基于聚类方法和神经网络的非线性系统多模型自适应控制

针对具有参数跳变的非线性系统,联合聚类算法和神经网络提出新的多模型自适应控制方法。首先对系统的输入输出数据进行模糊聚类,然后基于递推最小二乘法建立多个固定模型。为提高系统的暂态性能,同时建立两个自适应模型,并在此基础上设计鲁棒自适应控制器。此外,为了补偿系统的非线性部分,建立非线性预测模型,并设计非线性神经网络自适应控制器。所提方法可使控制切换系统具有稳定性保证。最后,通过性能指标对控制器进行平滑切换。仿真结果表明,所提方法能够保证系统具有良好的控制性能。     

核稀疏概念编码算法及在图像表示中的应用

稀疏编码算法是一种常用的图像数据表示方法.为了处理高度非线性分布的数据,文中提出了一种核稀疏概念编码算法,并应用于图像表示.该算法首先对邻域图进行谱分析,提取数据的几何流形结构信息;然后将原始特征空间数据映射到高维特征空间中,利用谱回归在高维特征空间中来计算基向量;最后在高维特征空间中对每个样本逐个进行表示.文中算法不仅能有效地处理非线性结构数据,而且只需求解一个稀疏特征值问题和两个回归问题,计算简单有效.在Yale、ORL和PIE图像库的聚类实验表明,文中算法的准确率和归一化互信息均优于其它几种对比算法.     

山东省经济发展与能源消费关系研究——基于灰色关联理论

在对山东省经济增长与能源消费之间关系进行定性分析的基础上,构建了可定量评价的灰色关联体系,计算结果证实:山东省经济发展过度依赖煤炭资源,但煤炭总体利用率不高,目前电力、石油和天然气的使用量正在逐步增加。为解决经济增长与能源消费之间的不协调问题提出了加快产业结构调整、完善能源消费结构、实施天然气产业发展、学习国外先进技术和管理经验等措施。     

一种新的结合奖励机制的ETLBO算法

通过对原ETLBO(elitist teaching learning based optimization)算法引入一种新的奖励机制, 提出一种新的结合奖励机制的ETLBO-reward算法, 并基于该算法提出一种简单自适应的精英个数算法RETLBO reward, 该算法保留了传统算法参数少、 易实现、 收敛快等优点, 进一步提升了传统算法的收敛能力. 对6个连续非线性优化问题的测试结果表明, 这两种算法均具有良好的性能, 求解效率较原ETLBO算法有明显提升.     

航班运行风险网络的传播与控制改进

为探究航班运行风险的产生、传播与控制过程, 首先统计华北区域航班运行数据共计76个风险节点。然后，采用偏秩相关系数构建风险网络, 再使用社团模块探测算法与三角最大滤波法验证网络适用性。并且, 提出一种适用于航班运行风险分析的SEIR(susceptible-infected-exposed-recovered)模型。根据动力学传播结果, 聚类定位网络传播中关键节点。最后, 采用前置预防与战术处置两类控制方案。计算结果表明，仅控制5个节点后, 感染峰值可降低18.44%, 峰值时间推后两个周期, 起降等重要操纵节点被感染次数平均下降11.74%。该方案在感染峰值、感染周期、重要节点感染3个方面的抑制效果均占优。以上结果证实, 所提方案可有效用于航班运行风险问题分析。     

电凝聚控制MBR膜污染的研究

试验考察了SECMBR的膜过滤特性,探讨了电凝聚对控制MBR膜污染的作用及机理.试验结果表明:胞外聚合物(EPS)、溶解性代谢产物(SMP)、ζ电位和污泥颗粒粒径等是膜污染的重要影响因素.SECM BR的膜污染远小于SM BR;SECM BR原位溶出铁离子与EPS结合,絮凝性增强,滤饼层污染减轻;SECM BR中电凝聚可降低单位容积活性污泥分泌的SM P与EPS,减轻膜污染;SECM BR降低EPS和SM P中主要污染物蛋白质的比例,减轻膜污染;ζ电位与Rc之间呈负相关,在SMBR与SECMBR中相关度分别为-0.798 8和-0.557 4.SECM BR在电场与铁粒子作用下降低了ζ电位绝对值,减轻了膜污染.     

中国碳排放空间格局的时空演化——基于动态演化及空间集聚的视域

针对中国碳排放的空间相关性和差异性,通过全域空间自相关检验分析中国区域碳排放的空间依赖性和时空跃迁路径,局域空间自相关检验分析中国区域碳排放的空间集聚性,依据时空跃迁测度法对中国区域碳排放散点图的时空演化展开分析.结果显示:中国碳排放省域间存在自相关性,并且表现为一种集聚格局;碳排放的相关性呈逐渐增强的趋势;中国碳排放的空间相关性和局域区域结构具有一定的锁定效应和路径依赖.因此,应该客观理性地看待中国碳排放问题,发展低碳经济和治理碳排放的政策应该主要从空间视域动态地综合考虑.     

粒子物理中几种可能应用的新数学方法和拓扑模型

在粒子物理中探讨了四元数、符号动力学等新的数学方法,几种可能应用于振荡的数学方法,及与时间有关的粒子理论;讨论了非线性理论和相应的定性分析理论的结果;研究了粒子的拓扑模型和分形模型;最后提出弱相互作用可能相应于Lobachevsky几何.     

An Adaptive Multiscale Ensemble Learning Paradigm for Nonstationary and Nonlinear Energy Price Time Series Forecasting

For forecasting nonstationary and nonlinear energy prices time series, a novel adaptive multiscale ensemble learning paradigm incorporating ensemble empirical mode decomposition (EEMD), particle swarm optimization (PSO) and least square support vector machines (LSSVM) with kernel function prototype is developed. Firstly, the extrema symmetry expansion EEMD, which can effectively restrain the mode mixing and end effects, is used to decompose the energy price into simple modes. Secondly, by using the fine‐to‐coarse reconstruction algorithm, the high‐frequency, low‐frequency and trend components are identified. Furthermore, autoregressive integrated moving average is applicable to predicting the high‐frequency components. LSSVM is suitable for forecasting the low‐frequency and trend components. At the same time, a universal kernel function prototype is introduced for making up the drawbacks of single kernel function, which can adaptively select the optimal kernel function type and model parameters according to the specific data using the PSO algorithm. Finally, the prediction results of all the components are aggregated into the forecasting values of energy price time series. The empirical results show that, compared with the popular prediction methods, the proposed method can significantly improve the prediction accuracy of energy prices, with high accuracy both in the level and directional predictions. Copyright © 2016 John Wiley & Sons, Ltd.     

LEARNING CAUSAL GRAPHS OF NONLINEAR STRUCTURAL VECTOR AUTOREGRESSIVE MODEL USING INFORMATION THEORY CRITERIA

Detection and clarification of cause-effect relationships among variables is an important problem in time series analysis. Traditional causality inference methods have a salient limitation that the model must be linear and with Gaussian noise. Although additive model regression can effectively infer the nonlinear causal relationships of additive nonlinear time series, it suffers from the limitation that contemporaneous causal relationships of variables must be linear and not always valid to test conditional independence relations. This paper provides a nonparametric method that employs both mutual information and conditional mutual information to identify causal structure of a class of nonlinear time series models, which extends the additive nonlinear times series to nonlinear structural vector autoregressive models. An algorithm is developed to learn the contemporaneous and the lagged causal relationships of variables. Simulations demonstrate the effectiveness of the nroosed method.