结构方程模型迭代算法研究

对结构方程模型——偏最小二乘法分析的模型结构、迭代原理进行了具体研究.首先,详细介绍了结构方程模型的结构关系组成,并针对2个结构2个潜变量的结构方程模型进行了推导,研究了相应迭代算法并开发了实现程序.最后,通过算例验证了迭代算法的有效性.     

最小二乘支持向量机分类器的高稀疏化及应用

为减少训练完毕之后的最小二乘支持向量机的分类计算量,借鉴神经网络的快速剪枝策略,提出了一种新的稀疏化算法:HS-LSSVM。它在主成分分析基础上,筛选出样本子集作为支持向量,它们既包含较多核函数矩阵信息,又相互独立性强,具有较好的代表性。算法将其余个体的信息转移至支持向量上,在实现高度稀疏化的同时,良好地保持了LSSVM的分类性能,并能适用于多类问题。对多个分类问题的测试表明,HS-LSS-VM具有稀疏率高,分类性能强,且稀疏化速度较快等优点。     

一种基于星型子网的片上网络结构研究

提出了一种基于星型子网的片上网络结构SSBM NoC（Star-Subnet-Based-MeshNoC）,它在已有网格状结构的基础上引入了子网的概念,并在子网内使用星型拓扑结构来连接一个交换机与四个网络节点。OPNET仿真结果表明,在同等网络规模下SSBM结构较之单纯的二维网格状结构具有更少的端到端通信延时,并仅使用其1/4数目的交换机,而交换机的负载则不到其两倍。     

具有可变抽样区间的二维EWMA控制图

对二维EWMA控制图进行了可变抽样区间设计,利用Markov chain方法计算出了过程的平均报警时间,数据结果显示,所设计的控制图较常规的固定抽样区间控制图能更快更准确地发现过程的变化.     

线性-二次双层规划的满意解与基于LP与NLP过程的算法

对线性-二次双层规划(简称LQP)模型提出求满意解的直接搜索方法.得到了基于LP与NLP过程来协调LQP上下层满意度与求满意解的算法.数值计算实例表明,算法得到的满意解较之传统最优解更有效.     

基于最小二乘的阵元位置误差校正及性能分析

针对独立校准信源波达角未知情况下的阵列位置误差校正问题,提出了一种对信号导向矢量的绝对相位进行最小二乘线性拟合,进而估计出阵元位置误差的算法。并对算法的性能进行了详细分析,推导出位置误差估计的显示表达。该算法在对阵元位置误差进行估计时无需迭代运算,甚至不需要一维搜索,具有较低的运算复杂度。理论分析和仿真结果验证了该算法的有效性。     

基于最邻近聚类和向量模糊c-均值的混沌预测

针对混沌时间序列难预测的问题,提出一种新的基于最邻近聚类和向量模糊c-均值(FCMV)聚类算法的模糊建模方法。其前提参数辨识分两步,首先用最近邻聚类法初始划分输入空间,得到规则数及初始聚类中心,再用FCMV把具有相同收敛向量的聚类中心归到同一个区域来优化前一步得到的聚类中心,得到前提参数;采用递推最小二乘算法辨识模型的结论参数。最后通过对Mackey-Glass混沌时间序列的建模和预测验证了该方法的有效性与实用性。     

一种基于模糊规则的模糊辩识方法

提出了一种基于模糊聚类和最小二乘估计方法的模糊辨识方法。该方法是基于模糊聚类,计算给定样本在各类中的隶属度,并给出输入变量的隶属度函数。利用递推最小二乘估计辩识模糊模型的后件参数,本文给出了详细的的算法。为了验证该方法的有效性,本文给出了Ｂｏｘ－Ｊｅｎｈｉｎｓ数据的辨识结果。     

不确定云环境下基于滚动窗口的节能调度

目前,绿色云计算已经成为工业界和学术界的研究热点. 然而,以往的绿色节能调度研究忽略了虚拟机性能的不确定因素,使得调度效果与实际情况相差甚远. 本文提出一种基于滚动窗口的节能调度算法（ERRHU）,用于动态调度不确定云环境中的实时任务,同时根据系统的负载动态伸缩系统的计算资源以减少系统的能量消耗. 本文通过大量的模拟实验比较ERRHU与其他算法的性能.     

需求不确定性对最小化成本和最大化利润报童问题的影响

运用应用概率中的随机占优和可变序研究需求不确定性对两类报童问题的影响,一类是经典的最小化成本报童问题,另一类是带有二次订货策略的最大化利润报童问题. 得到对应于两类报童问题的最优成本（最优利润）关于缺货惩罚费用（二次订货费用）的单调性,并从最优化和随机比较两个方面分析两类模型的等价性. 针对最大化利润报童问题,给出在分散序意义下比较系统最优利润的充分条件,并证明当二次订货费用小于或等于零售价格时,随机大需求导致较高的最优利润,但当二次订货费用大于零售价格时此结论不一定成立. 证明对任意二次订货费用,在二阶随机占优意义下系统最优利润随需求可变性增加而减小. 进一步,证明存在一类需求分布,当需求均值相等且二次订货费用大于某一固定值时,系统最优利润随需求可变性的增加而增加. 对最小化成本报童问题给出类似的结果. 数值例子验证了得到的研究结果.