基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景, 针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态, 难以检测磨机内部负荷参数的问题, 提出了一种基于高灵敏度的筒体振动频谱的集成建模方法. 首先, 依据磨矿过程的研磨机理, 将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段; 然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型; 最后, 依据子模型训练数据预测误差的信息熵获得初始权重, 加权得到最终的ML参数集成预测模型; 在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新. 仿真结果证明了该方法的有效性.     

GM(1,1)数据融合预测模型研究与仿真

研究采用灰色系统理论的数列优化预测问题.传统GM(1,1)模型对光滑性差的数据序列拟合偏差较大,为将GM(1,1)改进模型与数据融合算法相结合,构建一种GM-DF预测模型.首先将几种典型改进方案引入GM(1,1)模型:对原始序列进行幂函数变换,以积分法重构背景值,用累积法进行参数估计;然后从原始序列取不同数据量分别建立GM(1,1)模型进行多次拟合;最后将各次预测值进行数据融合运算得到最终结果.仿真结果表明,将GM-DF预测模型应用于光滑性较差、级比偏差较大的数据序列可获得较高的预测精度.     

定向扩散路由无线传感器网络行为仿真

为改善定向扩散路由无线传感器网络性能,利用MATLAB仿真软件对其网络行为进行了仿真.根据网络运行规则建立了节点分布模型、定向扩散梯度场模型、数据汇聚模型以及特征统计模型.给出了主要仿真算法,并以图形化方式给出了仿真结果.理论分析和仿真结果表明,现有无线传感器网络的定向扩散路由存在缺陷,需要改进,并给出了改进方向.     

改进自适应学习树电源管理预测策略

为了降低嵌入式设备的功耗,研究了基于自适应学习树结构模型的动态电源管理预测策略.通过在基于概率自适应学习树结构模型的基础上添加空闲时间长度结点,提出了概率统计加权空闲时间的改进自适应学习树电源管理预测策略,以空闲时间长度作为预测依据,同时采用实际状态历史概率统计的结果进行预测空闲时间长度的更新.仿真结果表明,该方法可以有效地降低设备功耗,并且提高了预测准确率.     

基于ARIMA和QoS的云服务选择算法研究

为了进一步分析QoS历史数据的动态变化,对现有的基于QoS历史数据的云服务选择算法进行了改进。将原算法中每一时间段的评价指标权重由QoS历史数据平均值获得,修改为由该时间段对应的QoS历史数据获得,更能发挥历史数据的动态性。使用时间序列预测ARIMA模型对原QoS历史数据进行预测,把预测结果并入原数据集形成新的数据集,在新数据集上进行服务选择。设计了三个模型递进地进行实验分析,通过对比实验结果验证了改进算法的性能效果。     

片上实时功耗监控与估测的分析设计

为了给操作系统提供实时的芯片热点和功耗统计信息,以便进行快速、准确的实时功耗管理,基于龙芯2号处理器核,提出一个基于门控时钟统计的实时功耗监控系统.通过记录处理器门控时钟的翻转信息来获得芯片热点分布状态,并使用在芯片设计流程中由门级网表仿真而建立的功耗模型进行硬件计算,最终获得向操作系统提供的实时功耗数据.文中提出的实时功耗监控系统具有硬件集成、结构无关、快速、自身开销小、对处理器性能影响小、准确性高等优点.实验结果表明,将该实时功耗监控系统应用在FPGA平台上的功耗估测速度比传统仿真速度提高近40倍,精确度与Synosys公司的EDA工具测量相比可以保持在5%以内.     

基于超窄数据的低功耗数据Cache方案

降低耗电量已经成为当前最重要的设计问题之一.现代微处理器多采用片上Cache来弥合主存储器与中央处理器(CPU)之间的巨大速度差异,但Cache也成为处理器功耗的主要来源,设计低功耗的Cache存储体变得越来越重要.仅需要很少的几位就可以存储的超窄数据(VNV)在Cache的存储和访问中都占有很大的比例.据此,提出了一种基于超窄数据的低功耗Cache结构(VNVC).在VNVC中,数据存储体被分为低位存储体和高位存储体两部分.在标志位控制下,用来存放超窄数据的高存储单元将被关闭,以节省其动态和静态功耗.VNVC仅通过改进存储体来获得低功耗,不需要额外的辅助硬件,并且不影响原有Cache的性能,所以适合于各种Cache组织结构.采用12个Spec2000测试程序的仿真结果表明,4位宽度的超窄数据可以获得最大的节省率,平均可节省动态功耗29.85%、静态功耗29.94%.     

基于改进灰色模型的仿真数据预测

为解决仿真中的实时性问题,提出利用灰色预测模型进行仿真数据预测的方式加快仿真速度,并针对灰色模型在仿真数据预测方面实际应用时的问题做出了相应的改进;首先利用三次样条插值对非等时距序列进行插值处理得到等时距的序列;然后改进了灰色模型建模过程中的背景值计算过程;最后在持续的预测过程中结合新陈代谢的思想,弱化旧数据、强化新数据对模型的影响;最后将灰色模型接入到飞机分布式虚拟仿真平台中进行验证,验证结果表明改进后的灰色预测模型性能更好,接入到仿真平台中能加速8.9%,效果明显。     

大型离心式通风机性能预测方法

针对现有离心式通风机性能预测方法不能充分利用离心式通风机历史运行数据、建模周期长等问题,提出了基于最小二乘支持向量机(LSSVM)与拉丁超立方采样(LHS)的大型离心式通风机性能预测方法。选取出口压力作为衡量通风机性能的指标,利用LSSVM建立离心式通风机性能预测模型;通过LHS方法采集离心式通风机的入口温度、入口压力、入口流量和转速,将采集的数据进行归一化处理后用于LSSVM模型的训练;通过测试数据验证所建立模型的有效性。仿真结果表明,基于LSSVM与LHS的大型离心式通风机性能预测方法能够充分利用已有通风机数据信息快速准确地预测通风机性能。     

基于自适应多核潜结构映射选择性集成模型的磨机负荷参数预测

磨机负荷参数是影响选矿流程产品质量和产量的难以检测关键过程变量.磨机研磨产生的多源机械信号频谱与磨机负荷参数间存在复杂的非线性映射关系.核潜结构映射(KPLS)算法适合构建基于频谱数据的磨机负荷参数预测(MLPF)模型.针对上述难点,本文提出一种面向MLPF的自适应多核潜结构映射选择性集成(SEN)模型.首先,基于经验模态分解(EEMD)和时频变换技术处理多源机械信号,得到基于不同时间尺度候选子信号的频谱数据;接着,采用KPLS和分支定界选择性集成(BBSEN)算法,构建基于多尺度频谱的候选子子模型和SEN子模型;最后,从候选子子模型和SEN子模型中优选获得不同时间尺度的候选子信号模型,并再次采用BBSEN算法优选集成子信号模型并加权组合,构建最终的MLPF模型.基于实验球磨机的实际运行数据仿真验证了所提方法的有效性.