基于关键控制点分析方法的人工智能交叉学科人才培养研究

本文以协同培养人工智能交叉学科高层次人才为出发点,将人工智能交叉学科研究生作为对象,通过对学科融合教育的危害分析和关键控制点(Hazard Analysis and Critical Control Points,HACCP)研究,推进跨学科资源有机整合,建立多学科联合与协同的新型教师队伍,构建系统的、专通融合的课程体系,搭建前沿的人工智能实践与创新平台,深入实施产教融合、科教融合,真正实现交叉学科协同育人。

智能科学与技术本科专业生产实习改革探索与实践

在我国的高校中,本科阶段教学过程中的一个重要组成部分就是生产实习。通过生产实习,学生能够将学习的理论知识与实践环节进行结合、达到综合运用知识的能力。该文根据智能科学与技术专业的培养内容,把提升实际应用能力作为目标,对本专业如何提升生产实习的改革问题进行研究,提出一些解决方法,并应用到沈阳工业大学智能科学与技术专业生产实习的改革实践之中。结果表明提出的改革方案能够促进生产实习质量的提升,对教学效果的提高具有一定作用。

基于小波变换的风电场短期风速组合预测

针对风电场短期风速的预测提出一种基于小波变换的组合预测方法。首先利用Mallat算法对短期风速时间序列进行db3小波三层分解与重构,得到短期风速时间序列的近似分量和细节分量。针对近似分量和细节分量的不同特性,对近似分量利用粒子群算法优化的最小二乘支持向量机进行预测,对细节分量利用自回归求和滑动平均模型进行预测。最后各预测模型预测值组合叠加得到最终的短期风速预测值。仿真结果表明该方法具有较高的预测准确度。

遗传算法优化回声状态网络的网络流量预测

网络流量预测是网络拥塞控制与网络管理的一个重要问题.网络流量时间序列具有时变、非线性特征,导致传统时间序列预测方法预测精度比较低,无法建立精确的预测模型.回声状态网络(echo state network,ESN)在非线性混沌系统预测与建模方面有着良好的性能,非常适合网络流量的预测.为了提高网络流量的预测精度,提出一种基于遗传算法(genetic algorithm,GA)优化回声状态网络的网络流量非线性预测方法.首先利用回声状态网络对网络流量进行预测;然后利用遗传算法对回声状态网络预测模型中的储备池参数进行优化,提高预测模型的预测精度.通过中国联合网络通信公司辽宁分公司采集的实际网络流量数据进行了仿真验证.与差分自回归滑动平均模型(auto regressive integrated moving average,ARIMA)、Elman神经网络以及最小二乘支持向量机(least square support vector machine,LSSVM)这3种常见预测模型进行了对比,仿真结果表明提出的方法具有更高的预测精度与更小的预测误差,更能刻画网络流量复杂的变化特点.

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.

基于混沌理论与改进回声状态网络的网络流量多步预测

网络流量预测是网络管理及网络拥塞控制的重要问题,针对该问题提出一种基于混沌理论与改进回声状态网络的网络流量预测方法。首先利用0-1混沌测试法与最大Lyapunov指数法对不同时间尺度下的网络流量样本数据进行分析,确定网络流量在不同时间尺度下都具有混沌特性。将相空间重构技术引入网络流量预测,通过C-C方法确定延迟时间,G-P算法确定嵌入维数。对网络流量时间序列进行相空间重构之后,利用一种改进的回声状态网络进行网络流量的多步预测。提出一种改进的和声搜索优化算法对回声状态网络的相关参数进行优化以提高预测精度。利用网络流量的公共数据集以及实际数据进行了仿真,结果表明,提出的预测方法具有更高的预测精度以及更小的预测误差。

基于ARIMA与ESN的短期风速混合预测模型

提出一种基于自回归求和滑动平均模型(autoregressive integrated moving average,ARIMA)与回声状态网络(echo state network,ESN)的短期风速预测模型。首先利用ARIMA模型对短期风速时间序列进行线性特征的预测,使得短期风速的残差仅包含非线性特征,然后利用ESN模型对非线性的残差序列进行预测,最后将ARIMA模型的短期风速线性预测值与ESN模型的短期风速非线性预测残差值进行相加得到最终的短期风速的预测值。单步与多步预测的仿真实验表明该混合预测模型具有更高的预测精度与更小的预测误差。

基于EMD与LS-SVM的网络控制系统时延预测方法

为了提高基于Internet的网络控制系统中随机时延的预测精度,提出了基于经验模式分解(empirical mode decomposition,EMD)与最小二乘支持向量机(Least Squared Support Vector Machines,LS-SVM)的一步时延预测方法.首先利用EMD将时延序列分解成若干个本征模式函数分量,分解后的分量去除了原始时延序列的长相关性,同时突出时延序列不同的局部特征.然后根据各个分量的变化规律,选择不同的LS-SVM模型分别进行预测.最后将各分量的预测值叠加得到最终的预测值.仿真结果表明本文方法具有较高的预测精度.

