAM）卷积模块,可以有效地提升网络的特征提取能力。基于上证指数进行对比实验,通过对比实验预测结果和评价指标,验证了在LSTM与CNN结合的网络模型中加入CBAM模块的预测有效性和可行性。     

融合MLP和DBN的光伏发电预测算法

精确的光伏发电预测对提高电力系统稳定性、保证电能质量、优化电网运行具有重大意义。为了解决现存光伏预测算法精度较低、性能较差的问题,同时为了综合利用多层感知器（MLP）解决非线性问题的能力以及深度信念网络（DBN）有效处理大量复杂数据的优势,构建了一种融合MLP和DBN的光伏预测算法（MLP-DBN）,其基本思想是先利用MLP模型进行初步预测,再将观测值与预测值的残差输入DBN预测模型进行预测,最后用残差预测值对MLP模型的预测值进行修正。利用光伏发电实测数据仿真,探究了不同学习率下模型的预测性能,并对模型的各参数进行了寻找优化设置。使用均方根误差、平均绝对误差以及决定系数等性能指标评估结果表明,与传统的预测算法支持向量机（SVM）以及具有较高预测精度的深度学习算法长短期记忆网络（LSTM）相比,MLP-DBN算法性能有明显的提升,为光伏发电提供了一种高精度高性能的预测算法,可以有效解决光伏发电预测问题。     

基于改进的BP神经网络的Overlay网络流量预测

随着网络规模的增长,Overlay网络流量预测已经日渐成为研究热点。与传统网络相比,Overlay网络本身的特性决定了传统的预测方法已不能适应它的要求。提出一种基于模拟退火的粒子群神经网络来预测Overlay网络的流量,运用反向计算方法,从理想最优值出发,近距离寻找最优解,缩短了求解时间并加大了找到最优解的几率。通过实验仿真可以看出,改进的BP神经网络方法的预测效果要明显好于传统的BP神经网络。     

基于检测投票机制的无线传感器网络DoS攻击检测方案

针对如何准确地检测无线传感器网络中的拒绝服务攻击问题,在局部监测理论的基础上,通过采用检测投票机制,设计出一种可以有效检测拒绝服务攻击的安全路由协议,为了提高方案的检测准确度,提出一种报警评估机制,减少预测误差带来的误报。模拟实验结果表明,新方法具有较高的预测精度,能及时有效地检测出恶意攻击节点并隔离该节点,保证网络的正常工作．     

一种基于计费管理的网络服务质量控制法

计费管理不仅是商业化的网络体系进行收支核算的工具,也是提高网络服务质量（ＱＯＳ）的途径之一。文章提出了一种基于多媒体网络服务质量（ＱＯＳ）控制的计费管理方法,即基于带宽的分时制计费方法（ＰＰＢＴ）。目的是运用计费管理手段,控制和提高多媒体用户的服务质量（ＱｏＳ）,进而达到最佳的网络资源利用率。     

基于金字塔场景分析网络改进的语义分割算法

图像语义分割是图像识别中的一个经典难题,是机器视觉研究的一个热点。但在实际应用中,会出现语义标签预测不准确、所分割对象与背景之间边缘信息损失问题,这已逐渐成为了图像理解的瓶颈。据此,提出了一种基于金字塔场景分析网络（PSPNet）的网络改进结构,在特征学习模块中将输入图在原残差网络（ResNet）的基础上通过在网络内部增加卷积、池化操作,进一步学习各个层次特征,将所学习到的多个低层次特征图与高层次特征图相加,得到新的具有更多空间位置信息的特征图;为得到丰富的上下文信息,利用PSPNet的金字塔池化结构,将特征图中全局上下文信息与不同尺度局部上下文信息相结合,进行卷积和上采样,得到最终预测图。仿真实验结果表明,所改进的方法在PASCAL VOC 2012测试集中平均交并比（Mean Intersection over Union,MIoU）达到78.5%,较基准算法提升了1.7%。     

贝叶斯正则化神经网络预测金属晶体结合能的研究

采用贝叶斯正则化神经网络(BRNN)对61种金属晶体结合能进行了预测。对网络结构、训练集、预测集以及学习次数进行了优化，并用独立预测样本对贝叶斯正则化神经网络作了检验。预测结果表明，在推广能力方面，贝叶斯正则化神经网络优于熟知的反向传播(BP)神经网络和多元线性回归方法(MLR)。它可望成为元素和化合物构效关系研究的辅助手段。     

基于EEMDSE-ILSTM的风电场超短期风速预测

不可再生资源的枯竭推动着新能源的发展,风电作为目前风能利用的主要形式得到了大面积推广。但风速非线性、非平稳性、时序性的特点对风机本身和电力系统都会产生不利的影响,因此精准的风速预测已经成为亟待解决的关键课题。基于组合预测方法,提出了一种EEMDSE-ILSTM风速预测模型。该模型利用集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）将风速数据分解为若干个分量数据集,并通过样本熵对各分量进行筛选以简化数据。将改进的鲸鱼算法与长短期记忆网络（Long Short-Term Memory,LSTM）结合,无监督生成合适的模型预测参数。在预测时依次对每个分量数据预测并将结果累加获得最终预测值。仿真结果表明,该模型与其他方法比较,显示出较好的预测精度和泛化性能。     

