基于动态神经网络的轧制液温控系统的辨识

轧制液是铝箔轧制中的一种对稳定性要求很高的工艺润滑液,它不能局部受高热只能采用间接均加热,因此其控制量与温度之间是一种十分复杂的非线性关系,采用传统的建模方法难以建立其精确的数学模型.人工神经网络能够以任意精度逼近连续的非线性关系,并对复杂不确定问题具有自适应和自学习能力,为解决这一类非线性系统的辨识建模提供了新的途径.通过比较选用了一种动态递归网络来建立轧制液温控系统的辨识模型.     

递归(分片)仿射分形插值数值模拟与盒维数研究

分析了 Barnsley M F的经典文献中递归仿射分形插值的数值模拟问题,利用Matlab与随机迭代算法,给出了递归仿射分形插值算例的随机迭代算法,得到相应分形插值曲线.递归仿射分形插值把较长的原像区间Ji'=[xl,xm]压缩映射到更短的像区间Ji=[xi-1,xi]时,有3种情况:(1)Ji?Ji';(2)Ji?...     

基于循环神经网络的船舶航迹预测

在海事搜救、海关缉私等应用中,对目标船舶进行航迹预测是一个关键问题。为提高预测的精度和效率,提出了一种基于循环神经网络的船舶航迹预测方法,该方法包含数据预处理和神经网络预测两个部分。在数据预处理中,设计了一种基于对称分段路径距离的数据预处理方法,消除了大量冗余数据及噪声的影响;在神经网络预测中,构建了基于门控循环单元的循环神经网络模型,实现船舶位置信息精准且高效的预测。通过大量船舶自动识别系统数据进行了对比实验,实验结果证明了方法的实用性和有效性。     

关于一个丢番图方程x^3＋1=65y^2

利用递归数列,同余式证明了丢番图方程x^3＋1=65y^2,仅有整数解（x,y）=（-1,0）（4,±1）．     

关于Diophantine方程x~3+1=111y~2

应用递归序列、同余式证明了丢番图方程x3+1=111y2仅有整数解(x,y)=(-1,0).     

复杂环境中一种基于深度学习的异常检测方法

为了解决复杂环境中异常检测的问题,提出一种基于深度学习的检测方法。首先,通过引入(you only look once,YOLO)检测,将卷积神经网络回归法提取的物体时空特征,输入到长短期记忆模型(LSTM),追踪复杂环境中个体的运动轨迹。然后,评估相邻个体间运动轨迹的依赖性。最后,采用编码-解码框架训练LSTM模型,预测物体未来的运动轨迹;根据物体未来运动轨迹的异常概率,最终完成异常检测。实验结果表明,解决了复杂环境中运动物体间的相互干扰问题;在时间和空间鲁棒性评估上,优于其他轨迹追踪的方法,从而证明了本方法的有效性和可行性。     

符号动力系统的若干性质

本文讨论了符号动力系统的几乎周期点、回归点及混沌集。还讨论了符号动力系统之间的拓扑共轭问题。     

水压频率的递归网络灵敏度预测控制研究

提出一种对水轮发电机组水压频率进行综合调节的记忆递归网络灵敏度预测控制器．控制器由预测网络和控制网络组成，预测网络向控制网络提供控制灵敏度信号．两个网络均根据学习和控制的收敛与稳定性定理自适应学习．仿真结果表明控制器能在线实时控制具有非线性、时变、多变量特性的水轮发电机组，有效控制水压．     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

关于不定方程x~3+8=Dy~2

首先利用递归数列的方法证明了不定方程x3+1=158y2仅有整数解(x,y)=(-1,0),(293,±399)。进而证明了不定方程x3+8=79y2仅有整数解(x,y)=(-2,0),(586,±1596)。