一种利用分布式GA的传感器网络资源管理方法

如何减少能量的消耗和延长整个网络的生存期是传感器网络研究中的核心问题,在保障传感器最少探测概率的基础上,文章提出了一种利用分布式遗传算法的资源管理调度方法。经过仿真实验分析,此方法可以实现传感器网络能量消耗的最少化。     

卫星网网络管理中资源管理与任务管理的研究

随着航天技术的迅速发展，卫星网络的研究已成为热点．扩展了网络管理的传统功能域，定义了适用于卫星网的资源管理和任务管理内容，并在多元化网络管理协议的基础上，设计了资源管理与任务管理的实现方式，通过灵活的调度算法对任务进行有效调度，可以最大限度的利用网络资源，提高了用户对卫星网络的使用效率．     

Ad hoc网络中资源管理的研究

从资源管理在Ad hoc网络中的重要性出发,提出了一种分层式Ad hoc网络资源管理模型,该模型包括信息层、调度层和服务层,分别用来实现资源管理中的不同功能,并设计了一个资源调度模型,基于此调度模型可以实现资源申请、分析、检索、协调执行的一体化管理,同时给出了一种以资源应用服务为主、兼顾资源预留服务的资源调度的优化算法.     

分级全息建模思想在网络资源管理中的应用

分级全息建模(HHM)建立在大规模和复杂系统哲学的基础上,它是大系统理论的一部分。近年来,大系统和复杂性问题成为一个热点研究问题。本文将大系统理论中的分级全息理论应用刀大规模的网络资源管理中去,提出了一种分级全息的资源管理策略。它为网络资源管理提供一种新的思路和方法。     

一种新的前向神经网络自适应学习算法

针对时变和／或非线性输入的前向神经网络提出了一种感知自适应算法。其本质是迫使输出的实际值和期望值之间的误差满足一个渐近稳定的差分方程，而不是用后向传播方法使误差函数极小化。通过适当排列扩张输入可以避免算法的奇异性。     

Neural and Neurofuzzy FELA Adaptive Robot Control Using Feedforward and Counterpropagation Networks

In this paper, the application of neural networks and neurofuzzy systems to the control of robotic manipulators is examined. Two main control structures are presented in a comparative manner. The first is a Counter Propagation Network-based Fuzzy Controller (CPN-FC) which is able to self-organize and correct on-line its rule base. The self-tuning capability of the fuzzy logic controller is attained by taking advantage of the structural equivalence between the fuzzy logic controller and a counterpropagation network. The second control structure is a more familiar neural adaptive controller based on a feedforward (MLP) network. The neural controller learns the inverse dynamics of the robot joints, and gradually eliminates the model uncertainties and disturbances. Both schemes cooperate with the computed torque control algorithm, and in that way the reduction of their complexity is achieved. The ability of adaptive fuzzy systems to compete with neural networks in difficult control problems is demonstrated. A sufficient set of numerical results is included.     

基于神经网络自适应滤波器的故障检测与诊断

在稳态过程的故障检测和诊断中 ,有大量反映故障状态的数据 ,在用测量方法来获取这些数据的情况下 ,异常数据能被快速、有效的检测出来就显得非常重要。用自适应滤波器无疑是一个可行的方法 ,但采用这种方法进行故障检测和诊断时 ,有计算速度慢 ,难以跟踪输入信号变化的缺点。据此 ,本文提出了用神经网络自适应滤波器来完成故障检测和诊断的方法 ,它具有速度快的特点。如能用硬件完成 ,并调整好参数 ,检测速度是极短的 (2× 10 -10 s) ,能很好地完成故障检测和诊断任务。     

机械手的神经网络稳定自适应控制

本文针对机械手轨迹跟随控制问题，提出了一种稳定的神经网络自适应控制器设计方法，这里机械的非线性动力学假设是未知的，提出方法是神经网络方法和扇区自适应变结构控制方法的集成，扇区变结构控制的作用有两个，其一是在系统神经网络控制失灵的情形下提供闭环系统的全局稳定性；其二是在神经网络的近似域内改进系统的跟随性能，本文采用李雅普诺夫稳定理论给出了的稳定性和跟随误差收敛性的证明，并且通过数字仿真验证了提出方法     

面向个人自组织网络的硬件资源管理

随着各类智能终端的普及,多屏互动等跨设备使用硬件资源的应用不断涌现,对硬件资源管理的跨平台性和交互扩展性提出了更高的要求.然而,当前针对硬件资源共享的应用大多是缺少交互性的跨设备投影镜像技术,或者只是相互独立的简单应用,面向的平台、硬件资源类型单一,难以灵活有效地应对新增需求.针对这一问题,研究了个人自组织网络环境下多设备的硬件资源（键盘、鼠标、摄像头等）的管理调配,并提出一个具有良好跨平台性、可扩展性的应用框架,使得设备能够像使用本机硬件一样使用其他设备上的硬件资源,借此方便用户对其多个设备进行管理控制.该框架包括设备间通信和硬件资源管理两层,前者提供信息传输服务,保证实时通信,后者负责管理可以访问到所有硬件资源,并提供资源申请、使用和状态改变通知等功能,极大地方便了跨设备应用的开发.     

