基于RBF 神经网络的单元机组负荷系统建模研究

采用径向基函数(RBF)神经网络进行多变量系统的建模研究。将正规化正交最小二乘(ROLS)算法扩展到多输入多输出系统，建立多变量系统的RBF神经网络模型。对电厂单元机组负荷系统进行建模仿真研究的结果表明，用该方法建立的多变量热工系统的非线性模型是有效的，具有较高的辨识精度和较好的泛化能力。     

基于微观经济学方法的网络资源分配研究

随着Internet应用迅猛发展,网络资源相对匮乏的问题日渐突出。如何合理分配有限的资源为不同服务质量需求的应用提供服务,提高资源使用效率,是亟等解决的问题。近年来,研究者把微观经济学方法引入网络资源分配领域,为这一领域的研究提出崭新的思路,具有重大意义。详细分析了基于微观经济学方法网络资源分配研究的最新进展,并指出当前研究存在的问题以及下一步研究的方向。     

MVB网络输入输出单元设计

多功能车辆总线MVB是TCN列车通信网络技术中用于车辆级设备分布式控制的实时、高可靠、高安全的通信技术。为实现车载设备便捷地连入MVB网络,给出一种基于MVB总线的智能输入输出单元设计方法。采用嵌入式及模块化设计,微控制器与MVB网卡以及输入输出板卡之间通过标准的PC104接口连接。所设计的单元具有通用性,仅需要通过I/O接口与设备连接即可接入既有的列车通信网络实现MVB通信,通过联网测试实验,表明具有较高的可靠性和较强的灵活性。     

基于效用的虚拟网络资源分配模型

在虚拟网络环境中,提出了基于效用的链路资源分配模型,使链路资源在存在拥塞的情况下达到最优分配。模型设计了单寡头垄断情况下虚拟业务提供用户与垄断者的效用函数,以及其达到均衡的条件,同时增加寡头数来讨论企业进入条件以及资源最优分配下的企业数量。由仿真分析可以得出,基于效用的资源分配模型能够有效地促进用户与企业之间、企业与企业之间的博弈,在双方利益最大化基础上实现资源最优分配。     

一种无线传感器网络能耗模型及有效性分析

提高网络的能量有效性是无线传感器网络设计的关键.针对现有的正方形网络中由于中继次数无法预知,由此带来的不确定性导致相同传输距离下不同传输路径的能耗表达式不同的问题,引入最小跳数技术,采用加权平均算法,建立了坐标系下正方形网络的能耗模型,推导出更为准确的正方形网格的能耗表达式,解决了能耗表达式模糊的问题.仿真分析表明算法...     

基于业务QoS保证的中继系统资源分配算法

在基于正交频分多址（OFDMA）的中继系统中,为了满足用户的QoS要求,保证系统的吞吐量最大的同时又保证用户公平性,给出了一种面向业务服务质量的资源分配算法。先根据用户在队列中的等待时延和用户对速率的需求引入时延优先级因子和速率优先级因子,以此计算用户的优先级。然后分别在回程链路和接入链路进行动态资源调度与分配。仿真结果表明,新算法能够兼顾中继用户和直传用户的性能,实现低丢包率、较好地满足 GBR需求,实现较高的系统吞吐量和公平性。     

大型公共建筑能耗动态模型的研究与应用

通过分析大型公共建筑能耗数据所具有的海量性、随机性、序列性等特征,建立了基于多元线性回归与一阶自回归算法的大型公共建筑能耗动态模型。研究了模型参数估计问题,结合F与χ2两种方法,理论验证了模型显著性与有效性;根据西安市某大型公共建筑能耗数据,实验验证了该模型的逼真性、可行性与强健性。因此,该模型能对既有与新建大型公共建筑能耗进行实时动态预测,解决了节能定量化研究、定额用能的“瓶颈”问题,为大型公共建筑能耗审计及等节能制度的实现提供科学指导。     

网络控制系统T-S模型的建立--基于非线性最小二乘估计法

对具有时滞的不确定非线性离散网络闭环系统的建模方法进行了探讨,提出了一种基于非线性最小二乘估计的T-S模糊模型的建立方法,仿真结果验证了该建模方法的有效性。     

基于最小资源分配网络的自适应PID控制

针对常规径向基函数神经网络(radial basis function neural network,RBFNN)的逼近性能对网络结构和初始参数依赖性强的问题,采用最小资源分配网络进行改进,并与单神经元PID控制相结合,提出了一种基于最小资源分配网络的自适应PID控制方法。该方法利用最小资源分配网络动态构建RBFNN,实现RBFNN结构和参数的在线优化,并用该RBFNN辨识对象的离散模型,然后由单神经元PID控制器完成PID参数的自适应整定。仿真结果表明,该方法中PID参数能够很好地适应系统输入信号的变化,对非线性系统控制效果较为理想。     

