自适应裁剪的差分隐私联邦学习框架

联邦学习允许参与训练的各方在不共享自己数据的前提下,实现协同建模,其数据隔离策略在一定程度上保障了用户数据的隐私安全,有效缓解了数据孤岛问题。然而,联邦学习的训练过程涉及参与者和服务器之间大量的参数交互,仍存在隐私泄露风险。为解决联邦学习数据传输过程中的隐私保护问题,提出了一种基于自适应裁剪的差分隐私联邦学习ADP_FL框架。在该框架中,各参与方使用自己的数据在本地执行多次迭代来训练模型,在每个迭代中自适应地选取裁剪阈值对梯度进行裁剪,将梯度限制在一个合理范围内;仅向上传的模型参数中添加动态的高斯噪声,以掩藏各参与者的贡献,服务器聚合接收到的噪声参数来更新全局模型。自适应梯度裁剪策略不仅可以实现对梯度的合理校准,同时裁剪阈值作为敏感度当中的一项参数,通过动态改变敏感度来控制着添加的噪声规模。理论分析和实验表明,所提出的框架在强隐私约束下,仍能够实现良好的模型精度。

基于神经网络的模糊控制器

提出一种基于神经网络的模糊控制器．它可以把模糊控制的控制规则转化为多层前向神经网络的一对输入、输出样本．用Ｂａｃｋ－Ｐｒｏｐａｇａｔｉｏｎ学习算法对网络进行训练，使得网络记忆这些样本，并将这些样本以权值矩阵的形式存储在网络中．网络以“联想记忆”的形式来使用获得的经验对对象实施控制．知道了被控对象少量的定性知识，就可以用这种方法控制对象的行为．这种控制方案可用于对受控对象缺乏精确的数学描述或具有时滞、高阶等难以用现有的控制理论方法分析和控制的复杂系统．仿真结果证明了这种方法的有效性．

基于神经网络的模糊温度控制系统

针对反应槽容量大,滞后量大、变化因素多及温度控制要求比较高的特点,结合模糊控制和神经网络的优点,把模糊控制的控制规则转化为神经网络的一组输入、输出样本,这样,把这些规则隐含分布在整个网络之中。在控制应用时,不必进行复杂的规则搜索和推理,只需通过高速并行的分布计算就可产生输出结果。实际运行结果表明,该系统温度控制精度高,运行稳定,取得了令人满意的控制效果。

无刷直流电机转速的神经模糊控制

采用神经模糊控制器对无刷直流电机(Brushless Direct Current Motor,简称BLDCM)的转速进行控制。其控制规则用一对输入/输出数字信号来表示,用BP算法训练网络,经过训练的网络就相当于一个模糊关系存储器,执行模糊推理的功能。将这种神经模糊控制器用于BDCM的转速控制,其运行效果良好。

非线性系统的无模型误差控制

针对未知非线性系统提出了一种具有输出变化量加速度比例因子的无模型自学习控制方案,主要思想是利用BP网络对系统输入输出量进行辨识,同时构造误差控制器,通过辨识学习器向误差控制器动态传递更新权阵,以实现对未知非线性系统的无模型误差自适应控制。Matlab7.0平台下的仿真结果表明,控制效果良好。

基于ANFIS的有色噪声抵消技术

利用自适应神经模糊推理系统ANFIS对噪声的非线性动态特性进行建模,并利用ANFIS逼近有色噪声,然后从测量信号中消除有色噪声得到有用的信号。仿真结果表明利用这种方法能在和被测对象相似的噪声背景中很好地提取有用信号。

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。

模糊神经网络在无刷直流电机中的应用

针对电动汽车中无刷直流电机负载波动较大的特点,提出了4层模糊神经网络模型,该模型融合了模糊逻辑和神经网络的长处,模糊推理和解模糊化均通过神经网络来实现。模糊化层将输入特征量转化为模糊量,选取的隶属函数使神经网络的权值表示一定的知识,在输出层通过解模糊得到具体的控制量。实验结果表明,该模糊神经控制系统具有较好的带负载能力和抗负载变化能力,达到了预期的效果。

一种基于模糊神经网络的辩识方法

本文给出了一种五层的模糊神经网络。这种神经网络的特点是训练数据可以从网络的输入和输出两端馈入。网络的学习过程分为参数辨识和结构辨识两个阶段,这样可以减少网络参数调整过程中的相互影响,加快学习过程,仿真结果表明了该学习算法可以获得比其他学习算法更好的辨识效果。

