无线网络分层QoS垂直映射模型及跨层优化方法

现代无线通信网络结构复杂,通信环境时变,业务流和无线信道不可预知,服务质量保障极具挑战性.基于无线网络分层QoS体系结构,文中提出了一种统一的基于协议层间虚拟缓存接口QoS垂直映射模型,以虚拟队列技术实现层间QoS指标映射.同时,基于该协议层间QoS垂直映射模型提出一种跨层QoS优化架构,并针对业务流和无线信道的不可预知性,给出该架构在线学习优化求解方法.最后,通过与现有文献技术对比一致性方法验证所提出层间QoS垂直映射模型正确性,并且在物理层包差错率小于30％条件下,分析Q学习法优化数据链路层时延收敛性,从而验证所提出跨层优化模型和在线学习优化方法的有效性.     

基于概率神经网络的高压断路器故障诊断模型

针对高压断路器在线监测与故障诊断问题,提出了一种基于概率神经网络的高压断路器故障诊断模型.该模型利用Parzen窗函数和Bayes分类规则建立了前向型自监督神经网络,在分析分（合）闸线圈信号的基础上提出了高压断路器故障模型.仿真结果表明,该模型对断路器的故障模式识别过程具有训练速度快、输出误差小和收敛性好等特点.     

一种基于神经网络的自适应谐波电流检测法

根据信号处理中的自适应噪声抵消技术，提出了一种基于神经网络的自适应谐波电流检测方法。该方法适用于有源电力滤波器。仿真结果表明了这种谐波电流检测方法的有效性。     

Hopfield型连续反馈神经网络的全局指数稳定性

研究了Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的全局指数稳定性,给出了平衡点的全局指数稳定性的充分条件,这些条件有利神经计算,同时对于Ｈｏｐｆｉｅｌｄ型连续反馈神经网络的设计和应用都很有意义。     

基于贝叶斯网络的客户流失分析

随着电信市场竞争加剧,客户流失现象成为电信运营商关注的问题。文中基于数据挖掘手段,采用贝叶斯网络分类器,进行电信客户流失分析。在贝叶斯网络构造过程中,结合采用K2和MC-MC算法构建网络。根据贝叶斯网络的拓扑结构,筛选出客户流失相关的显著指标;由条件概率表确定客户的流失规则,进而确定高流失的客户群。考虑分类的误判损失函数,给出不同分类临界值下,贝叶斯网络模型的分类效果。与其它分类算法相比,比如决策树和人工神经网络,在客户流失率很低的情况下,该算法不需要进行“过量抽样”。     

非均匀分布的异构传感器网络K覆盖调度算法

针对现有调度算法大多没有考虑监控区域内目标发生频率的非均匀性和节点异构的因素,导致无法适应异构无线传感器网络的特点,提出一种目标非均匀分布条件下K覆盖的异构无线传感器网络调度算法.算法从全网在所有时间片服务质量和节点能耗的角度建立节点调度模型,综合考虑节点异构和监测目标的非均匀分布等约束条件,以网络覆盖率最大和工作节点的数量最少为目标,构造非线性优化函数,提出一种控制参数自适应的微分算法求解节点的调度方案.仿真结果表明:相比典型算法,改进算法能够在满足节点异构和监测目标非均匀分布前提下增强网络的服务质量和降低网络的能耗.     

模糊神经网络在车辆识别中的应用

为提高智能交通系统中汽车车型自动识别的正确率,采用了多传感器移动车辆识别系统的数据融合算法,即用模糊神经网络建立数据融合决策模型,用BP算法对网络进行学习和训练,提高系统的精度和智能化.仿真实验结果表明了算法的有效性.     

脉冲高阶时滞Hopfield型神经网络的稳定性分析

针对进化过程中顺序的突然改变导致无法用纯连续或纯粹的离散神经网络来描述的问题,给出了脉冲高阶时滞Hopfield型神经网络模型,并得到时滞脉冲系统渐近稳定的结果.然后,利用该结果和李亚普诺夫方法以及数学分析技术分析网络的稳定性.在激励函数连续、单调有界的条件下,给出了保证脉冲高阶时滞Hopfield型神经网络全局一致渐近稳定的充分条件.这些条件含有许多可调参数,为神经网络提供灵活的设计与分析;并且易于检验,适用于分析生物神经系统的动态特性或设计全局稳定的神经网络.最后,通过仿真实例说明了所得结果的有效性.     

基于复杂网络和机器学习的P2P用户违约预测

互联网的发展不断冲击着各个行业,P2P行业作为2013年开始兴起的互联网金融中的重要组成部分最近一段时间由于信用违约等原因,给许多用户带来了不小的财产损失.对于P2P行业来说,对用户的信用预测及防范违约风险是事关公司利润的核心问题.本文利用用户手机通讯录之间的包含关系构建社交网络,并从复杂网络的视角加以分析.通过将分析结果转化为机器学习的输入特征,我们用支持向量机的方法挖掘其内在的关联,从而利用用户的社会网络结构性质预测其信用情况.我们的模型基于知名互联网金融公司闪银所提供的大规模脱敏数据,得到了很好的预测效果.     

基于人工神经网络的扁钢轧制力模型

根据ＢＰ人工神经网络算法原理,结合某厂型钢轧机轧制扁钢时的轧制力实测数据,对扁钢轧制力进行建模,结果表明,神经网络用于轧制力建模是可行的,所建模型系统误差〈１％,模型计算值与实测值的偏差,４％,较好地反映了实际轧制过程的特征。