单螺杆混沌挤出过程周期性行为数值模拟

建立了混沌单螺杆挤出机计量段物理和数学模型。定义了更合理的边界条件,采用Carreau本构方程,采用有限体积方法对聚合物熔体在螺槽内流动的周期性效应进行了数值模拟分析。得到了不同位置的速度分布细节以及流体示踪粒子的行为轨迹。发现螺槽内速度分布表现出周期性和对称性的变化,揭示了同宿点及椭圆点存在及位置不变性,为进一步分析流体质点在相空间的动力学行为奠定了基础。     

基于奇偶树型交互学习机与遗传算法的密文优化系统

为使图像加密系统具备优化功能,并解决当前遗传算法无法实现全局最优、收敛速率慢等问题,提出奇偶树型交互学习机耦合全局离散遗传算法的密文优化系统。定义权值更新机制,耦合混沌映射,构造奇偶树型交互学习机及其互扰模型。将切断型轮盘赌择取机制引入均匀交叉算子中,以图像分块的相邻像素相关系数和密文信息熵为目标,根据权重理论设计加权适应度函数,提出一种全局离散遗传算法,最终形成"初始加密-密文优化"的加密结构。实验结果表明,与超混沌算法、离散遗传算法、元胞自动机相比,该系统的加密质量较好,并且具备全局优化功能,可优化所有迭代结果,使最终输出密文的信息熵最大,相关系数最小。     

多交叉混沌选择反向小生境遗传算法

为提高小生境遗传算法的全局以及局部搜索能力,提出一种多交叉混沌选择反向小生境遗传算法。利用分段线性混沌映射函数生成一组混沌数序列,在每次进行交叉操作前,依据序列中对应元素的数值大小选择不同的交叉算子进行操作,通过小生境遗传算法产生较优的子代种群。针对子代种群,应用反向搜索策略获得反向种群,在子代种群和反向种群中进行精英选择得到最终新种群,以进一步加强算法的局部寻优能力。仿真实验结果表明,该算法在最优解及均值方面好于小生境遗传算法,从而证明其可行性和优越性。     

一类混合延迟混沌神经网络的同步

时滞混沌神经网络系统是解空间为无穷维系统,可生成多个正向Lyapunov指数,产生具有高度随机性和不可预测性的混沌甚至超混沌序列,这种特性使得时滞混沌神经网络系统特别适用于保密通信中,混沌同步是保密通信中的关键技术。基于Lyapunov稳定性理论和线性矩阵不等式(LMI)方法,研究了一类具有时变延迟和分布式延迟的混沌神经网络系统的同步问题,考虑系统的内部参数不确定性和外部干扰及混合时滞等因素,将系统时滞项加入所设计的控制器中,给出了保证误差系统的全局均方渐近稳定的充分条件和控制律,实现驱动系统和响应系统的同步。与其它方法相比,所设计的含有时滞项的控制器提高了系统误差精度及反应速率。最后,通过仿真实例,验证了所提方法的有效性。     

一种瓦斯涌出量系统预测辨识模型的研究

针对煤与瓦斯突出灾害中瓦斯涌出量的辨识预测问题,结合采煤工作面瓦斯涌出量系统的现场实际特点,提出了混沌免疫遗传优化算法(CIGOA)与Elman神经网络相结合的耦合算法(CIGOA-ENN)。利用GIGOA的全局寻优能力替代梯度下降法,以克服Elman神经网络固有的缺陷。并根据输入的数据,构造基于CIGOA和ENN耦合算法的瓦斯涌出量系统辨识预测模型。利用矿区采集的现场监测数据进行仿真预测,实验表明该预测模型与BPNN,GA-ENN等神经网络预测模型相比,其收敛速度更快、收敛精度更高、鲁棒性更强,为解决煤矿瓦斯涌出量的预测问题提供了一个行之有效的方法。     

基于改进混沌扩频序列的多用户混沌扩频通信系统的研究与仿真

提出一种改进混沌扩频序列,并将其应用在多用户混沌扩频通信系统中,给出了多用户混沌扩频通信系统的理论推导和SIMULINK仿真模型。对该系统进行了详细的性能分析,包括信噪比、用户数、改进混沌扩频序列的分形参数和初始值等各自对系统误码率的影响,并比较了改进混沌扩频序列与传统混沌扩频序列的系统误码率随信噪比和用户数的变化情况。结果表明改进混沌扩频序列要好于传统混沌扩频序列的系统误码率,具有较好的抗噪声和抗多址干扰的能力。     

凝析气藏生产气油比混沌时间序列预测方法

混沌时间序列预测方法在油气田勘探开发过程中发挥着重要的作用。地下储层通常具有较强的非均质性,流体的流动也受到多种未知因素的影响,这也与各种混沌现象极为相似。根据相空间重构理论,应用遗传算法求取最小嵌入维数m及时间延迟τ,构建了混沌时间序列模型,并对牙哈凝析气藏两口井的生产气油比进行了模拟及预测,拟合误差小于6%。研究结果表明,该预测模型有较高的精度。     

一混沌系统的追踪控制

讨论了一混沌系统的追踪控制问题.基于Lyapunov理论,结合多变量追踪控制的方法,设计一控制器使系统可以控制到任意所给的目标.MATLAB的数值仿真表明该方法的有效性.     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

Chaotic characteristics of electromagnetic emission signals during deformation and fracture of coal

Electromagnetic emission (EME) is a kind of physical phenomenon accompanying the process of deformation and frac-ture of loaded coal and rock and it is of importance in quantitatively analyzing its characteristics. This will reveal the process of deformation and fracture of coal and predicting dynamic disasters in coal mines. In this study, the G-P (Grassberger and Procaccia) algorithm, calculation steps of the (if only 1 dimension) correlation dimension of time series and the identification standards of chaotic signals are introduced. Furthermore, the correlation dimensions of EME and the acoustic emission (AE) signals of time series during deformation and fracture of coal bodies are calculated and analyzed. The results show that the time series of pulses number of EME and the time series of AE count rate are chaotic and that the saturation embedding dimensions of a K3 coal sample are, respectively, 5 and 6. The results can be used to provide basic parameters for predicting of EME and AE time series.