一种基于贝叶斯网络和博弈论的信息融合模型

针对多源信息融合问题,以博弈思想为指导构建博弈信息融合模型,在贝叶斯网络表示的基础上提出用于博弈融合模型的融合算法.在具体算法的研究中,按照博弈信息融合模型的要求,对原有的贝叶斯网络算法中节点判断算法和Parzen窗融合算法进行改进并将两者相结合,提出了博弈融合态势评估算法,并从理论上分析了融合算法的最坏时间复杂度.将博弈信息融合模型及其贝叶斯网络算法应用于交通状态预测中,针对交通车流量、车速、车流密度等多源动态问题,构建合适的贝叶斯网络模型,实现交通状态的预测,给出预测的仿真结果.     

基于深度置信网络的云应用负载预测方法

为了准确预测云应用负载以便及时执行云应用自适应优化,从而保证云应用性能的稳定,根据云环境下应用负载预测问题的特点,提出了基于深度置信网络的云应用负载预测方法.首先给出能够有效描述负载数据的显式特征和隐式特征并定义了负载预测模型,进而给出基于深度置信网络的负载预测算法.对算法进行了分析并在真实数据集上与相关算法进行了比较,结果表明,本文提出的方法能够更加有效地解决云应用负载预测问题.     

网络应用层会话分析系统的设计和实现

应用层会话分析可以用来反应网络状态、掌握用户习惯以及发现潜在的安全威胁。该文提出了一种网络应用层会话分析系统的设计和实现方法,给出了应用层协议包括固定端口和可变端口协议的分析算法。实验表明,该文的方法能够有效地在对局域网内的会话进行识别和统计。     

局域网环境下图书馆分布式视频特色库建设探析

本文给出了在局域网网络环境下搭建图书馆视频特色库系统的方案,并利用局域网的数据传输特点,提升图书馆自身的服务性。     

一种用于Ad Hoc网络的自适应故障检测算法

为提高系统可靠性和安全性,研究并提出了一个Ad Hoc网络环境下的基于心跳策略的故障检测算法。针对Ad Hoc网络多跳通信和结点混杂工作模式等特点,提出超时值预测模型,动态预测心跳消息到达时间,并根据网络状态变化实时地修正、更新预测超时值;提出基于超时值预测模型的Ad Hoc网络自适应故障检测算法,并证明算法满足强完整性和最终强准确性,是一个◇P类故障检测器。仿真实验表明,算法可以准确地对心跳消息到达时间做出预测,具有较好的检测准确性指标,能适用于Ad Hoc网络环境下的故障检测。     

基于最优预测状态估计的网络化最优控制

针对网络化控制系统中存在的时变网络诱导时延和数据包丢失,提出基于最优预测状态估计的网络化线性二次型高斯(LQG)最优控制算法.对于存在网络诱导时延的情况,考虑反馈信号的网络诱导时延大于1个采样周期的情况,把网络化最优预测状态估计算法与传统最优控制算法结合,补偿网络诱导时延的影响.对于存在时变数据包丢失的情况,把时变数据包丢失的状态描述为1个二元赋值变量,假定当数据包丢失时目标节点保持上一时刻的值,给出相应的最优预测状态估计器和线性二次型(LQ)最优控制器的设计方法.研究结果表明:分离定理成立;网络化最优预测状态估计方法的缺点在于随着网络诱导时延增大或数据包丢失数目增加,其预测估计误差协方差阵略微增大,从而导致最优控制系统的代价略微增长.仿真和实验验证了算法的有效性和理论分析的正确性.     

基于DSP的电动汽车电池管理系统的设计

在大量充放电模拟试验和随车试验数据采集的基础上，构建了基于数据信号处理器（DSP）芯片TMS320C2812的电池管理系统，实现了数据监测、荷电状态（SOC）估计、控制局域网（CAN）通信及USB存储等功能．在SOC估计算法上，根据电池所处状态进行了分类分析，并对估算难度最大的电池动态放电状态的算法进行了仿真实验．实验结果表明，该算法对镍氢电池的SOC能进行准确预测，并具有较高的精度．     

基于RBF-BSA的锂离子电池SOC混合估算算法

为提高锂离子电池荷电状态(SOC)预测精度,提出利用回溯搜索算法(BSA)优化径向基函数(RBF)神经网络的输出权值与阈值的混合算法.通过对锂电池模型中的目标函数进行优化求解,并寻找最佳的目标权值和阈值降低预测误差,提高了RBF网络模型的预测精度.为验证算法的有效性,搭建锂离子电池的充放电实验平台获取数据并对网络进行验证,实验结果表明:混合算法相比标准RBF网络算法具有更好的SOC预测精度,并将网络输出预测误差降低到2%以内,符合锂电池荷电状态估算要求.     

基于NAPG模型的攻击增益路径预测算法

针对网络攻击行为很难预测, 网络中冗余路径导致攻击预测不准确以及攻击路径评估预测指标单一的问题, 提出一种NAPG(network attack profit graph)模型. 该模型通过攻击成本和攻击收益直观地反应攻击行为的可行性, 采用攻击可行性分析算法消除冗余路径, 并将攻击增益引入到评估预测指标中, 给出机会增益路径预测算法和最优增益路径预测算法. 仿真实验验证了该模型和算法的有效性.     