基于资源分配网络和语义特征选取的文本分类

针对资源分配网络(RAN)算法存在隐含层节点受初始学习数据影响大、收敛速度低等问题,提出一种新的RAN学习算法。通过均值算法确定初始隐含层节点,在原有的“新颖性准则”基础上增加RMS窗口,更好地判定隐含层节点是否增加。同时,采用最小均方(LMS)算法与扩展卡尔曼滤波器(EKF)算法相结合调整网络参数,提高算法学习速度。由于基于词向量空间文本模型很难处理文本的高维特性和语义复杂性,为此通过语义特征选取方法对文本输入空间进行语义特征的抽取和降维。实验结果表明,新的RAN学习算法具有学习速度快、网络结构紧凑、分类效果好的优点,而且,在语义特征选取的同时实现了降维,大幅度减少文本分类时间,有效提高了系统分类准确性。     

改进的IMU传感器安装误差正交补偿方法

针对传统的正交补偿方法难以保证惯性测量单元具有较高的正交补偿精度的问题,提出了一种改进的适用于大角度和小角度安装误差角情形的正交补偿方法,该方法分别建立三轴加速度计和三轴光纤陀螺传感器的安装误差方程,对惯性测量单元进行速率标定和多位置静态标定,并利用最小二乘法求解惯性测量单元的安装误差方程参数.仿真和实验结果表明:该方法较传统的正交补偿方法具有较高的正交补偿精度和传感器标定精度,且回避了静态标定时在较大安装误差角下利用转位机构获得零偏存在较大误差的问题,大大地提高了标定效率.     

Taking advantage of improved resource allocating network and latent semantic feature selection approach for automated text categorization

In this study we propose an improved learning algorithm based on resource allocating network (RAN) for text categorization. RAN is a promising neural network of single hidden layer structure based on radial basis function. We firstly use the means clustering-based method to determine the initial centers in the hidden layer. Such method can effectively overcome the limitation of local-optimal of clustering algorithms. Subsequently, in order to improve the novelty criteria of RAN, we propose a root mean square (RMS) sliding window method which can reduce the underlying influence of undesirable noise data. Through the further research on the learning process of RAN, we divide the learning process of RAN into a preliminary study phase and a subsequent study phase. The former phase initializes the preliminary structure of RAN and decreases the complexity of network, while the latter phase refines its learning ability and improves the classification accuracy. Such a compact network structure decreases the computational complexity and maintains the higher convergence rate. Moreover, a latent semantic feature selection method is utilized to organize documents. This method reduces the input scale of network, and reveals the latent semantics between features. Extensive experiments are conducted on two benchmark datasets, and the results demonstrate the superiority of our algorithm in comparison with state of the art text categorization algorithms.     

基于改进极限学习机的软测量建模

极限学习机（ELM）因其泛化能力好和学习速度快而成为软测量的新方法,但当应用到铝电解工艺参数建模时,ELM通常需要较多隐层节点并且泛化能力较低。针对这一问题,提出一种基于改进极限学习机（IELM）的软测量模型。首先,利用粗糙集中的约简理论剔除输入变量中的冗余或不相关属性,以降低ELM的输入复杂性;然后,利用偏相关系数对输入变量和输出变量间的相关性进行分析,将输入数据分为正输入和负输入两部分,分别对这两部分建立输入单元,重新构建ELM网络;最后,建立了基于改进极限学习机的铝电解分子比软测量模型。仿真实验结果表明,基于改进极限学习机的软测量模型具有较好的泛化能力和稳定性。     

Using Fuzzy Analytic Network Process to assess the risks in enterprise resource planning system implementation

