寡头发电商报价动态模型及其混沌控制

在寡头发电商报价古诺博弈模型基础上,考虑自适应报价动态与有限理性报价动态, 分别建立两发电商与三发电商报价动态系统模型, 并分析系统Nash均衡的稳定性,然后对Nash均衡的稳定域、分岔图、混沌吸引子进行了数值仿真;在此基础上, 运用状态滞后反馈控制方法,对报价动态系统的混沌控制进行了解析分析与数值仿真,结果表明选择合适的控制变量和控制参数,可使报价动态系统稳定在Nash均衡.     

改进差分进化算法求解化工间歇与连续混合生产过程调度问题

采用统一时间离散化方法,用改进的差分进化算法求解带有限中间存储的连续生产过程和间歇生产过程混合的化工生产调度问题.提出随机产生符合容量约束的任务队列组成染色体的新的编码方式,采用块交叉和块变异进化操作. 为了提高算法全局收敛能力,该文对算法的选择操作进行了改进,并通过Logisic混沌映射方法获得交叉算子CR的取值. 最后,通过化工算例仿真来说明模型和算法的有效性.     

短时交通流混沌预测方法的比较

针对传统的应用数学模型方法在短时交通流预测精度和实时性方面存在的问题,提出了将Volterra滤波器自适应预测模型用于短时交通流的实时预测。为提高预测精度,在Volterra滤波系数计算过程中采用归一化最小均方自适应算法进行多次训练。应用该预测模型对几个典型的非线性系统进行预测,验证了算法的准确性。然后再用此方法对微观实测交通流的时间序列进行实证分析。仿真结果表明,该预测模型对实测交通流时间序列具有很好的预测效果,可以满足实时交通流预测的需要。     

变形Chua混沌系统及其同步问题的研究

混沌系统及其同步是混沌保密通信中的关键问题。提出了一种基于双曲正切非线性函数的变形Chua电路,分析了参数在不同取值时系统的吸引子特性,讨论了该系统的功率谱密度特性、分岔特性和旁加莱映射,并通过线性状态反馈实现了两个变形Chua系统的同步。不仅如此,还通过调整非线性函数,将该系统进一步拓展,产生了更复杂的多涡卷混沌吸引子,以更利于实际应用。仿真结果表明了本方法的有效性。     

论复杂性的基本根源——从系统科学的角度

从复杂性的一般性特征描述中分析出复杂性的产生根源：系统中多个子系统数目、子系统间的非线性相互作用、系统的进化机制、系统处于混沌的边缘、层级结构、自组织机制、适应性以及人类认识能力的局限性等。同时说明这些因素之间联系非常密切并不是彼此孤立的。     

一个临界混沌系统的驱动和时滞反馈控制同步

利用驱动和时滞反馈控制的混合方法,从理论上提出了渐近同步的新标准.其中,只要设置两个控制器就能使得驱动系统和响应系统达到完全同步,而且这种同步是时滞无关的同步.最后的数值模拟也表明提出的理论结果是正确和有效的.     

基于Curvelet稀疏表示的图像盲分离初始化

针对盲分离初始化问题提出一种基于Curvelet稀疏表示的图像盲分离初始化方法. 该方法充分利用信号Curvelet变换的稀疏特性,选取稀疏性最好的高频系数组,采用聚类方法估计聚轴中心,寻求混合矩阵估计值,实现对盲分离学习算法的初始化. 实验结果表明,该初始化方法能避免盲分离算法在收敛时陷入局部最小,加快收敛,并提高分离精度.     

混沌直扩信号检测的最大Lyapunov指数方法

混沌直扩信号是一类兼有混沌信号和直扩信号优点的扩频通信信号,但带来优点的同时也使得传统直扩信号的检测方法不再适用于混沌直扩信号. 该文针对复杂环境下非合作混沌直扩信号检测的问题,分析传统直扩信号检测方法. 通过考察混沌特性判别混沌信号的方法,提出先通过C-C方法确定重要参数,以小数据量法计算接收信号的最大Lyapunov指数,实现对混沌直扩信号的检测. 验证了该方法在高斯噪声、衰落信道、多径信道、不同扩频比等条件下的适用性.     

自适应的混沌粒子群算法优化XML文档聚类策略

为了提高海量XML文档集的聚类质量,提出了一种基于粒子群的XML自适应混沌聚类算法(简称ACPSO):为了简化XML文档相似性判定,该算法以XML键为基础,结合混沌原理与粒子群算法划分XML文档:为了加速算法的收敛性,通过对算法相关参数的自适应学习与权重调整,增强XML文档的全局寻优能力,改善XML文档聚类的质量.对比其它聚类算法,仿真表明本算法不仅能有效避免聚类停滞现象的发生,而且是一种高效的XML文档聚类方法.     

基于混沌优化的模糊聚类分析方法

提出了基于混沌优化的模糊聚类方法(COFCM).COFCM将混沌优化策略与传统的模糊C-均值算法(FCM)相结合,用混沌变量搜索对模糊聚类目标函数进行全局寻优,同时结合梯度算子,使方法能有效收敛到极值点.以六组人工数据集和真实数据集作为实验数据,对聚类目标函数值、聚类有效性函数指标值进行对比实验,其结果表明COFCM能得到比FCM更好的目标函数值,从而有更好的聚类效果.最后将该方法应用于Lena图像进行图像分割,验证了方法的有效性.