基于新型动态神经元网络的逆系统方法

针对提高逆系统建模中神经网络的逼近效果和动态性能问题,根据PID神经元网络工作原理,提出一种具有动态激励函数的新型PID神经元模型—输出反馈型PID神经元(OFPID),输出激励采用连续的Sigmoidal函数,使神经元具有等效的IIR突触,采用梯度下降法实现OFPID神经元网络的权值调整,将其应用于非线性系统的神经网络逆控制系统,从而提高非线性系统的解耦效果和控制性能。仿真实验证明,提出的新型神经元网络是一种良好的非线性系统建模和控制工具。     

基于模糊神经网络的火灾探测算法的应用研究

本文根据当今火灾探测的现状和人们对火灾探测的要求,结合火灾探测的特点,主要提出将模糊神经网络应用于火灾探测中来降低火灾探测的误报率提高准确性和灵活性的思想,并详细介绍了模糊神经网络设计过程与结构。     

基于神经网络的鲁棒自适应控制

考虑摩擦及外界干扰的情况下，针对具有不确定性参数的机器人系统，提出一种基于神经网络动态补偿的鲁棒自适应控制策略，采用神经网络在线补偿控制器以克服系统的外部扰动，未建模动力学部分等非参数不定性带来的影响，从而提高了系统的动态性能和稳态精度，并对闭环系统稳定性进行了证明，仿真结果表明，所提方法具有良好的跟踪性能和较强的鲁棒性。     

采样非线性系统的神经网络稳定自适应控制

针对一类动力学未知或难以建模的采样非线性系统,提出了一种基于神经网络的跟随控制器稳定自适应控制方法.控制器采用径向基函数神经网络近似对象的动力学非线性,神经网络参数的自适应规律由稳定理论得到.文中给出了系统稳定性和跟随误差收敛性的证明,并通过仿真实例揭示了所提方法的性能.     

Hopfield-型网络求解优化问题的一般演化规则

基于离散Hopfield-型网络和延迟离散Hopfield-型网络求解优化问题提出了两种一般演化规则,演化序列的动态阈值是这些规则的重要特征,并获得了收敛性定理.推广了已有的离散Hopfield-型网络和延迟离散Hopfield-型网络的收敛性结果,给出了能量函数局部极大值点与延迟离散Hopfield-型网络的稳定态的关系的充分必要条件.鉴于延迟离散Hopfield-型网络更有效地应用于优化计算问题,给出了一般分解策略.实验表明与离散Hopfield-型网络的算法相比,文中提出的算法既有较高的收敛率又缩短了演化时间     

一种组合神经网络非线性判决反馈均衡器

1 引言数字通信系统的典型模型如图1所示,发送序列s(n)经信道传输后因发生失真及噪声v(n)的影响而成为畸变信号x(n),为此需用均衡器对其进行均衡以恢复发送序列。目前,自适应均衡已成为数字通信中一种非常重要的技术,自适应均衡器的构成也是多种多样,其中最简单的是线性横向均衡器(LTE)和判决反馈均衡器(DFE),它们都比较适用于线性信道。如果信道呈现非线性特性,两者的性能特别是LTE的均衡能力会大大下降,而利用径向基函数网络(RBFN)等构     

自适应神经网络学习方法研究

本文从连接权值、网络的拓扑结构、网络的学习参数以及神经元的激活特性等不同方面分别讨论了人工神经网络的学习问题，并就当前流行的ＢＰ模型提出了具体实现方法。实验表明，这些方法对于加快网络的收敛速度，优化网络的拓扑结构等方面有着显著成效，本文所述内容为ＡＮＮ学习算法的改进与设计提供了示例，途径和思想总结。     

基于神经网络的一类非线性连续系统的稳定自适应控制*

本文将神经网络作为非线性系统的模型，提出能够对一类非线性连续系统进行有效控制的自适应控制结构和算法，该控制方案不仅能经类非线性系统的跟踪控制问题，而且由于将变结构控制技术动用于其中，整个闭环控制系统还能克服许多神经网络控制系统中存在的稳定性问题。由稳定性理论可推证整个闭环控制系统渐近稳定和参数和渐近收敛的特性。     

基于神经网络的非线性连续系统的自适应调节器

对于一类连续时间的非线性动态系统x=f(x)+Bu+d,当系统中的非线性函数f(x)满足线性增长条件时,首先证明了f(x)中的x落入一紧集中,然后根据神经网络的逼近性质,给出了自适应调节器的设计方法.利用李雅普诺夫稳定性理论,证明了控制算法是全局稳定的,闭环系统的状态是一致最终有界的.     

一种基于脉冲耦合神经网络的最短路径算法

提出了一种基于脉冲耦合神经网(Pulse—Coupled Neural Network，PCNN)的最短路径算法。通过对PCNN做很小的改变，该算法不但具有和Hopfield神经网络相同的并行处理特性，适用于求解大规模实时问题，而且还能一次求出源点到其它所有目的点的最短路径．根据PCNN的模型和运算规则，本文证明了该方法的正确性并分析了其复杂度．文中还将该算法运用于通信网络的路由选择．     

嵌入式自适应实时资源管理

现存的资源管理方法是针对传统的封闭嵌入实时系统设计的,在动态环境时难以保证系统的服务质量。为此,依据新一代典型动态实时系统的需求,运用基于控制论的自适应实时资源管理方法,改进Red Hat公司的eCos操作系统,在原eCos操作系统中加入基于控制论的实时调度架构、RM调度器、实时任务API和系统监视器,实现一个嵌入式自适应实时资源管理架构。实验结果证明,该架构具有更精确和高效的服务质量,保证系统实时动态的资源需求和实时任务的正确性。