对传神经网络算法的改进及其应用

针对传统对传神经网络(Counter propagation networks,即CPN)要求输入向量必须均匀分布以及隐含层神经元个数难以确定,其应用受到很大局限等问题,对CPN算法进行改进并运用于电力负荷预测.研究结果表明:通过改进CPN算法的初始权重设置规则,克服了对输入向量限制过于严格的不足;通过优化算法运行步骤,提高了算法的运行效果;改进后的CPN算法比BP算法所得预测结果误差小,比目前电力负荷预测研究中RBF和Elman神经网络所得预测结果误差也小;与BP算法相比,CPN改进算法的预测精度提高4%左右,运算时间减少45%,适用于电力负荷的预测.     

基于自适应遗传算法的传感器网络数据融合算法

能源有效性是无线传感器网络(WSN)路由算法设计要考虑的首要问题,数据融合可以通过合并冗余数据而有效地节约能耗.提出了一种基于自适应遗传算法(AGA)的WSN数据融合算法,基于移动代理(MA)对Sink节点发出兴趣代理报文和目标节点发出数据代理报文进行转发.采用AGA求出MA最优路由节点序列,通过把WSN均匀分割为多个大小适当的二维网格,形成AGA的初始群体.仿真结果表明,随着网络规模增大,和局部最近邻优先算法(LCF)相比,该算法有更小的网络能耗和延时.     

能量采集无线Mesh网路由协议研究

无线Mesh网以其容量大、速率高、范围广、组网灵活,成为未来宽带接入网的一个重要方案。能量问题是制约无线Mesh网可靠性和健壮性的因素之一。为了消除该制约因素,创造性地将能量采集(energy harvesting)技术引入到无线Mesh网中,使无线路由器可以从环境中收获或采集能量,具有自我补充能量的能力。还就无线路由节点能量模型,进行基于能量收集的分簇路由协议的分析仿真,将能量采集技术与LEACH协议和DEEC协议相结合,并通过仿真,分析比对在引入能量采集技术后两种路由协议的性能。仿真结果表明结合了能量采集技术的DEEC协议在延长网络寿命、提高数据传输量方面表现最优。     

基于计算机仿真技术的结构疲劳可靠性分析方法

利用人工神经网络建立起载荷级、累积损伤参量及材料性能之间的映射关系·建立了材料疲劳可靠性分析仿真系统,提出了动态失效准则,并利用蒙特卡洛法对随机载荷进行给定分布下的随机抽样处理,将随机离散仿真方法运用于模拟材料性能变化的全过程·通过仿真统计分析出的寿命分布,经部分实验验证,预测精度较高·     

补偿模糊神经网络在故障树分析中的应用研究

将补偿模糊神经网络用于故障树分析中的研究,建立了故障树顶事件失效模糊概率计算的补偿模糊神经网络模型,给出了应用实例.结果表明,将补偿模糊神经网络用于故障树分析是可行的,其计算更为方便,结果更为精确.     

SAN文件系统模型及实现方法

随着全球信息量的不断膨胀．对数据的存储尤其是快速访问提出了新的要求，为解决这一问题提出了SAN存储区域网络技术，而这一技术的核心就是SAN文件系统。本文给出了SAN文件系统设计的基本目标和系统模型并对该模型的构成要素和操作语义作了较详细的阐述；最后在对现有各种SAN文件系统的分析基础上，给出了一种优化的实现方法。     

智能重构控制技术及其应用

重构控制已成为目前控制领域的研究热点和具有挑战性的课题。概述了重构控制发展的背景、现状及存在问题，通过分析得知，重构控制的智能化已成为该领域发展的重要方向，并进一步总结了目前若干具有代表性的智能重构控制方法，着重介绍了基于神经网络和模糊推理的智能故障诊断和智能重构控制方法。最后，展望了智能重构控制在飞行控制领域的应用前景     

无线传感器网络能源策略研究

简要介绍了无线传感器网络体系及节点结构。由于自身的特点，传感器网络关键性问题是如何高效利用有限的能量，来延长网络的寿命，而且要尽最大可能地节省电源消耗，以提高网络的生命周期。本文从传感器网络节点各个部分的特点探讨了其能源策略。     

物联网时代计算机网络教学改革初探

计算机网络是普通高校信息类专业的主干基础课程,是多个学科领域的交叉,在整个教学过程中占有极其重要的地位。教学方式单一、教学内容滞后、实验设施缺乏等因素严重制约了当前计算机网络的教学质量。从物联网时代对计算机网络教学的要求出发,在明确教学目标的基础上,探讨了优化该课程教学的一些措施。     

基于圈层人口变量的城市轨道交通车站客流预测

考虑城市轨道交通车站客流(指进出站客流)吸引范围内不同距离的人口对车站客流贡献率不同的情况,将人口按照距离车站的远近分为不同圈层,以不同圈层人口作为变量进行车站客流预测.通过偏相关分析验证圈层人口作为变量的合理性,同时获得影响车站客流的其他显著因素.针对线性多元回归预测模型的不合理性,建立了可反映车站客流与自变量高度非线性关系的BP(back propagation)神经网络预测模型.案例研究表明:基于圈层人口变量和BP神经网络的车站客流预测模型在减小误差方面明显优于其他模型,且具有很好的实时性.在上述模型的基础上,构建了已知任意车站背景变量,车站圈层人口对客流的贡献率模型.该模型验证的结果进一步说明基于圈层人口变量和BP神经网络的车站客流预测模型能够很好地反映圈层人口与其他影响车站客流的显著影响因素同车站客流之间的关系.