基于时滞观测的神经网络的随机镇定

研究神经网络的随机镇定问题.通过在扩散项中加入含时滞项的状态控制,利用随机稳定性理论,镇定一类循环神经网络.同时,利用It公式及多种不等式性质,证明解的几乎必然指数稳定性,并给出数值例子.     

媒体报道下随机SIQS流行病模型的动态行为研究

研究了媒体报道干预策略下的随机SIQS流行病模型.构造合适的Lyapunov函数,使用Itô公式和马尔可夫半群理论,证明了基本再生数R₀^s可用于控制随机流行病模型的动态行为,即如果再生数R₀^s<1,并且在其他条件下,疾病将消亡;如果再生数R₀^s>1,并且在其他条件下,疾病是持久性的.结论表明：大的白噪声可以抑制疾病的爆发,这为制定有用的控制策略来调节疾病的动态行为提供有效帮助.最后通过数值模拟验证了这一结果.     

循环流化床锅炉汽温系统的自抗扰控制

循环流化床汽温系统存在大滞后、大延迟、多时变、非线性等诸多问题,针对含时滞的回路,实施自抗扰控制,设计循环流化床锅炉(CFBB)串级汽温自抗扰控制系统,利用新型自抗扰控制器参数整定方法优化控制器参数,进行跟踪实验、扰动实验和鲁棒性实验。仿真结果表明:自抗扰控制技术能够使CFBB汽温控制系统的动态性能得到改善,过渡过程更加平稳,系统输出几乎没有超调,调节时间缩短,并且自抗扰控制器对被控对象参数变化有较好的性能鲁棒性。本文方法的有效性和适用性,为提高循环流化床锅炉汽温控制系统的控制品质提供新的思路。     

考虑路径走行时间边界的行程时间可靠性研究

以路径的自由流时间为路径走行时间的下边界,提出了截断正态分布条件下的出行时间预算模型,并将其与一般正态分布条件下的出行时间预算模型进行对比.在多用户随机网络条件下,假定出行者的期望准时到达概率是异质的,并建立了基于可靠性的多类用户随机用户均衡模型.研究结果表明,在截断正态分布条件下,出行者的预算时间更大,且其风险厌恶水平是基于情景自适应的.同时,对准时到达要求较高的出行者倾向于选择可靠性较大的路径,对准时到达要求不高的出行者倾向于选择平均走行时间较小的路径.     

一类主从博弈Nash均衡点的存在性和稳定性

针对单个领导者与多个跟随者的主从博弈,在较弱的条件下,利用Berge极大值定理、Fan-Glicksberg不动点定理,证明了一类主从博弈Nash均衡点的存在性,推广和改进了已有的一些结果.在均衡点的稳定性方面,从最佳回应拓扑的角度证明了此类主从博弈存在Nash均衡点集的本质连通区.     

随机森林分类用于雷达信号预分选新算法研究

 现代战争中,雷达电子战环境越来越复杂,随着雷达种类的多样化和雷达脉间调制方式的复杂化,对信号分选的识别难度也愈加增大。本研究采用随机森林算法对脉冲描述字特征进行预分选,可自适应的对特征进行选择,并实现分类。随机森林由于可以自动进行特征选择,可对不平衡的数据进行误差平衡等优点,通过多决策树表决方式,可以迅速完成对大量数据快速训练。在脉冲丢失导致的部分特征损失的情况下,仍可以维持识别准确率。通过实验证明了本方法对雷达脉冲描述字特征进行预分选的有效性。     

基于自抗扰的高超再入飞行器轨迹线性化控制技术

在高超再入飞行器运动模型的基础上,全面分析了全弹道3通道间的运动学耦合、惯性耦合、气动耦合和控制耦合.针对该强耦合系统的姿态跟踪问题,基于时标分离和奇异摄动原理,分别在姿态环慢回路和快回路设计了基于自抗扰的轨迹线性化控制器.结合控制器的设计过程,从前馈、反馈、干扰观测与补偿等角度全面分析了自抗扰轨迹线性化控制方法的通道解耦机理.仿真结果验证了解耦机理分析的正确性,表明自抗扰轨迹线性化方法具有很好的解耦效果,适合用于强耦合系统的控制器设计.      

基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。     

基于CNN-CRF的中文电子病历命名实体识别研究

智慧医疗技术的发展让我们不满足仅使用传统方法做医学研究。针对中文电子病历实体识别问题,设计了一种基于卷积神经网络结合条件随机场(convolutional neural network-conditional random field,CNN-CRF)的实体识别算法框架。为得到高质量的词向量,将标注实体加入词典进行分词,并将已标注和未标注文本作为语料,用word2vec工具对已分词文本进行无监督学习;为避免扩张卷积层数增加导致过拟合,采用迭代扩张卷积处理输入向量,并使用dropout随机丢弃一些连接;运用条件随机场对网络的分类结果进行修正。把该方法在中文电子病历上进行对比试验,从病历中提取出身体部位,疾病,症状,检查及治疗5类实体。实验结果表明,该方法能有效地辨别病历中的实体,其识别的准确率、召回率和f1值分别为90.01%,90.62%,90.31%,准确率和速率比传统方法都有一定提高。