基于FKCM的球磨机系统T-S模糊建模方法

针对传统的描述热工过程动态数学模型的方法难以建立非线性模型的缺点,提出了一种基于模糊核聚类的球磨机系统T-S模糊建模算法.该算法首先通过灰色关系法确定模型输入变量,利用FKCM聚类算法对输入空间进行模糊划分,确定T-S模型的前件结构和前件参数;进而利用最小二乘算法确定模糊规则的后件参数.最后,利用数字仿真数据对球磨机系统进行模糊建模,建模结果表明该算法简单、实用,模型能够精确地描述过程的非线性.     

一类非线性非最小相位系统的神经网络逆控制

基于对象的逆动力学模型,提出一种RBF神经网络逆控制的在线自学习控制方案.辨识器采用RBF神经网络和最近邻聚类学习算法,实现对象逆模型的动态辨识.并引入优化策略对聚类半径进行自动调整,以保证聚类的合理性.为克服逆控制对非最小相位系统的不足,利用构造铸系统的方法,构成一种对非最小相位系统仍然有效的神经网络逆控制器.仿真实验证明该控制策略不仅能使非线性非最小相位系统具有良好的动态跟踪性能,而且具有较好的抗干扰能力.     

异构网络中基于兴趣感知的聚类缓存策略

为应对移动流量的爆炸式增长,在异构网络中引入缓存成为目前的热点研究方向之一。目前缓存部署策略存在缓存命中率不高、缓存数据冗余度较高等问题,没有充分利用存储资源,直接影响网络的性能。针对以上问题,提出一种基于用户兴趣感知的虚拟聚类协作缓存部署策略来提高缓存系统性能。根据用户距离构造虚拟聚类,依据内容请求因子确定系统缓存内容,采用基站协作缓存以及用户间虚拟聚类方式共享缓存内容,以缓存命中率最大化为目标建立优化模型并通过贪婪算法求解。理论分析及仿真结果表明,在异构网络场景下,跟现有方法相比,所提方法在缓存命中率、系统平均传输时延等性能上均有明显提升。     

Underdetermined DOA estimation and blind separation of non-disjoint sources in time-frequency domain based on sparse representation method

This paper deals with the blind separation of nonstation-ary sources and direction-of-arrival （DOA） estimation in the under-determined case, when there are more sources than sensors. We assume the sources to be time-frequency （TF） disjoint to a certain extent. In particular, the number of sources presented at any TF neighborhood is strictly less than that of sensors. We can identify the real number of active sources and achieve separation in any TF neighborhood by the sparse representation method. Compared with the subspace-based algorithm under the same sparseness assumption, which suffers from the extra noise effect since it can-not estimate the true number of active sources, the proposed algorithm can estimate the number of active sources and their cor-responding TF values in any TF neighborhood simultaneously. An-other contribution of this paper is a new estimation procedure for the DOA of sources in the underdetermined case, which combines the TF sparseness of sources and the clustering technique. Sim-ulation results demonstrate the validity and high performance of the proposed algorithm in both blind source separation （BSS） and DOA estimation.     

能源化工循环经济中类Cobb-Douglas生产函数简化及资源优化分配

为了使能源化工循环经济工业园区在一定资源使用量下的产出最大,需要对园区内企业间进行原料资源的优化配置. 分析了能源化工企业产出和各个生产要素的关系,以Cobb-Douglas生产函数为基础,构建描述循环经济中的能源化工企业生产特点的类Cobb-Douglas生产函数;为方便求解,通过进一步假设和简化得到能源化工企业产出与原料使用量的线性关系,从而将原料优化配置问题简化成可计算的线性规划问题. 为不使优化后利润率低的企业分配不到资源,人为设置优化后的利润不低于原规划固定成本一定比例,称为利润下限,并以陕北锦界工业园区为例求解,在无利润下限的约束下,优化后的园区利润提高了76.0%;有利润下限的约束,优化后的园区利润提高了26.8%. 将该资源优化方法应用于正在规划的循环经济园区,可得到园区产出（或利润）最大,且每个企业的利润率最高;对于已建设好的园区,由于企业生产规模不能改变,求解只可以得到园区产出（或利润）最大的结果,该方法可为正在建设或已建成的循环经济工业园区中企业间资源分配优化或企业规模优化提供借鉴.     

武器装备体系作战能力聚合的类元胞机模型研究

传统以“平台”或“系统”为中心的作战能力线性聚合计算,无法反映武器装备体系的整体涌现性。在元胞自动机的基础上,结合作战能力聚合的应用实际,将元胞的状态拓展到连续的数值空间上,提出了武器装备体系作战能力聚合的类元胞机模型。建立武器装备体系作战能力的空间结构;以单项作战能力为元胞个体,所有作战能力共同构成元胞的空间结构,建立武器装备体系作战能力聚合的类元胞机模型;通过微观的元胞个体演化,凸显出宏观的武器装备体系作战能力的整体效果。通过某数字化部队武器装备体系作战能力聚合的对比实验,实验结果表明了该模型具有一定的有效性。     

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

一种新的混合聚类算法

聚类是数据挖掘的主要技术之一,是一种无导师监督的模式识别方式。聚类分析就是按照数据间的相似程度,依据特定的准则将数据划分成不同子类。K-平均算法是经典的聚类算法。蚂蚁聚类算法是近来涌现的新的聚类算法,它通过模拟蚁群的智能行为进行聚类分析,已经在数据挖掘中得到应用。通过分析蚂蚁聚类算法和K-平均算法两种不同聚类算法的基本思想,将两种算法结合得到混合聚类算法,仿真实验证明混合聚类算法的算法性能优于蚂蚁算法和K-平均算法。     

自动化系统数据挖掘问题的模拟退火解法

数据挖掘是近年来发展起来的新技术,指挥自动化的辅助决策过程也越来越依靠数据挖掘求解。通过数据挖掘,可以有效地处理海量数据,为正确决策提供支持。模拟退火是一种性能优越的计算智能算法,广泛应用于求解非线性最优化问题。数据挖掘中的数据聚类与模拟退火在本质特性上存在相似,可以将模拟退火应用于数据挖掘。通过蒙特卡罗方法生成随机数据,进行基于模拟退火的聚类分析。算例表明,新方法能够很好地进行数据聚类,具有较好的适用性。     

适于带宽变化的链路共享方法

对于无线链路和共享信道的链路，由于受外界干扰或共享冲突的影响以及采取的应对措施，使得链路带宽处于变化中。这样的链路为不同用户所共享时，原有的分层链路共享方法由于假设带宽恒定，不能适用于这样的环境。通过对这一环境和链路共享机制深入分析。提出了适于带宽变化的链路共享方法。来满足用户对此链路带宽共享需求和服务质量需求。并通过大量仿真实验对这一方法进行了深入分析，验证了其可行性和合理性。