NetWare网络互联协议分析

随着局域网的普及，局域网互连技术成为目前计算机网络应用的关键技术这一，在局域网互连环境中，有效的路径选择算法不仅可以保证报文的可靠传输，而且能够提高传输效率，减少网络阻塞和传输延迟，本文将对ＮｅｔＷａｒｅ环境下所采用的网络互连协议，寻址机制及路径选择算法进行详细分析，并讨论ＲＩＰ、ＮＬＳＰ、ＯＳＰＦ等路由协议的性能及所适应的互连网环境。     

智能方法在板形控制中的应用

介绍了智能方法在轧制领域特别是在板形控制中的研究进展。阐述了神经网络、模糊控制、遗传算法、粒子群算法等智能方法在板形模式识别模型、板形预报模型、板形控制的液压弯辊控制模型和轧辊分段冷却控制模型中的应用,表明将智能方法引入板形控制中,改变了依赖经验和传统方法进行板形控制的局面,为板形控制建模走出了一条新途径。     

配电网故障定位算法研究

针对配电网故障快速准确定位问题，研究了故障定位的矩阵算法，分析了不对称矩阵算法的基本原理，针对该算法存在判别盲区的缺陷，提出了在辐射网和树状网末端增加零节点编号的改进方法，消除了判别盲区；该方法具有简单、实时性强的特点，在配电自动化系统中有很强的实用性。论文最后用算例验证了该算法的有效性。     

基于量子粒子群算法的BP网络板形模式识别研究

针对目前板形模式识别方法存在的问题,以及考虑到现代轧机板形控制手段的多样化和板形控制能力的提高,为了提高板形模式识别模型的精度,本文以1次、2次、3次和4次勒让德正交多项式为板形基本模式,建立了基于量子粒子群-BP算法混合优化神经网络的新型板形模式识别模型。仿真实验表明,该模型抗干扰能力强、识别精度高、速度快,可以为板形控制策略的制定提供可靠依据。     

基于RBF神经网络的超市客户保持预测模型研究

利用RBF神经网络数据挖掘算法建立了超市客户保持预测模型,在MATLAB开发环境下进行程序设计和仿真分析,并与BP算法进行对比,完成了超市客户保持预测的任务,分析了该算法的优越性.     

基于演化参数辨识的流体网络建模

应用演化计算理论研究了热动力系统中热工流体网络的仿真建模问题.从基本物理规律出发,建立了热工流体网络的通用仿真数学模型;采用演化算法对流体网络的参数进行辨识,避免了以往采用经验值或者网络在理想状态下的试验数据作为建模参数所造成的偏差,在提高计算精度的同时使模型的动态特性更加符合实际.将该方法应用于某蒸汽动力装置新蒸汽系统的仿真建模中,通过仿真结果和实测值的对比,证明采用演化算法辨识后的流体网络模型具有较高的计算精度,能够很好地反映网络对象的特性,在工程上是实用的.     

基于遗传算法反向传播模型的板形模式识别

针对在板形模式识别中, 反向传播（BP）网络对未知板形识别能力差和遗传算法（GA）优化神经网络初始权重过程复杂等问题, 提出一种基于多维空间优化的遗传算法优化BP网络初始权重的板形模式识别GA-BP模型, 该模型直接以网络权重构造多维空间染色体, 以训练样本误差和测试样本误差相结合作为遗传算法的适应度函数, 以较大的网络期望误差和低的进化程度为网络的训练策略. 研究结果表明： 基于多维空间的遗传优化方法, 建模简单, 无需编码、解码, 大大减少了编程计算量;GA-BP模型有效提高了BP网络对未知板形的识别能力和识别精度, 在工业试验中, GA-BP模型板形模式识别结果跟板形仪的实测板形非常接近.     

动量因子对BP算法的影响

本文对BP神经网络算法进行了讨论,并通过实例分析了几种改进算法的实用性．结果表明,适当的改进动量因子和隐单元个数将加快网络的收敛性,提高预测能力．     

基于人工蜂群算法的Elman网络板形预测

针对常规Elman网络泛化能力差的缺点,以及工业生产中对高精度板形预测模型的需要,用人工蜂群算法（ABC）代替误差反传算法训练Elman网络,建立了一个基于Elman网络的板形预测模型．神经网络的隐层节点数通过经验公式和仿真试验来确定．通过仿真验证,用人工蜂群算法训练的Elman网络在同等条件下比常规Elman网络具有更强的泛化能力,其板形预测精度更高．     

RED算法的改进及其性能分析

随机早期检测（RED）算法作为主动队列管理（AQM）中有效的实现算法，其性能研究近来已成为网络研究 的一个热点。介绍了原始RED算法，并在此基础上对该算法进行了改进，仿真结果和实验数据表明，改进算法能 显著地降低丢包率，提高网络的链路利用率。     

基于混沌优化支持向量机的板形预测与优化

针对带钢热连轧中板形控制问题, 提出了一种基于最小二乘支持向量机模型的预测和优化算法. 在分析最小二乘支持向量机数学预测模型的基础上, 提出了一种改进的变尺度混沌优化方法, 结合实数编码遗传算法, 进行最优模型参数的搜索. 利用在线实测数据对模型进行训练并进行带钢平直度指数的预测, 并对模型输入参数中的控制参数进行优化以实现板形控制的优化. 仿真结果表明, 与BP神经网络相比, 板形预测精度得到提高, 平直度指数优化约40%, 为进一步提高热连轧板形控制精度提供了一种新的有效方法.