具有耦合时滞复杂时空切换网络的耗散性同步

建立了一种新的复杂动态网络模型——时空切换网络,其每个节点的动力在不同的时间区间对应于不同的切换模式,切换律不仅依赖于时间t,而且依赖于节点的标号i(或节点的空间位置).基于Lyapunov稳定性理论,研究了具有耦合时滞复杂时空切换网络的耗散性同步问题.     

异构网下基于速度的自适应垂直切换算法研究

在异构网络垂直切换中一直存在着乒乓效应、网络利用率低和丢包率严重等问题．以往的算法虽然提出了改进的方法,但是没有考虑移动节点速度不同对切换效率的影响,在此提出了一种自适应主动预测的垂直切换算法．采用代价函数对可接入网络进行评估和选择;根据稳定周期、移动节点运动的速度和所处位置来自动调整切换执行时间,使移动节点能自适应的进行切换抉择．仿真结果表明,该算法可以有效地减少切换延时、分组丢失以及切换次数,能够有效地提高系统的切换性能。     

MP2P网络的移动节点域间预切换方法

移动P2P网络具有高度动态性,但节点的频繁移动影响整个网络的可达性,降低了网络的服务质量.为了维护节点的可达性需要减少节点移动时的切换时延,为此文中提出了基于超级节点的分层预切换方法HPH.该方法在基于超级节点分层模型的基础上引入移动IPv6的快速切换的思想,对节点的域间移动采用预切换机制,解决网络中因节点频繁移动而带来的负面影响.仿真结果分析表明,较之传统KaZaA切换方法,HPH方法的切换时延降低了20.5％,丢包率降低了10.2％.     

一种移动无线多跳网络中的新型切换认证方案(英文)

通过门限方案设计了切换分配认证的安全通信模型,然后配发交叉证书的进程,描述和分析了从节点离开前网络到进入新网络的漫游切换认证的步骤．在没有证书颁发机构的情况下,提议了一种新型无线多跳网络中不同网域之问的漫游切换认证方案。并为节点的漫游切换和安全通信提供了一种有效方法,该方法能够获得和避免对单节点的攻击,因而有更好的灵活性和安全性,在未来的无线多跳网络应用中有重要的参考价值．     

MIPv6在WLAN内快速切换的性能研究

研究下一代移动IP（MIPv6）在WLAN内的快速切换IEEE的“Mobile IPv6 Fast Handovers for 802．11 Networks”草案提出了一种快速切换的思想，通过链路层传递切换信息对其进行改进，将第三层的切换决策权交给网络（而不是移动节点），实现第二层和第三层的切换并进，从而大大降低了切换时延．该切换算法在OPNET仿真环境下模拟实现．     

切换系统稳定性的基本问题

切换系统是混杂动态系统的一种重要类型,具有广泛的应用背景,因此近年来得到许多学者的关注。对于切换系统稳定性的基本问题进行介绍,分别对任意切换下切换系统的渐近稳定性问题、某一切换策略下切换系统的渐近稳定性问题以及设计切换律镇定切换系统的问题进行了阐述,并对切换系统稳定性问题的研究方法,如单Lyapunov函数方法和多Lyapunov函数方法以及凸组合技术等做了相应的介绍。     

微移动切换算法

在混合移动网络中,频繁的切换是不可避免的.切换引起的重新建立数据连接将导致时延和占用大量的网 络带宽.微移动切换算法提出了一个交叉路由的切换方案,该方案可以减少延迟服务中断期间所发生的切换过程. 微移动切换算法的实现是移动节点在向前推进的过程中,预先为下一个节点发送资源请求以保留该移动节点切换 发生,确定交叉位置的路由器以减少带宽的浪费.该算法在网络模拟器版本2平台上进行模拟,结果表明,该切换 方案减少了移动节点发送数据的时延,降低了数据丢包率以及增大了网络吞吐量.     

一类不确定非线性切换系统的鲁棒稳定性

充分利用结构特点,通过标称系统各部分的稳定性获得一类不确定非线性切换系统的鲁棒稳定性.当标称系统的线性部分及零动态均存在共同Lyapunov函数时,通过构造依赖于不确定参数的共同Lyapunov函数得到整个系统在任意切换下的鲁棒稳定性.进一步,当标称系统的线性部分及零动态的各子系统都不渐近稳定时,通过设计切换律得到了该切换系统鲁棒稳定性的充分条件.     