基于KPCA与LSSVM的网络控制系统时延预测方法

针对网络控制系统中随机时延很难精确预测的问题,首次将核主成分分析(kernel principal compo-nent analysis,KPCA)与最小二乘支持向量机(least squares support vector machine,LSSVM)结合对随机时延进行预测,KPCA对输入随机时延序列降维,消除重复性与噪声,减少LSSVM的运算量,降维后的时延序列通过LSSVM算法预测时延值。仿真结果表明,基于KPCA与LSSVM的时延预测方法的预测精度高于其他的预测方法。

基于预测控制的NCS时延补偿算法

针对网络控制系统(networked control system,NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization,PSO)的最小二乘支持向量机(least square support vector machine,LSSVM)建立NCS中随机时延预测模型,精确预测未来时刻的时延;同时利用该预测算法预测的时延通过快速隐式广义预测控制算法对NCS随机时延进行补偿。仿真结果表明,PSO优化的LS-SVM算法对随机时延具有较高的预测精度,同时快速隐式广义预测控制算法可使系统的输出很好地跟踪参考轨迹,保证系统良好的控制效果。

网络控制系统的动态权重变采样周期调度算法

为提高网络控制系统的性能,提出一种用于网络控制系统的动态权重变采样周期调度算法.首先,通过二次平方根映射函数,根据控制回路数据传输误差对各个控制回路赋予不同的动态权重;然后,根据当前网络运行状况,通过比例控制预测新的网络利用率,同时利用最小二乘支持向量机算法预测各回路数据包传输时间;最后,在网络带宽资源受限的情况下,利用回路动态权重、网络利用率预测值并结合控制回路数据包传输时间,动态的调整回路的采样周期,使得网络控制系统的性能得到优化.仿真实验表明,提出的变采样周期调度算法能够使得网络利用率收敛到设定值,减少了控制回路的数据传输时延,提高了系统的输出响应与控制性能.

基于KPCA优化ESN的网络流量预测方法

为了提高网络流量的预测精确度,提出一种核主成分分析(KPCA)优化回声状态网络(ESN)的网络流量预测方法。首先利用相空间重构对网络流量序列进行处理,提高序列的可预测性,然后对网络流量序列进行核主成分分析,提取序列中的有效信息,通过实验方法确定回声状态网络的储备池参数,最后利用回声状态网络对网络流量进行预测。与标准回声状态网络、差分自回归滑动平均模型(ARIMA)、以及最小二乘支持向量机(LSSVM)预测模型进行了仿真对比,结果表明提出的方法具有更高的预测精确度以及更小的预测误差,同时一定程度上减少了预测时间。

资源受限网络控制系统的模糊反馈调度

针对带宽受限的多回路网络控制系统提出一种模糊反馈调度方法。首先利用二次型函数映射的动态权重调整策略对控制回路赋予不同的权重系数,继而考虑控制系统输出的误差和误差变化率,提出了改进的基于模糊反馈调度的优先级配置策略,设计了模糊反馈调度器,对各控制回路的优先级进行动态的调整。最后通过TrueTime工具箱建立了动态权重调整的多回路网络控制系统的模糊反馈调度仿真模型,并将该方法同EDF(earliest deadline first)与权重固定的模糊反馈调度方法进行对比。仿真结果表明在相同的网络带宽占用的情况下,该方法具有更小的网络时延,且具有较好的性能。

工业以太网中IEEE 802.1p优先权调度协议改进

以交换式工业以太网网络控制系统为研究对象,针对采用IEEE 802.1p优先权调度的交换机内部排队延迟,提出了调度改进构想,对硬实时数据流和非硬实时数据进行区别处理.构建了一个典型的树形拓扑交换式以太网模型,计算了优先权调度改进后周期性实时数据帧在各个传输环节的最大延迟,同时推导了优先权调动改进方案应满足的基本条件.最后通过OPNET软件进行了仿真验证,结果表明IEEE 802.1p优先权调度协议改进可以提高工业以太网中硬实时数据传输的实时性.