模糊逻辑系统的最近邻聚类学习算法

文章先提出了一种最优模糊逻辑系统 ,它能使样本中所有的输入—输出数据对都拟合到任意给定的精度 (在此意义上的最优 ) ;然后将这种最优模糊逻辑系统推广到大样本问题 ,为此 ,将样本数据用最近邻聚类算法进行分组 ,将每一组数据 (一个聚类 )视为一个数据对 ,用最优模糊逻辑系统来进行拟合。还给出了学习算法并进行了仿真实验 。

计算机类专业概率统计教学改革模式探讨

针对计算机类专业概率统计现有教学模式存在的问题,结合自己的教学实践,对概率统计教学进行改革与探讨:更新教学理念,与专业相结合,教学内容与科技前沿相结合,改革考核模式。在教学过程中,理论联系实际,突出概率统计的重要性,培养学生的应用能力和创新能力,提高学生的综合素质。

基于性能反馈的直接自适应模糊控制

模糊控制能够比较容易的将人的控制经验溶入到控制器中 ,这是它的一个非常突出的优点。但是由于传统的模糊控制器采用了 IF- THEN的控制规则 ,它不便于控制参数的学习和调整。本文给出一种基于性能反馈的直接自适应模糊控制器 ,根据实际系统性能与要求性能之间的偏差 ,通过一定的方法来直接调整控制器的参数。研究结果表明 。

一种基于L-M算法的组合神经网络模糊控制器

提出了一种基于L-M算法的神经网络模糊控制器。用两个相同的三层前向神经网络①和②来生成E和EC的隶属度,用三层前向神经网络③来实现模糊控制规则并生成控制输出,经过研究和对比选择了对于这3个网络来说最好的训练算法Levenberg-Marquardt算法。仿真结果表明了该控制器极好的控制性能。

网络工程实验室的建设

随着网络工程专业在全国高校的设立,网络工程实验已成为该专业及相关专业的必修课程。网络实验室的建设成为当务之急,该文结合河北师范大学网络工程实验室建设的实践,介绍了实验室的设计目标、总体设计方案,对实验室的整体结构、设备选择、网络拓扑结构、实验室的建设、实验项目都进行了完整的论述,对网络实验室管理要求提出了建议,可以为其他学校所借鉴。

具有修正因子的模糊控制器及其应用

在模糊控制方面,目前国内外使用的传统模糊控制方法存在问题很多,如建立控制规则困难、有众多参数待定等。从简化控制规则入手,提出了控制规则解析式,并在构造新的具有修正因子的模糊控制算法的基础上,进行了修正因子在线自学习算法研究及仿真实验。

基于模型求逆的间接自适应模糊控制器

本文给出了一种间接自适应模糊控制器,它通过在线模糊系统辨识得到控制对象的模型,然后根据所得模型在线地设计模糊控制器。该控制器可以检测到模型参数的突然变化,并能跟踪其随时间变化的特性,还可以改变控制器的性能指标来适应不同环境限制而不影响模糊规则库。

基于神经网络的模糊控制器对温度控制的实现

首先设计了一种比较新型的基于神经网络的模糊控制器,然后选择了一种基于数值优化的BP网络训练算法L-M算法,最后将训练好的控制器进行了水箱恒温控制系统的控制实验,结果表明其很好的控制性能。

基于多层前馈BP网络的非线性逆系统自学习控制

提出的基于神经网络的非线性逆系统自学习控制方案运用逆动力学的基本思想 ,在系统模型未知的情况下 ,构造了神经网络一致的控制器和辨识器。运用自适应变步长冲量BP学习算法实现了网络辨识器对系统逆动力学模型的动态辨识 ,并通过网络辨识器向网络控制器在线动态传递更新权值的方法使神经网络控制器产生期望控制量。使得整个神经网络控制系统具有了自学习、自适应的控制能力。

高斯型模糊逻辑系统的BP算法及其应用

在模糊逻辑控制和神经网络理论的基础上给出了高斯型模糊逻辑系统及其 BP算法 ,并给出了 BP算法的一种初始参数的选择方法和反向调整参数的公式 ;还构造了基于高斯型模糊逻辑系统的辨识器并在 Matlab5.1平台上作了仿真实验 ,仿真实例说明了这种算法的可行性和可靠性。

基于动态结构神经网络的自组织模糊控制

给出了一种利用动态结构的BP神经网络进行模糊推理的方法 ,即在学习过程中BP网络的隐层层数和维数不断变化 ,其目的在于使网络性能在训练过程中始终保持最优 ,从而实现规则自组织 ,达到在控制过程中不断优化控制性能的目的。