基于CNN的λ域帧内码控最佳码率分配算法

在λ域帧内码控中,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的帧内码控最佳码率分配算法。首先利用双曲线函数拟合编码树单元(Coding Tree Unit,CTU)的率失真(Rate Distortion,RD)特性。设计双分支卷积神经网络(Dual-Branch Convolutional Neural Network,DBCNN)预测率失真关键参数。然后根据帧级率失真优化(Rate Distortion Optimization,RDO),建立帧级目标码率与CTU码率分配等式关系,推导帧级拉格朗日参数λ。最后反演出最佳CTU码率分配。实验表明,该算法能够显著提高帧内码控编码性能,并具有较高码控精度。

神经网络用于核磁共振碳谱的研究:烷烃的化学位移和CSS与分子距边矢量λ

系统研究了核磁共振碳谱及其化学位移规律性．提出了一种新的分子图论参数：分子距离-边数矢量（λ矢量），并发现了它与烷烃的(13)CNMR有良好的相关性．进一步用神经网络改进反传算法（BPNN）进行准确估计与定量预测。

基于模糊神经网络的强化学习及其在机器人导航中的应用

研究基于行为的移动机器人控制方法.将模糊神经网络与强化学习理论相结合,构成模糊强化系统.它既可获取模糊规则的结论部分和模糊隶属度函数参数,也可解决连续状态空间和动作空间的强化学习问题.将残差算法用于神经网络的学习,保证了函数逼近的快速性和收敛性.将该系统的学习结果作为反应式自主机器人的行为控制器。

强化学习方法在移动机器人导航中的应用

路径规划是智能机器人关键问题之一,它包括全局路径规划和局部路径规划.局部路径规划是路径规划的难点,当环境复杂时,很难得到好的路径规划结果.这里将强化学习方法用于自主机器人的局部路径规划,用以实现在复杂未知环境下的路径规划.为了克服标准Q 学习算法收敛速度慢等缺点,采用多步在策略SARSA(λ)强化学习算法,讨论了该算法在局部路径规划问题上的具体应用.采用CMAC神经网络实现了强化学习系统,完成了基于CMAC神经网络的SARSA(λ)算法.提出了路径规划和沿墙壁行走两个网络的互相转换的方法,成功解决了复杂障碍物环境下的自主机器人的局部路径规划问题.仿真结果表明了该算法的有效性,同传统方法相比该算法有较强的学习能力和适应能力.

施工网络计划的Fuzzy方法

采用模糊数学的方法 ,确定了网络图中工序时间的隶属函数 ,利用λ-截集时间参数的计算公式 ,可求得模糊网络各工序λ-截集的时间参数及关键线路的模糊完成期 .此方法可行、实用 ,更接近工程实际 ,优于传统的 PERT法 .

新型多协议λ交换(MPλS)网络技术

提出了一种以标签交换和波长路由 /交换为基础的全新的高速宽带组网技术——基于多协议波长交换 ( MPλS)技术的 IP over WDM网络 ,并对其进行了深入研究。这个方案在光联网技术中综合了目前先进的多协议标签交换 ( MPLS)业务量工程控制技术 ,可以大大简化网络管理的复杂性 ,因此特别适合于由可重构的 OADM和 OXC组成的以数据业务为核心的光互联网络系统中 ,而且它为最终在 IP路由器上直接提供 WDM复用功能铺平了道路。

基于神经网络优化算法的分数阶PI^(λ)D^(μ)控制

针对传统的PID控制器控制效果欠佳以及分数阶PI^(λ)D^(μ)控制器参数复杂难以整定的问题,设计了一种基于误差反向传播(Back propagation,BP)神经网络算法的分数阶PI^(λ)D^(μ)控制器。首先,将分数阶PI^(λ)D^(μ)控制器数字化,然后通过BP神经网络算法调节突触权值,经调整后的输出量作为分数阶PI^(λ)D^(μ)控制器的参数值,最后分别采用分数阶和整数阶作为被控对象进行实验仿真,仿真结果证明了神经网络分数阶PI^(λ)D^(μ)控制器比传统PID控制器的具有超调量小、上升时间快、稳定性好的优点。

网络中λ阶短路径的最小边序号法

将G(n,m)中各点的相邻边,按边权值大小排序成为有序边.所有点和边构成有序边延长矩阵Eyx.从始点开始选Eyx中相应序号为1的边延长;当点序列不能延长时,则后退到刚才延长边的前导点;如后退后仍不能延长,则继续后退;然后首先选比该前导点的已选延长边序号大于1的边延长,以后再选序号为1的边延长.反复操作,便可获得所需λ阶短路径(包括最短路径).