基于ARMA模型预测的交换机流表更新算法

针对SDN网络中交换机在网络流量高峰期流表匹配率低以及控制器负载过重的问题,提出了一种基于自回归移动平均（ARMA）模型预测的交换机流表更新算法。算法首先收集每个取样周期内的新增流表项数量作为历史数据,然后使用ARMA模型对收集的历史数据进行分析,预测下一个周期内新增加的流表项数量,并结合当前流表空间的使用情况,清除交换机中过去一段时间内使用频率较低的流表项。采用真实数据中心网络数据的模拟实验结果表明,与流表更新的一般方法相比,该算法有效地提高了交换机流表的匹配率,并减少了交换机与控制器之间交互的次数,降低了控制器端的负载。     

基于强化学习的网络时延自动化控制数学建模研究

传统的网络时延控制模型在分析时延原因时,仅从宏观角度分析,缺少建立网络模型的过程,导致时延控制能力差、数据传输时间长、丢包率大的问题。为解决此问题,设计一种基于强化学习的网络时延自动化控制模型。该模型的构建主要分为两部分,先是确定网络模型,具体分析网络时延出现的原因,在此基础上,利用强化学习中的Q学习算法构建自动化控制模型,以解决网络时延问题。实验结果表明:与传统的基于均衡调度的网络时延控制模型相比,该模型对网络时延的控制性能更好,且数据包传输时间缩短3.7 s,数据包丢包率降低5%,应用优势明显。     

基于网络控制的球杆系统模糊控制器设计

针对网络化控制系统中存在的网络延时的不确定性,提出了如何根据系统的控制性能要求处理网络传输过程中网络延时的时变特性.通过对网络环境的分析,把网络延时进行分段序列化,使时变的网络延时转换成一个固定延时序列.在球杆系统本地化控制中加入固定延时,获取不同延时情况下球杆系统的最佳控制参数.在网络控制中,通过捕获的网络延时查找最...     

基于时延的现场总线网络监控系统跟踪控制研究

通过基于Matlab/Simulink的网络控制系统的仿真工具TrueTime,分析了网络控制系统中存在时延问题情况下的稳定性问题.在此基础上采用减少网络时延的网络调度算法.仿真结果表明该调度算法能够有效缩短网络时延,从而有效提高网络控制系统的控制稳定性和精度.     

基于时延估计组合模型的NCS控制方法研究

在对网络传输时延的组成和特性进行分析的基础上,针对双边网络控制系统,提出了一种时延估计组合模型,并对该组合模型的有效性进行了评估。利用该模型进行网络时延估计,估计结果用来设计网络时延补偿控制器,以实际网络时延为实验数据进行了仿真实验,实验结果表明网络控制系统的动态性能有了明显改善,同时进一步证实了时延估计组合模型的有效性。     

基于网络模型的综合多速率采样预测控制器

针对网络控制系统(NCS)中存在的网络延迟和数据丢包问题以及网络控制系统的多采样率特性,将预测控制器和网络延迟补偿器相结合,提出一种基于网络模型的综合多速率采样预测控制器.预测控制器利用多步预测、滚动优化、反馈校正控制策略补偿了传感器-控制器传输延迟,网络延迟补偿器补偿了控制器-执行器传输时延和一些未知网络延迟.仿真试验表明,该算法对网络延迟和数据丢包具有一定的补偿作用,提高了网络资源利用率并且保证闭环网络控制系统渐近稳定.     

时延网络控制系统的研究综述

系统介绍了时延网络控制系统的研究现状，包括时延网络控制系统的基本分析和控制系统的建模，并描述了目前针对时延网络控制系统的控制补偿策略。在此基础上分析了时延网络控制系统尚待解决的问题和一些新的研究方向。     

基于ARM的网络远程闭环控制机理研究与实现

针对网络远程控制的研究大部分还只是停留在开环控制或工业专用网络的问题,本文提出了一种基于Internet的远程闭环控制方案,根据该方案设计并实现了一个基于Internet的ARM网络远程控制器和本地控制器,在实验室搭建了网络远程闭环控制物理模拟实验平台,并在该平台上,针对大惯性水位控制对象和网络传输延时的不确定性问题,设计了一种基于在线信息排队的网络延时补偿方法,该方法克服了网络拥塞与不确定性延时对系统的影响,进行了网络远程闭环实时控制实验,得到了较好的控制效果。     

直流伺服电机网络控制系统时延特性的仿真研究

分析直流伺服电机网络控制系统中网络时延的分类和组成,利用基于MATLAB/Simulink的TrueTime仿真工具箱建立以直流伺服电机为被控对象的网络控制系统仿真模型,分析不同条件下网络时延对网络控制系统控制性能的影响。     

天基综合信息网的容延计算仿真方法

容延网络DTN(delay tolerant network) 具有拓扑结构随时变化、通信脆弱、路由选择复杂、延时控制困难等特征,造成网络性能的不稳定,特别是网络的时延无法计算.以典型的容延网络--天基综合信息网--为例,运用组网仿真和链路仿真,较好地解决了网络连通性中的间歇时间问题,并为路由节点提供了可行的静态路由表.还创造性地运用了网络接纳实时任务机制,体现实时可执行概率这一新概念,它为动态选择路由节点提供了科学依据.     

基于时延动态补偿的网络控制器的设计

在网络控制系统中由于网络带宽的限制,不可避免地使网络系统产生网络诱导时延,从而导致系统性能下降甚至不稳定。文章针对延时不确定使得Smith预估补偿控制效果差的问题,提出了新的Smith补偿控制算法,根据控制器反馈信息对网络延时进行动态补偿,并与模糊PI控制方法相结合,构成Smith预估模糊PI控制器,使得闭环控制系统即使在模型失配的情况下,仍具有较高的稳定性、较强的鲁棒性。仿真结果表明,该方法可行有效。