基于CPU使用率的动态电源管理

基于进程的静态因子预测算法,本文提出了对该算法的一种改良,通过动态因子(根据环境变化、历史预测效果)来动态调节算法的因子,是一种自适应的预测方式.实验结果显示,我们的改良算法在不同条件下的预测效果非常好.     

商业数据的预测模型及其算法研究

以商务流通中的经济时间序列数据为对象，设计实现了经济时间序列预测系统。在预测系统中采用了多种预测模型，设计实现了包括指数平滑算法、AR(Auto Regression)算法、Holt-Winter算法、回归分析算法在内的各种统计学算法，并且把神经网络引入到时间序列预测系统的模型中，采用动态学习的BP(Back Propagation)神经网络进行训练预测，取得了很好的实用效果。神经网络的预测模型与传统的统计方法相比，在预测的精度上有了很大的提高。     

一种基于灰色模型的数据预测优化算法

近些年来,灰色模型GM(1,1)被大量应用于小样本或穷信息的预测,操作与实现步骤简单,预测精度较高.为了进一步提高GM(1,1)的预测精度,运用遗传算法动态调整GM(1,1)中的均质生成数列分辨率系数,改变通常把灰色模型的分辨率系数设置为1/2的计算模式,使得改进后的GAGM(1,1)算法针对小样本的预测具有更高的精度和鲁棒性.通过算法的数值实验,结果表明优化算法的预测精度高于传统的GM(1,1)算法及多个基于GM(1,1)的改进算法.     

动态调整GM(1,1)发展系数的预测优化算法

在灰色预测GM(1,1)算法的基础上,针对小样本、穷信息、不确定性和以时间为序列的特征数据,运用限定条件下的随机非线性规划方法、动态调整GM(1,1)算法均质生成数列中的发展系数,构建一套优化预测模型,藉此提高算法的数据预测精度.结果表明:优化算法的预测结果精确度高,在数据预测方面,优于传统的GM(1,1)算法.     

基于IDNPSO-BP神经网络的股票市场指数预测

针对动态邻居粒子群算法的局限性,引入新的动态邻居拓扑结构,动态调整粒子群算法参数设置,提出改进的动态邻居粒子群算法(IDNPSO).为了提高BP神经网络模型的预测准确性,提出一种基于改进动态邻居粒子群算法的BP神经网络模型(IDNPSO-BP神经网络).利用IDNPSO-BP神经网络和GA-BP神经网络对上证指数、深证指数进行预测,结果表明IDNPSO-BP神经网络的预测误差优于GA-BP神经网络,具有股票市场指数预测能力.     

桥梁时变可靠度指标的改进粒子滤波预测算法

基于健康监测时间序列数据,提出了桥梁动态可靠度指标的改进粒子滤波预测方法.首先,利用监测极值数据建立动态模型,将其作为粒子滤波算法的状态方程和监测方程;然后,采用贝叶斯动态线性模型(BDLM)为粒子滤波器提供随时间更新的动态建议分布,以解决传统粒子滤波算法的样本退化问题,同时增加了粒子滤波算法的鲁棒性及自适应性;进而利用改进的粒子滤波算法(IPF),结合极值监测数据实现结构极值的动态预测,并结合一次二阶矩(FOSM)可靠性方法,实现桥梁结构可靠度指标的动态预测;最后通过在役桥梁工程实例与设计试验对所提模型和方法的合理性与有效性进行验证.     

基于改进PSO-RBF神经网络的光伏功率预测

针对RBF算法的隐节点中心和参数会影响光伏发电功率的预测精度,提出了一种基于改进粒子群算法(Particle Swarm Optimization,PSO)优化径向基函数网络(Radial Basis Function,RBF)算法,通过寻找相似日,将相似日的实际功率和影响光伏发电功率的气象因子数据作为输入,同时利用改进PSO优化RBF网络参数,建立预测模型进行训练和预测。在粒子群优化算法中,通过动态调整惯性权重,有效地提高了非线性问题的求解能力,采用改进粒子群优化算法优化径向基神经网络参数,兼顾了PSO和RBF神经网络模型的优点,具有较好的收敛速度和预测精度。通过实际光伏发电数据验证表明,该算法具有较高的预测精度。     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法 ,在该算法中 ,先用BP神经网络辨识对象模型 ,同时预测对象的未来输出 ,然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题 ,仿真结果验证了这一新型算法的可行性     

基于BP神经网络预报的动态矩阵预测控制

提出了一种基于BP神经网络预报的动态矩阵预测控制新算法，在该算法中，先用BP神经网络辨识对象模型，同时预测对象的未来输出，然后用动态矩阵控制算法进行滚动优化和反馈校正。该方法解决了非线性、时变对象难以建模及控制的问题，仿真结果验证了这一新型算法的可行性。     

高效的用户访问预测新算法

针对基于Web日志挖掘的用户访问预测经典算法的不足,提出了基于Markov链和关联规则的预测算法(MAPA).使用二阶Markov链找到用户下一步或将来可能访问的页面集,生成预测候选集;使用二项关联规则从正向和反向2个角度修正Markov的预测结果,从而生成最后的预测页面.通过引入用户反馈机制,提出了带反馈的Markov预测算法(MPAF),即在预测过程中逐步构造历史预测树,把历史预测信息保存到历史预测树中,并根据用户的反馈来判断预测的正确性.在预测过程中,用二阶Markov预测算法生成预测候选集,再利用历史预测信息动态地调整预测算法,从而生成预测页面.理论分析证明,这2种预测算法具有线性时间复杂度的预测效率.实验结果表明,MAPA和MPAF在预测准确率上平均提高5%和10%.     