移动IP网络层切换改善方案的研究

移动IP切换的长时延已经成为未来全IP网络移动性管理的瓶颈。为解决这个问题,在分析层次化移动IPV6系统的基础上,提出了改进的移动切换方案。借助于根移动锚节点(RMAP),保持了移动IP层次性管理域内切换的优势;对网络层快速切换的方案做出改善,结合MN在网络中的位置实施了最优路由器广播周期逐层配置,使其达到RMAP域内切换最佳时延性能。     

一类切换系统的稳定性与鲁棒稳定性

在本文中，首先我们利用切换频率研究了由稳定子系统组成的切换系统的稳定性；然后在对规范切换系统的稳定性研究的基础上，研究了由稳定子系统组成的相似规范切换系统、正定相似规范切换系统的稳定性。进一步，研究了子系统带有非线性扰动项的正定相似规范切换系统的鲁棒稳定性。     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

基于多故障状态分离和转移评估的受端系统动态无功规划

大容量受端系统的动态电压稳定性是影响电网安全稳定运行的一个重要因素,有必要对受端系统进行充分的动态电压支撑。定量评估动态电压支撑前后的系统各种经济损失是动态无功规划的关键。本文首先分析了多馈入受端系统受到大扰动后的状态转移过程,基于状态分离费用和状态转移费用的评估,提出了完整的动态无功规划优化模型,能够恰当描述受端系统内部故障和馈入通道故障引发的各种失稳情景。基于该模型进行了广东受端电网2008年和2010年的动态电压支撑优化计算,得到了兼具安全性和经济性的动态无功综合补偿方案。     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

基于辨识模型的非线性网络故障诊断方法研究

将Volterra级数解的递推算式与方波脉冲函数变换相结合,提出了一种对一类非线性动态网络的数学模型进行辨识的新型混合模型辨识法,导出了相应的混合模型辨识公式和动态响应的求解方法．并根据该法所得到的辨识混合模型,提出采用多重预置模型方法对非线性网络故障进行诊断的方法．该法避免了在线计算系统当前工作模型,易于实现在线故障诊断、     

基于Chebyshev神经网络的非线性动态系统预测

针对非线性动态系统的预测常受到噪声或其他过程的耦合影响,使得规律变得难以发现的问题,提出了以一组Chebyshev正交基函数作为神经网络中各隐神经元的激励函数的新型的Chebyshev基函数神经网络预测模型.将该模型作为非线性动态系统预测模型,并采用基于粒子群和模拟退火组成的文化基因算法优化神经网络的权值,可以达到很高的预测精度和很好的预测结果.Chebyshev神经网络与传统的BP(back propagation)神经网络相比,工作量大大减少,加快了收敛性.文化基因算法用于确定权值的Chebyshev神经网络分别与粒子群和模拟退火优化的Chebyshev神经网络相比具有更好的拟合效果.     

机器人动力学模型的BMAC多网络模拟

采用多个高阶脑模型控制器ＣＭＡＣ，即多个ＢＭＡＣ网络模拟机器人动力学模型；重点讨论了网络结构及其参数Ｍ１和Ｇ的确定，学习样本的产生方法；并在此基础上，研制了计算机仿真软件，对实例进行了成功的仿真实验。     

基于BP神经网络的库存动态预测及其应用

利用库存的历史数据,建立了动态环境下一个基于BP神经网络的初始库存模型,采用提前结束训练法克服因样本量不足而产生的网络过适应问题,并通过网络的训练获得一个关系简单的库存模型.每次获得新样本数据后对模型进行重构,达到了动态建模和分析的目的,并用实例进行了说明,为库存系统的管理决策提供了理论依据.     

利用朋友机制生成一类无标度网络

针对网络模型的演化问题,提出了一种新的无标度网络演化模型。该模型可以帮助人们从"朋友机制"捕捉网络形成的动态特性、了解该机制对网络最终结构的影响,对研究网络功能及网络上的动力学行为有一定的参考价值。通过理论分析与数据仿真证明,该演化模型具有无标度特征和小世界特征,比BA模型更接近于真实网络。     

复杂环境下基于动态贝叶斯网络的目标识别

为了提升高动态复杂电磁环境下空战过程中对目标的识别能力,针对SBN网络模型无法满足战场的动态性要求以及对目标的经常性误识别问题,设计了一种基于变结构动态贝叶斯网络的目标类型识别模型。该模型是由静态贝叶斯网络模型演变而来,具有良好的动态表达性和滤波功能,弥补了SBN的不足,并且对空战过程中目标特征信息丢失的问题有良好的容错能力。仿真结果表明,基于动态贝叶斯网络的目标识别的识别效果,优于基于参数学习贝叶斯网络的目标识别。使用该模型后目标识别的准确性提高了5%,有效地解决目标类型识别过程中数据缺失和信息不足的问题。     

一种面向传感器网络的蚁群优化路径恢复算法

为了找到动态传感器网络中的能量有效路径,提出了一种基于蚁群优化的传感器网络路径恢复算法.设计了一种新的路径选择概率模型,使得能够找到一条从源节点到sink的能量有效路径,该路径兼顾了路径能量消耗和节点剩余能量情况.为了适应网络动态变化,提出了局部信息素再初始化规则,利用该规则可在网络失效节点的附近进行局部信息素再初始化,在保留大部分原有最优路径的信息的同时,还能进行局部搜寻,以寻找新的路径,从而达到快速路径恢复的目的.仿真实验表明,所提算法在寻找路径上所消耗的能量最少,节点的剩余能量最大,在网络存在失效节点的情况下能够快速恢复路径.