基于隐式PIGPC的火电厂主汽温系统控制

针对火电厂主汽温控制系统具有的大惯性、大时滞等特性,提出一种基于隐式PIGPC的控制策略。在隐式GPC(generalized predictive control)的基础上进行改进,提出具有PI结构的隐式GPC算法(隐式PIGPC)。隐式PIGPC结合了PI控制与隐式GPC的优点,即把PI的反馈结构与GPC的预测功能结合起来,通过采用新的目标函数,获得具有PI结构的预测控制算法,可以改善控制器性能。同时对算法的稳定性进行了分析。仿真研究结果表明提出的方法在响应时间、超调、抗干扰等方面有着很好的控制效果。

网络控制系统的模糊权重变采样周期调度策略

网络控制系统的性能受到采样周期的影响.针对多回路网络控制系统,根据系统控制回路误差和误差变化率,利用模糊推理计算各回路的动态权重,同时根据当前网络运行状况预测新的网络利用率,然后利用ARIMA算法对数据包传输时间进行预测,最后在网络带宽一定的条件下,利用模糊动态权重系数、网络利用率、数据包传输时间,不断的改变系统中各控制回路的采样周期,达到优化网络控制系统性能的目的.利用True Time工具箱进行的仿真验证了本文方法的有效性.

IFS-LSSVM及其在时延序列预测中的应用

针对最小二乘支持向量机预测模型中最优参数难以确定的问题,提出一种基于改进的自由搜索算法确定最小二乘支持向量机最优参数的方法(IFS-LSSVM)。对标准自由搜索算法进行改进,使之可应用于最小二乘支持向量机的参数优化,改进之后的算法具有更好的优化性能。将具有时间序列性质的网络时延作为预测对象,利用本文的IFS-LSVM算法进行预测。在仿真中与遗传算法优化的最小二乘支持向量机(GA-LSSVM)、粒子群优化算法优化的最小二乘支持向量机(PSOLSSVM)、标准最小二乘支持向量机工具箱中的网格搜索算法(Grid-LSSVM)进行了对比。仿真对比结果表明本文的方法具有更高的预测精度与更小的预测误差。

基于PSO优化LS-SVM的GPRS工业控制网络时延预测

针对GPRS工业控制网络,采用Socket通信方式搭建了测试平台,在此平台上使用TCP和UDP两种协议对GPRS网络实际时延进行了测试和分析,给出了现场应用中的指导意见.基于时间序列分析,采用粒子群优化的最小二乘支持向量机的方法对GPRS工业控制网络时延进行了预测.仿真结果表明,该方法能较好地预测GPRS网络的时延,为之后的网络预测控制提供了良好的基础.

网络控制系统的自适应预测控制

针对具有随机时延的网络控制系统,提出一种自适应预测控制方法.利用Elman神经网络对网络控制系统的随机时延进行在线预测,然后采用一种增加微分作用的改进隐式广义预测控制方法对网络时延进行补偿,实现了随机时延网络控制系统的自适应预测控制.仿真结果表明,该方法对网络随机时延有很好的补偿效果,可明显改善系统输出性能,保证控制的稳定性与快速性.

基于隐式PIGPC的网络控制系统时延补偿方法

网络控制系统的时延会导致系统性能下降,针对该问题提出一种基于隐式PIGPC的时延补偿方法。首先,通过历史时延数据,利用自适应变步长最小均方滤波算法对当前时刻的网络时延进行预测,将预测时延代替实际时延作为时延补偿控制器的参数。然后为改进隐式GPC的时延补偿效果,提出具有PI结构的隐式PIGPC算法。隐式PIGPC不必递推求解Diophantine方程,可节省在线计算时间,并且把PI的反馈结构与GPC的预测功能结合起来,改善了控制器的性能。利用隐式PIGPC设计控制器,结合预测时延完成基于隐式PIGPC的网络时延补偿控制器的设计,并对时延补偿算法的稳定性进行了分析。最后的仿真实验表明隐式PIGPC对网络控制系统时延具有良好的补偿效果,同时具有较少的运算时间。