The aim of this paper was to evaluate the risk level for both intra-organizational cultures and for different industries in implementing an enterprise resource planning (ERP) system. This study adopts the Fuzzy Analytic Network Process (FANP) method to assess ERP implementation risks, which were categorized into four dimensions: management and execution, software system, users, and technology planning. An empirical survey was conducted that utilized the collected survey data of 20 ERP experts in Taiwan to assess, rank, and improve the critical risks of ERP implementation via the FANP method. Based on the results of the FANP method, a follow-up survey of ERP end-users in different departments of three industries was conducted to assess how intra-organizational cultures and cross-industries affect users’ perceived risks a real world scenario. Our research results demonstrated that “lack of management support and assistance” is vital risk for a successful ERP implementation. Top management support and involvement are crucial and essential factors to the success of a firm's ERP implementation. “Ineffective communication with users” was found to be the second highest risk factor. The benefits of using the FANP method for evaluating the risk factors come from the clear priority weights between alternatives. Finally, this study provides suggestions to help enterprises decrease ERP risks, and enhance the chances of success of ERP implementations among intra-organizational cultures and across-industries.     

全相关核偏最小二乘故障诊断方法及在抽油机上应用

针对油田抽油机生产数据存在强非线性和强耦合性, 导致故障诊断困难的问题, 本文提出一种全相关动态 核偏最小二乘(FCDKPLS)故障诊断方法. 首先, 构建抽油机生产数据自回归模型, 反映数据变量间的动态特性; 其 次, 分析了KPLS算法中输出变量与输入变量残差子空间的相关性, 为此, 在输出模型上构建一个辅助矩阵, 从而表 征输入变量与输出变量的全相关性, 建立输入变量和输出变量之间更直接的联系. 最后, 将提出的全相关动态偏最 小二乘方法应用于抽油机过程故障诊断, 实验结果表明本文提出方法的有效性.     

基于资源分配网络的小数据集并行集成学习方法

机器学习领域中,如何在小规模的训练数据集上获得一个具有稳定的高计算精度的算法模型,一直以来都是一个棘手而富有挑战的问题。从算法模型出发,提出了一种基于扩展卡尔曼滤波器的资源分配网络并行集成学习方法。该集成系统由多个带有扩展卡尔曼滤波器的资源分配网络（RANEKF）组成,并且每个RANEKF子网的输入由原始数据集中的输入经过随机权值的修正得到。通过和其他神经网络构成的集成学习算法的实验对比,发现提出的方法在小训练集上拥有更高的计算精度和稳定性。     

改进的无线传感器网络簇首选择策略及其路由算法

针对无线传感器网络中簇首能耗较大引起的能量黑洞问题,在不均匀分簇的基础上,从簇首选择和簇首更换两个方面提出相应的改进措施。在簇首选择时,将整个网络区域分为不均匀的簇,通过相关参数的设置,让每簇中能量最高的节点当选为簇首节点,网络运行时簇首维护本簇的能量信息表;在簇首更换时,采用局部更换测量,并由当前簇首在能量信息表中选择剩余能量最高的节点作为下一个簇首节点,从而改善了簇首能量效率和负载均衡。最后进行了仿真实验与对比,实验结果表明改进的路由协议能够有效提高网络性能,延长网络生命周期。     

基于移动模型的车载自组织网络连通特征

针对车载自组织网络(VANET)的连通性问题,分析了其拓扑动态变化过程中网络的连通性的演化特征。首先,提出以连通分支数、连通概率及连通长度为评价指标的VANET拓扑连通性参数;然后,结合车辆换道功能的智能驾驶移动模型(IDM-LC),应用VanetMobiSim仿真软件建立VANET;最后,通过仿真实验分析了节点通信半径与平均连通分支数、平均连通率及平均连通长度之间的关系,同时分析了VANET连通分支数的统计分布特征,用Q-Q图和T检验验证得出结论:连通分支数服从正态分布,且该统计分布特征与节点通信半径无关。     

无线传感器网络中一种环状空间相关性模型*

无线传感器网络特点之一是监测事件的节点分布稠密,相互邻近的节点获得的事件观测值具有很高的相关性。因此,如何消除这种空间相关性以改善网络性能是一个重要的研究课题。提出一种适合无线传感器网络中的事件监测应用的环状空间相关性模型。该模型依据离事件源距离相等节点采样数据空间相关性更高的事实,针对能量衰减模型,采用最小二乘估计对事件源进行更精确的估计。基于新模型,进一步讨论了节点间采样值的空间相关性。模拟实验表明,对传感器网络异常事件监测应用选取适当规模的代表性节点,新模型比现有模型的精确度提高两个数量级以上。新模型能更精确地挖掘传感器网络中的空间相关性,为开发基于空间相关性的传感器网络MAC协议提供了更好的理论框架。