无模型预测控制及在溴化锂机组控制中的应用

为解决带有时滞特性的制冷系统的控制问题,提出了一种改进的无模型自适应预测控制算法,并将其应用到制冷系统控制方案中。首先,提出一种引入两个参数L1,L2的参数估计控制方案,改善了MFAPC( Model-Free Adaptive Predictive Control) 的伪偏导数参数估计过程,使算法在达到减参目的的同时提升了稳定效果; 之后在控制输入准则函数中加入了控制输出误差和。最后引入典型线性和非线性时滞系统、跟踪时变信号系统、溴化锂制冷系统,对其跟踪控制问题进行了仿真比较研究。仿真结果表明,改进的无模型预测控制算法能取得更稳定的输出结果,且有更快的响应速度和更好的控制性能,同时解决了带有时滞特性的制冷系统控制问题。     

从定积分的角度看粗糙集

对于粗糙集的定义及其基本性质,从定积分的角度,给出了一种全新的描述.     

基于蛇模型的管路三维重建方法

针对航空航天中大量应用的管路高精度快速测量难题,提出了基于蛇模型的管路三维重建方法.该方法充分利用管路灰度图像边缘特征,借助阈值分割和高斯滤波消除图像噪声,先结合蛇模型获取精准的管路图像边缘,贪心算法进行迭代以保证收敛效率,利用极线约束原理得到二维管路中心线点云,然后根据视觉投影原理,重建管路三维模型,最后使用多目视觉系统拍摄的照片进行结果优化以保证重建精度.结果表明:该方法对管路的测量精度为±0.15 mm,简便高效,无需过多的人工操作.同时,实现了管路圆弧段弯曲半径的测量,满足工业应用需求.      

顺序统计滤波能量驱动的鲁棒快速图像分割

为了提升图像分割的速度与初始轮廓和参数鲁棒性,提出了一种基于有序统计滤波能量驱动的鲁棒主动轮廓模型。首先用顺序统计滤波的边力函数来代替传统的数据拟合,进一步引入边力函数能量泛函快速自适应地吸引曲线向目标的边界演化。为了有效地调节水平集函数,利用优化后的长度项对曲线进行平滑和缩短,并通过标准梯度下降法将能量泛函最小化。最后实验结果表明提出的方法能够更加快速、准确地分割图像,并且对初始轮廓和参数具有较强的鲁棒性。     

基于KNN-TSVR算法的MIMO-OFDM系统信道估计

为了提高多输入多输出正交频分复用(MIMO-OFDM)系统的信道估计性能,提出了一种基于K近邻加权孪生支持向量回归(KNN-TSVR)的信道频率响应估计算法.该算法的工作过程是首先用最小二乘算法对导频位置的信道参数进行估计,获取训练样本,然后用K近邻(KNN)算法对训练样本进行预处理,得到赋予各样本的权重,最后由加权TSVR对MIMO-OFDM系统所有位置的信道参数进行插值估计.本文提出的改进的加权TSVR信道估计方法不仅具有TSVR对非线性关系回归的优势,同时引入KNN算法对TSVR进行改进,使得该算法与传统TSVR相比,具有更好的回归性能和抗噪声能力.对非线性MIMO-OFDM信道进行估计的仿真实验结果证实了这一结论.     

基于虚拟机迁移的能量收集MEC系统资源分配策略

针对现有研究没有考虑用户移动性对移动边缘计算（mobile edge computing,MEC）服务器反馈计算结果影响的情况,提出一种基于虚拟机迁移的能量收集MEC系统资源分配策略。考虑用户移动性影响,分别给出用户移动性模型和能量收集模型;采用虚拟机迁移方式,把用户卸载给初始MEC服务器的计算任务转移到当前MEC服务器,由当前MEC服务器完成计算任务,计算结果直接反馈给用户;综合考虑用户卸载计算任务和MEC服务器反馈计算结果,将功率和子载波分配问题建模为混合整数非线性规划问题,在满足能量消耗、子载波分配和发射功率的约束条件下,最大化系统能量效率。为了降低求解复杂度,通过引入遗传算法,获得次优解。仿真结果表明,与基于遗传算法的局部功率或子载波分配方法相比,提出的方法具有更高的能量效率。     

移动边缘计算中的无人机群协同任务卸载策略研究

针对应急灾害中通信受限的场景,研究了基于移动边缘计算(mobile edge computing, MEC)的无人机群(unmanned aerial vehicles,UAV)协同任务卸载问题。在对系统通信过程和计算过程的延时与能耗分析的基础上,设计联盟效用函数和回报函数,并基于享乐博弈模型提出联盟分割形成算法。理论分析证明,该算法最终收敛于某个稳定的联盟分割。仿真结果表明,相比其他典型策略,提出的策略具有更低延时和能耗,能够提升用户服务体验、增加设备续航时间,解决通信受限问题。     

一种基于强化学习的车联网边缘计算卸载策略

计算密集型、时延敏感型车载应用的不断涌现导致资源受限的车载终端设备无法在短时间内处理大量的应用任务,而且卸载节点的动态变化特性在复杂多变的车联网场景中会导致任务候选卸载节点存在不确定性。针对上述问题,提出一种基于强化学习的计算卸载策略来实现任务卸载预判和计算资源分配。结合设备链接时间与通信半径等因素制定卸载节点发现机制,通过考虑时延与成本对车联网移动边缘计算卸载系统的影响建立效用函数,并以最大化效用作为优化目标将车联网中的卸载问题转化为优化问题,基于卸载节点发现机制采用Q-learning方法提出一种智能节点选择卸载算法求解优化问题,实现任务的智能卸载。仿真结果表明,在车联网场景中,提出的计算卸载策略可实现更高的系统效用。     

导体平板散射矩阵的计算

该文应用物理光学法及边缘绕射理论的增量长度绕射系数法，对有限大小矩形平板在任意入射波、任意空间场点处的散射矩阵进行推导，得到计算平板散射矩阵的简单公式，数值计算结果表明，此公式精确可靠。结果对掠入射时的雷达目标识别具有参考意义，该方法可以推广到计算任意边缘形状平板的散射矩阵。     

预测日径流过程的最近邻仿真模型

准确预测日径流过程对区域水资源管理和防洪抗旱决策具有重要的现实意义，文中探讨了用基于历史相似性和数据驱动的最近邻仿真（NNB）模型预测日径流过程的新途径，提出了一套基于加速遗传算法的NNB建模方案，实例研究的结果说明：用NNB模型进行日径流过程预测的计算直观，精度高，这套NNB建模方案简便，有效和通用，在水文气象时间序列预测中具有较好的实用价值。