基于灰色新陈代谢和神经网络的故障预测方法研究

针对工业装备故障预测中存在信息不完备等问题,提出将灰色理论与神经网络算法相结合的组合预测方法。首先,通过数据变换技术和重新构造背景值求值方法优化新陈代谢GM(1,1)模型的初始值以及背景值,然后将优化后的新陈代谢模型的输出数据集作为神经网络的输入,原始数据作为神经网络的期望输出。运用附加动量项和变化的自适应学习速率对神经网络的权值更新方法进行改进。其后将得到的最佳神经网络的输出值作为最新信息运用到新陈代谢模型中得到预测值。齿轮运行状态实例预测结果表明,该预测方法可有效提高故障预测精度。

基于多态Q学习的无线网络MAC层CSMA协议优化策略

由于无线信道具有共享特性,节点之间竞争不可避免。传统P-坚持载波感知多址(CSMA)的传输概率对吞吐量有很大影响[1]。笔者设计了一种多态增强学习(RL)方法,在多态Q学习模型中提出了三种学习类型,定义传输概率Q为节点学习策略,节点没有关于网络的先验信息,只利用历史感知信息包括碰撞次数及成功传输率,来学习最佳策略[2-3]。并通过综合仿真,对不同状态定义下的Q学习模型性能进行了比较。