基于动态BP网络误差修正的广义预测控制

针对建模误差对非线性系统预测控制鲁棒性的影响，提出了一种基于动态Bp网络的广义预测控制算法。该算法运用动态Bp网络对模型预测误差进行在线补偿，以提高预测精度。仿真结果证明了本文提出的广义预测控制算法对于非线性系统是有效的。     

基于PSO算法的HVAC系统LSSVM预测控制

针对暖通空调(HVAC)系统,提出一种基于粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的预测控制方法。该方法利用LSSVM建立HVAC系统预测模型并预测系统的输出值,引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造加权预测控制性能指标。由PSO算法滚动优化得到系统的最优控制量。利用该控制方法对一个HVAC系统进行仿真实验,结果表明该方法具有较好的控制效果。     

基于改进Elman神经网络的非线性预测控制

为了提高非线性预测控制中预测模型的精度,提出一种基于递归神经网络建模的预测控制方案.采用改进Elman神经网络在线建立预测模型,用递推最小二乘法在线修改神经网络权值,并引入误差补偿环节,从而达到改善预测模型精度的目的,使控制系统的控制性能得到提高.仿真实验表明了该方法的有效性.     

基于局部变化率的无损图像压缩方法

介绍一种实现图像无损压缩的预测编码算法。该算法在预测阶段利用像素值的局部变化率来对预测模型进行自适应调整,在编码阶段采用误差反馈技术进一步降低误差图像的信息熵。对标准图像的仿真测试结果表明,该算法的性能明显优于国际标准化组织JPEG－LS提供的标准无损压缩算法。     

FROG-LEG型机械手的模型预测控制研究

研究了FROG-LEG型机械手的轨迹跟踪控制问题,提出将基于动力学的预测控制应用于机械手的位置控制,并利用当前时刻控制误差补偿下一周期的控制量。在分析FROG-LEG型机械手结构的基础上,首先建立了机械手的等效串联结构运动学模型,然后建立了水平和垂直方向解耦的动力学模型,在此基础上对并联机械手进行了基于预测控制的轨迹跟踪研究。仿真实验表明:该预测控制方案可以使得机械手有效地跟踪路径规划器给出的轨迹;关键关节的控制效果可以通过加大其权重得到提高;模型校正可以大大降低控制误差。     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于粒子群寻优的汽车自适应巡航预测控制

为进一步提升多目标自适应巡航系统预测控制精度,提出一种基于粒子群寻优的汽车自适应巡航预测控制算法.首先建立一种包含前车加速度扰动的自适应巡航系统车间纵向运动学模型,并对其线性离散化;其次综合车距误差、相对车速、自车加速度和冲击度,设计二次型多目标优化性能指标函数和多参数约束条件,构建自适应巡航预测控制优化命题;最后为便于问题求解,将目标函数和约束条件推导转化为以预测控制增量为优化变量的规范形式,并基于粒子群优化算法求解自适应巡航预测控制的最优控制律.通过Matlab/Simulink多工况仿真结果表明,粒子群算法求解的最优控制律能够控制自车保持更好的跟踪性和自适应性.      

网络控制系统反馈和前向通道的随机时延补偿

针对网络化控制系统的网络诱导时延,提出了一种改进的补偿时延的预测控制方法。对于反馈通道,根据测量的反馈时延设置预测步长,采用柔性控制增量算法设计预测控制器对时延进行补偿。对于前向通道,前向时延相对控制器来说是未知的,为此在系统输出端和前向通道间添加一个反馈补偿环节,设计一个控制补偿器估算出历史时刻实际作用于被控对象的控制量与控制器在此时刻输出的控制量之间的误差,用该误差来补偿前向时延的影响。当被控对象参数缓慢变化或未知时,给出了渐消记忆递推最小二乘辨识算法的网络化反馈修正算法。最后对闭环系统的稳定性做了分析并通过仿真验证了该策略的有效性,保证了网络化控制系统的良好性能。     

基于Logistic算法的考研成绩变量预测方法

针对传统考研成绩变量预测方法的变量关联性低,导致预测结果存在较大误差的问题,提出基于Logistic算法的考研成绩变量预测方法.收集并处理历年考研成绩数据和学生成绩数据,作为成绩变量预测的初始数据.设置考研成绩的预测变量,建立Logistic回归分类算法模型,通过该模型的运算提高考研成绩变量之间的关联性.综合历年考研成...     

基于神经网络的模型直升机偏航角预测控制方法

模型直升机航向角变化剧烈,一般航向角测量方法具有延迟性、误差大、变化突然等缺点,需要一种具有学习、适应、非线性类人控制的控制方法.基于神经网络的预测控制方法采用双曲正切函数作为传递函数,采用最小二乘拟合算法训练数据得到参数,并在单片机实现中进行了简化,用多项式代替双曲正切函数,简化计算复杂度,在保证控制精度的基础上,提高了预测控制的实时性.在试验台运行中,控制过程延迟小,控制精度明显改善,模型飞行平滑,具有较高的实用价值.