基于HF-RBF的初始地应力场预测研究与应用

用水压致裂法(HF)测量地应力时存在实测数据数量少、不连续、精度低的问题.为此,建立基于HF-RBF的初始地应力场预测方法,首先构建埋深和水平主应力之间的学习样本,然后利用径向基函数(RBF)神经网络对学习样本进行训练,建立埋深与水平主应力之间的非线性映射,最后利用检验样本对初始地应力场预测效果进行检验.在黑龙江某矿山利用2个勘探钻孔开展了水压致裂法测量地应力试验,应用HF-RBF方法获得了该矿区水平主应力分布规律,训练样本最大预测误差为28.6%,检验样本水平最小、最大主应力预测误差都在10%以内,满足工程设计要求.表明了在矿山钻孔勘探期间,HF-RBF法能较好地预测矿区初始地应力场.     

Command and control model based on complex information relation integration北大核心CSCD

In order to describe collaborative decision-making process, the command and control model is put forward based on complex information relation integrtion and OODA. The characteristics of individual decision-making are analyzed, the complex information relation is considered as the cause of OODA difficulty to describe collaborative decision-making exactly. From the perspective of armament system of systems combat, the information, data, intelligence and knowledge is defined based on knowledge management and Shannon's entropy theory. The basic element is confirmed and the information flow way is analyzed which in the physical, information, cognitive and social domains. From the perspective of information, the armament system of systems complex networks model framework is put forward based on the idea of using OODA to guide armament system of systems complex networks model design. The data, information, intelligence and knowledge flow is analyzed and the describing meta-model is put forward. Using the reticular structure of OODA to describe collaborative decision-making idea is proposed, the command and control model is put forward based on the idea, the simulating tool ExtendSim is used for simulation analysis and results show that our work offer a reference for innovate command and control thory. ©, 2015, The Journal Agency of Complex Systems and Complexity Science. All right reserved.     

模型未知非零和博弈问题的策略迭代算法

提出了一种在线积分策略迭代算法,用来求解内部非线性动力模型未知的双人非零和博弈问题.通过在控制策略和干扰策略中引入探测信号,从而避开了系统的模型信息,得到了一个求解非零和博弈的无模型的近似动态规划算法.该算法同步更新值函数、控制策略、扰动策略,并且最终得到收敛的策略权值.在算法实现过程中,使用4个神经网络分别近似两个值函数、控制策略和扰动策略,使用最小二乘法估计神经网络的未知参数.最后仿真结果验证了算法的有效性.     

基于能量和距离的无线传感器网络路由协议

无线传感器网络(Wireless Sensor Networks,WSNs)是一种新兴的传感器网络。Leach(Low energy adaptive clustering hierarchy)协议是WSNs中最流行的簇类协议之一,它通过概率模型选择簇头,并且周期性地改变簇头来实现最大化的网络覆盖率和网络寿命。本文通过网络中节点的能量和所处的地理位置信息,对Leach协议中节点成为簇头的概率公式进行修正,从而改进协议的簇头选择算法,平衡网络的能耗,达到延长无线传感器网络寿命的目的。基于NS2(Network Simulator Version 2)平台的实验结果证明,改进的Leach算法可以延长WSNs的寿命。     

一类分数阶Hopfield神经网络的Mittag-Leffler稳定性

研究了Caputo导数形式下的一类分数阶Hopfield神经网络的Mittag-Leffler稳定性.利用Mittag-Leffler函数的相关性质,得到该类系统平衡点的存在性与唯一性的充分条件,进而得到该类分数阶Hopfield神经网络的Mittag-Leffler稳定性的充分条件.最后,利用仿真实例验证了该结果的正确性与有效性.     

基于多目标优化函数的无线传感器网络负载均衡路由协议

针对目前无线传感器网络路由协议在延长网络生存期和提高网络整体性能等方面存在的缺陷,以平衡网络中节点能量消耗、延长网络生存期为优化目标,提出了一种基于多目标优化函数路由协议. 该协议将节点可用能量、路由跳数和节点之间物理距离等参数引入到路由选择函数中,以实现最优路径的建立和对无线传感器网络性能的综合优化. NS2仿真结果表明,与传统的定向扩散协议相比,数据发送成功率提高了15. 3%,网络能量利用率提升了9. 7%,网络生存期延长约12%,在无线传感器网络中具有显著的优越性.     

基于ANN模型和HPSO算法的数控机床可靠性分布模型研究

针对数控机床可靠性研究过程中,由于可靠性数据较难收集导致可靠性分布模型不唯一的问题,采用ANN模型对收集到的少量可靠性数据进行扩充,扩充后的数据采用K-S检验法进行分析以确定可靠性数据模型,同时在求解确定可靠性分布模型参数过程中,将混合粒子群优化(hybrid particle swarm optimization,HPSO)算法引入极大似然估计中,解决其在小样本数据下求解某些复杂分布模型时易陷于局部最优解和求解效率低的问题.实例分析结果表明:采用混合粒子群算法求解可以在求解效率和收敛性性能上达到较好的平衡,比较所有的求解模型结果,经过ANN模型扩充后的2重3参数威布尔分布的相对均方差最小,其值为0.0425,说明利用该方法求解数控机床的可靠性分布模型是可行的,而且能够获得较精确的结果.     

基于节点质量度的Spray and Focus路由改进算法

针对DTN网络中传统的路由协议未考虑到节点以及节点之间相遇时的一些属性特点问题,提出一种基于节点质量度的Spray and Focus路由改进算法,该算法包括两个阶段:基于节点质量度的Spray阶段和Wait阶段.在前一阶段,算法根据这些属性值确定节点之间的质量度,并根据节点的质量度进行中继节点的选择以及将消息发送给质量度高的中继节点.仿真结果表明,该算法能够提高消息投递成功率并降低网络的资源消耗.     

独立同分布心极限定理雨量站网规划中的应用

将独立同分布中心极限定理引入雨量站网的规划中,得出面雨量测量精度(测量相对误差或允许误差)与雨量站网密度(平均站间距)呈线性关系,误差增长的斜率与该区域雨量站观测的随机误差均方差呈正比,与区域面雨量和区域面积的平方根呈反比.利用模拟降水场以及安徽省梅雨期间高密度的雨量站点资料,以抽站法为基础进行统计计算,验证上述结论,并对这一线性关系的斜率进行讨论,以期为雨量站网的规划和优化提供一定依据.应用导出的关系式对安徽省2005-2008年梅雨季节降水统计得出,面雨量测量精度与雨量站密度的相关系数在淮北平原为0.49～0.80,在皖南山区为0.70～1.41,如果假定20％的允许误差,安徽淮北平原和皖南山区的最小平均站间距(最高布站精度)分别为25和14 km.     

矩形截面型材三维拉弯成形的回弹预测

设计了用于三维拉弯成形的、可重构的柔性模具,并采用支持向量回归机和有限元模拟对柔性三维拉弯成形的回弹进行预测.使用有限元法分析了对回弹量影响较大的6个因素(包括材料参数、几何参数和工艺参数),以及它们对回弹的影响趋势.选用这6个参数设计有限元三维拉弯模拟实验,并用模拟结果训练和检验支持向量回归机回弹预测模型.通过与广泛应用的神经网络预测方法的预测值和有限元模拟试验结果的比较,检验该回弹预测模型的准确性.研究发现,该模型与神经网络相比具有更高的准确度,在试验中根据该模型预测的回弹量对模具型面进行相应的补偿,可以有效地减小回弹和形状偏差.