优化的RBF神经网络实现FAIMS分离电压温度补偿研究

针对高场非对称波形离子迁移谱仪(FAIMS)分离电压温度漂移造成的其物性表征的不确定性问题,提出了一种采用径向基函数(RBF)神经网络对分离电压进行温度补偿的方法。为了提高算法的实时性,加快函数逼近速度,采用指数下降惯性权重(EDIW)动量因子策略对RBF神经网络参数进行了优化。在20～120℃的温度范围内对该算法及线性下降惯性权重(LDIW)动量因子策略优化的RBF神经网络和传统RBF神经网络等3种补偿算法进行对比。结果表明,指数下降惯性权重动量因子策略优化的RBF神经网络模型具有更少的迭代次数和更短的运算耗时,使分离电压很好地保证了对特定物质离子表征的唯一性,同时验证了该模型还具有较强的泛化能力。对分离电压采用温度补偿的方法也为实现迁移管无恒温控制提供了理论依据。     

二维稳态小的远场来流对纯熔体凝固的影响

考虑动力过冷和小的远场来流对纯熔体凝固的影响,利用Mullins-Sekerka解的形式及渐近分析的方法给出了该凝固系统的基态解和扰动态解,从而揭示了有对流存在时,沿晶体生长的方向、温度场及流场的分布呈现出一个指数下降的现象,为晶体生长的研究及实验分析工作提供了理论依据。     

基于随机梯度下降算法实现对环上量子游走的动态完全控制

寻找如何实现幺正量子操作是量子计算领域的基本问题，主要研究通过环上的离散时间量子游走实现任意幺正量子操作的可能.首先推广引入了特殊的环上的离散时间量子游走模型，并对模型实现任意量子操作的有效性进行了探讨.对于两量子比特的量子系统，给出了通用量子门集合与量子傅里叶变换的构造解.由于高维情况构造解较难精确给出，引入机器学习中常用的随机梯度下降算法，得以在高维系统近似实现所需要的幺正量子操作.此外，如对算法进行进一步微调，可以在位置空间上的实现任意的幺正量子操作以及两结果半正定算子测量.在高维情况下，这意味着通过控制两能级的硬币系统即可控制位置空间上大型系统，从而实现小系统对大系统的间接完全控制.这些任务的完成表明，基于随机梯度下降算法可以实现对整个环上量子游走过程的动态完全控制.     

基于边界移动法的高炉炉缸侵蚀监测模型

基于预埋在高炉炉缸内热电偶反馈的温度数据,联合数值传热计算和最优化理论的梯度下降法寻找最优化的边界移动步长因子,建立了高炉炉缸侵蚀监测模型.应用建立的模型可有效求解未知边界的传热反问题.将热电偶反馈的监测数据作为输入数据,应用建立的炉缸侵蚀监测模型对其进行未知边界问题反演求解,计算得到了炉缸内衬侵蚀形貌和残厚.把已知炉缸侵蚀形貌和相应的热电偶测温数据的高炉炉缸作为校验模型样本,模型预测与样本的侵蚀形貌对比表明其相对误差平均值为3.6%,确认了炉缸侵蚀监测模型的可靠性.     

支持向量机增量学习中模型参数选择问题研究

支持向量机性能主要受模型参数的影响,而支持向量机增量学习中模型参数选择问题研究较少。针对这一问题,提出一种支持向量机增量学习中模型参数选择方法。将鲁棒度作为增量学习的性能估计准则,用拟合误差和比例系数调节解空间取值范围,采用梯度下降法搜索参数,用初始模型参数作为梯度下降法的初始值。用该方法对Logistic模型和航空发动机振动监控进行实验。结果表明：与基本遗传算法和梯度法进行比较,所提方法能充分利用历史学习的结果,缩小解空间的搜索范围,加快收敛速度。     

一种基于二阶导数的 BP 算法

根据神经网络模型的结构特点,将能量函数的二阶导数与最速下降方向相结合,构造出一种新型的ＢＰ算法,该算法比梯度法收敛快,较牛顿法计算量小．它适合于计算结构复杂的ＢＰ神经网络模型,理论分析表明该算法行之有效,计算机仿真达到了理想的效果．     

求实对称矩阵全部特征值及标准正交特征向量的降维搜索法

提出一个直接搜索算法,它是在一系列降维球面上采用文献［１］中给出的“下降弧算法”,逐一地直接寻找实对称矩阵的全部特征值及标准正交的特征向量。     

基于随机加速对偶下降算法的分布式网络流量优化

传统的分布式网络流量优化问题大都通过对偶梯度下降算法来解决,虽然该算法能够以分布式方式来实现,但其收效速度较慢。加速对偶下降（accelerated dual descent,ADD)算法通过近似牛顿步长的分布式计算,提高了对偶梯度下降算法的收敛速率。但由于通信网络的不确定性,在约束不确定时,该算法的收敛性难以保证。基于此,提出了一种随机形式的ADD算法来解决该网络优化问题。理论上证明了随机ADD算法在不确定性的均方误差有界时,能以较高概率收敛于最优值的一个误差邻域;当给出更严格的不确定性的约束条件时,算法则可以较高概率收敛于最优值。实验结果表明,随机ADD算法的收敛速率比随机梯度下降算法快2个数量级。