网络链路性能参数估计的层析成像方法综述

网络层析成像能够在网络内部节点不提供测量协作的情况下,根据端到端的测量结果,间接地估计网络内部链路性能参数,是一种重要的网络测量手段,能直接指导网络管理和网络优化,目前受到国内外学术界和工业界广泛的关注.在广泛收集国内外资料的基础上,首先总结了目前网络层析成像使用的主要端到端测量方法和技术;再根据不同参数对链路性能刻画程度的不同,将链路性能参数的网络层析成像方法分为两类:定量参数推断方法和定性参数推断方法;然后,针对不同类型参数的估计问题,概括分析了现有算法的特点;最后指出该类方法未来的研究方向与潜在的应用前景.     

改进的BP神经网络算法在水质监测中的应用

针对一类多输入多输出系统进行辨识, 以"A simulation of the western basin of Lake Erie"为例, 通过分析河流湖泊的水质特征, 针对伊利湖湖泊水质建立数学模型, 由于该环境系统为多输入多输出系统, 文章采用了一种改进的BP神经网络算法, 利用Matlab神经网络工具箱进行数据分析, 绘出实际输出与模型输出的曲线以分析相关情况, 检验建立的模型对于系统的辨识水平, 给出传统BP网络和改进BP网络对该系统辨识的结果进行分析对比. 文章还对不同噪声层次下的数据进行分析比较, 并研究白噪声对于人工神经网络模型的影响.     

基于切换模型的无人直升机偏航通道系统辨识方法?

针对直升机偏航通道中舵机控制量的饱和非线性问题,提出基于切换模型的无人直升机偏航通道系统辨识方法。首先分析无人机偏航通道的特征,建立包含饱和单元的切换模型。其次通过扫频实验采集辨识所需的数据,并在频域下采用遗传算法辨识得到切换模型的所有参数。再根据实验数据分析辨识模型的残差序列,得到系统的残差模型,并利用该残差模型修正辨识得到的无人机偏航通道模型,进一步提高模型的准确度。最后通过实验数据分析文中模型的准确性,并利用该模型设计无人机飞行控制器。实验结果也证明模型的有效性。     

区间值模糊决策序信息系统的部分一致约简

实际问题中,事物的一些属性值介于某个范围之间,常被用来刻画信息系统中的不确定信息。为了表达这种情况,属性值通常用模糊区间来表示,这种信息系统就是区间值模糊信息系统。本文通过在带有决策的区间值模糊信息系统中引入优势关系,建立区间值模糊决策序信息系统。在此基础上构造部分一致函数来简化知识的表达,并获得部分一致约简的判定定理,通过可辨识属性集和可辨识矩阵提供不协调的区间值模糊序信息系统的部分一致约简的具体方法,并结合投资风险这一具体案例的求解分析,进一步阐述了对部分一致约简研究的意义,丰富了区间值模糊序决策信息系统中的粗糙集方法。     

基于系统辨识的自适应控制技术的应用

介绍基于系统辨识的自适应控制系统模型在莱钢2#精炼炉合金下料系统中的应用,通过不断地调整控制过程中的参数值,使控制系统的瞬态响应过程达到最优,消除了生产过程中人为因素的影响,提高了生产的均一性和稳定性.     

用芯更出众 带来高清娱乐体验

由iPd开启晶平板电脑时代,带来的绝不仅仅是设备使用过程的体验,更是开启了新的娱乐生活方式。平板电脑发展到今天,外形已趋于同化,如果在平板间做出取舍,除去品牌的辨识度,平板内在的“芯”的能力,应该是消费者参考的重点。     

一种基于改进反电动势的模型参考自适应转速辨识方法

构建了感应电动机的数学模型;在分析基于无功功率的模型参考自适应的稳定性的基础上,提出一种基于改进反电动势的模型参考自适应转速辨识的新方法,即重新构造模型参考自适应转速辨识的误差信号,该信号包括反电动势的误差矢量与转子磁链矢量的叉乘和点乘,通过误差信号辨识出电动机的转子转速。试验结果表明,该方法克服了基于反电动势的模型参考自适应在停车制动及发电状态下的不稳定性问题。     

六轴工业机器人的参数辨识方法

机器人末端位姿的精度依赖于各关节几何参数的精度。为了提高机器人的位姿精度,提出了一种简单实用的机器人参数辨识方法。利用D-H 算法建立的机器人运动学方程,得到了末端位姿与各关节参数的关系。为了解决辨识过程中的复杂计算问题,设计了一种采用拆分参数的迭代方法和相应的实验方法,运用激光跟踪仪对位姿进行精确测量,求得实际几何结构参数。实验结果验证了所提出方法的有效性。     

DTC变频技术在污水处理中的应用

变频器以其客观的节能效果而被广泛推广使用,特别是ABB变频器的DTC控制技术更是交流传动中革命性的电机控制方式,DTC在零速时产生满转矩,特别适用于污水处理行业中卡鲁塞尔。氧化沟中表面曝气设备的控制。     

基于改进LS-SVR的超磁致伸缩作动器模型辨识

提出了基于遗忘因子矩形窗的最小二乘支持向量机回归( LS - SVR)方法.该方法先将矩形窗方法与传统的LSSVR相结合,用有限个过去的数据做LS - SVR的样本,随着时间增加不断在样本中丢弃旧数据加入新数据,保持样本总数不变;然后在此基础上添加了遗忘因子,在丢弃旧样本的同时兼顾了历史数据的影响.改进后的LS - SVR方法提高了运算速度,同时也提高了辨识的精度.通过仿真实例验证了该方法的有效性和可行性.将此方法应用到超磁致伸缩作动器的在线模型辨识上,取得了较好的辨识结果.