用随机神经网络优化求解C-TSP

基于动态随机神经网络(DRNN:Dynamical Random Neural Network)求解典型旅行商优化问题TSP(Traveling Salesman Problem),通过简化方程参数的改进算法,针对解决大规模TSP的求解效果在时间以及路径寻优上所存在的问题,提出一种新的分区方案来解决中国31城市的旅行商问题.所获得的最优路径结果与目前公开文献中已有的其他神经网络所解的结果相比较,显示出采用随机神经网络解决多于10个变量TSP问题的优越性.实验结果表明,采用该方法解决31个城市TSP的优化,所得出的最短距离(15 112.7km)比已有5种算法的结果都要少.     

基于聚类算法的选择性神经网络集成

为了提高集成个体的差异度,提出了一种利用聚类算法去除冗余个体的选择性集成方法,该方法通过使用神经网络作为基学习器,并在多值分类数据集上进行实验．结果表明,该技术计算效率高,精度与稳健性也与基于遗传算法的选择性集成方法相当甚至占优．     

用改进的遗传算法进行多流股换热器网络综合

建立了有分流情况下换热器网络综合的教学模型,该模型改进了文献中等温混合的不合理假设,有分流情况下的换热器网络综合问题本质上是一个混合整数非线性规划(MINLP)问题。这类问题的非凸非线性特性使得目标函数存在多个局部最优解,传统的基于梯度的搜索方法在处理这类问题时由于计算规模庞大且极易陷于局部最优解而不再适用,因此对遗传算法进行多流股换热器网络综合的方法进行了研究,最后通过例题证明了方法的有效性。     

树状网络中最短接通时间的快速算法

针对文件分配问题,提出了一种求解树状网络中最短接通时间的快速算法.基于边着色和标号的思想,结合网络拓扑,将原来的网络分解为一系列更小规模的子网络进行处理.子网络对应的最优解逼近原始网络的最优解.理论分析和实验结果表明,在最短接通时间的计算精度略微降低的情况下,本文算法的计算复杂度为O(n).     

GM（1，1）置零建模法及其应用

本文从ＧＭ（１，１）建模特点出发，提出了一种置零建模的新方法（简记为ＧＭ０（１，１）法）．     

NQD样本下部分线性模型中估计的强相合性

考虑回归模型：yi=xβ g(ti) σei≤i≤n,其中δ^1 i=f(ui),(xi,ti,ui)是固定非随机设计点列,β是未知待估参数,g和f是未知函数,随机误差序列{ei}为同分布的NQD序列．在一定的条件下,得到了β的最小二乘估计β、加权最小二乘估计β^-和最终加权最小二乘估计β^-的强相合性．     

基于随机矩阵理论的局部放电脉冲快速检测方法

局部放电(partial discharge, PD)的检测是开展电力设备状态评估的重要手段之一。由于现场背景噪声及干扰信号影响,采集到的局部放电信号往往淹没在噪声中。噪声抑制算法是提高局部放电脉冲检测的有效方法,但这些噪声抑制算法往往需要针对所有采集的数据展开,当数据量特别大的时候将严重影响其实时性。因此,提出了一种基于随机矩阵谱分布理论的局部放电脉冲快速检测新方法。利用特高频传感器接收到的PD时间序列构造高维随机矩阵,再根据随机矩阵理论下时间序列模型的经验谱分布理论,提出了基于滑动时间窗的局部放电脉冲快速检测方法。仿真及实验室测试结果表明,所提方法能快速地识别出时间窗数据中的PD脉冲。     

基于载荷均衡的韧性配电网分布式故障恢复

韧性电力系统旨在应对电力系统的极端事件,高效的故障恢复是提高配电网韧性的重要手段。为了提升配电网的韧性,提出了基于载荷均衡的分布式故障恢复方法。首先,相邻馈线终端单元根据故障恢复区负荷、相邻馈线容量及负载率,计算各相邻馈线完成故障恢复后的负载率期望值。然后,各相邻馈线终端单元均以该期望值为目标,分别完成各自的故障恢复路径。最后,根据各相邻馈线的故障恢复路径形成故障恢复区的故障恢复方案。算例分析结果表明,该方法在保证各馈线载荷均衡的前提下可以有效而快速地实现故障恢复。     

处理环境效应和随机误差的创新驱动发展绩效时空异质研究——以高技术产业为例

基于2009~2015年高技术产业省际面板数据，首次纳入高技术产业创新驱动的环境效应和随机误差考虑，利用SFA模型进行分解修正调整样本投入的偏移量，进一步结合超效率技术改进，更为有效真实地反映高技术产业创新驱动发展成效及其时空异质和来源体系配置特征。研究发现，环境因素对高技术产业创新驱动发展绩效产生显著异质影响。总体上，调整后2009~2015年高技术产业的创新驱动整体效率还处于相对较低水平，存在较大发展空间。纯技术效率改进显著优于规模效率，是其创新驱动发展绩效提升的主要动力来源。高技术产业创新驱动发展绩效时间上呈现一定程度的增长，而空间差异显著，亟待进行引领产业创新驱动结构转型。     

基于生成对抗网络的信号调制方式的开集识别

为解决信号调制方式的开集识别问题,基于生成对抗网络提出了一种适用于一维信号数据的重构判别网络模型,该模型由重构网络和判别网络组成,分别用来重构和判别输入信号。两个网络在相互对抗的训练过程中,对已知调制方式信号的数据分布形式充分学习,使得重构后的输出不仅能够呈现已知调制方式信号更多有用的信息,而且能够扰乱未知调制方式的信号,从而增强判别网络对输入信号调制方式的判别能力。仿真结果表明,该模型能够实现信号调制方式的开集识别,而且在信噪比大于0 dB时,对已知调制方式和未知调制方式信号的识别率均大于93%。