补偿神经网络算法在INS参数估计的应用

对基于λ-γ学习算法的补偿神经网络结构进行了研究,将其应用在导航参数误差估计中。与传统的前馈神经网络相比,它不仅能减少神经元的个数,还能减少训练所需的计算时间。通过计算机仿真,与传统的前馈算法进行了比较,表明了该模型的有效性和实用性。

λ网络中一种分布式速率分配算法

针对λ网络中的高性能传输问题,提出了一种分布式速率分配算法.该算法基于离散时间系统模型对λ网络进行建模,得到其速率分配问题的数学依赖关系,根据最大-最小公平准则,利用本地信息来分配每个源端和目的端之间的容量,以确保较低期望速率会话的速率最大化,并把剩余容量均匀地分配给全部会话,直至网络被充分利用.结果表明,所提出的分布式速率分配算法能快速收敛到一个最大-最小公平速率分配方式,而且还能实现自适应期望速率的快速变化.

分数阶Cuk变换器的PI^(λ)D^(μ)控制研究

为了进一步提高变换器建模的精度,准确地描述其真实的动力学行为,并为变换器的优化控制提供更为准确的理论依据,基于电感和电容本质是非整数阶的事实,根据分数阶微积分理论,建立电流连续模式下Cuk变换器的分数阶模型,并采用分数阶PI^(λ)D^(μ)控制器进行控制。其次为了降低分数阶PI^(λ)D^(μ)控制器的参数整定难度,提出一种基于BP神经网络的Cuk变换器分数阶PI^(λ)D^(μ)控制策略。最后在Matlab/Simulink仿真平台上进行仿真验证,分析了分数阶PI^(λ)D^(μ)控制的分数阶Cuk变换器的稳态、鲁棒性及动态性能,并与整数阶PID控制器作对比。实验结果表明:建立的变换器分数阶模型可以更准确地描述实际系统的真实特性;和整数阶PID控制对比,分数阶PI^(λ)D^(μ)控制系统鲁棒性更强,控制灵活性更好,进一步提升了系统的动态特性。

对PNET中代表失效模式识别方法的改进

采用概率网络估算技术(probabilistic network evaluation technique,PNET)计算结构系统可靠度时,需要对代表模式进行识别,通常的做法是选择适当的相关系数界限值,然后对各失效模式与代表模式的关系进行判断,但是这种"一刀切"的方式忽略了事物固有的模糊属性。文章通过引入代表模式识别过程中的模糊性,采用λ-截集法对识别方法进行改进。通过算例验证得知,采用文中改进方法计算得到的结构可靠度更加精确,更加符合工程实际情况。采用不同的隶属函数形式和置信度值会影响计算得到的结果,因此应根据实际情况选择适当的隶属函数形式和置信度值。

图是超限制性边连通的充分条件(英文)

设G=(V,E)是连通图.边集S E是一个限制性边割,如果G-S是不连通的且G—S的每个分支至少有两个点.G的限制性连通度λ'(G)是G的一个最小限制性边割的基数.G是λ'-连通的,如果G存在限制性边割.G是λ'-最优的,如果λ'(G)=ζ(G),其中ζ(G)是min{d(x)+d(y)-2:xy是G的一条边}.进一步,如果每个最小的限制性边割都孤立一条边,则称G是超限制性边连通的或是超-λ'.G的逆度R(G)=∑_(v∈V) 1/d(v),其中d(v)是点v的度数.我们证明了G是λ'-连通的且不含三角形,如果R(G)≤2+1/ζ-ζ/((2δ-2)(2δ-3))+(n-2δ-ζ+2)/((n-2δ+1)(n-2δ+2)),则G是超-λ'.

基于λ-递增函数的样本学习

在理论研究和实际应用中,神经网络的结构问题一直是个难点.本文利用Vugar E.Ismailov近期的研究成果,讨论了神经网络对样本点的学习问题.结果表明,利用λ-严格递增函数,只需两个隐层节点,就可以学会任意给定的样本集.同时讨论了在隐层节点中使用通常的Sigmoid函数与使用λ-严格递增函数作为活化函数的差别.

基于CMAC网络Sarsa(λ)学习的RoboCup守门员策略

针对RoboCup仿真组足球比赛场上状态复杂多变、同时供决策的信息大多为连续变量、智能体利用现有信息通常无法判断当前状态下最优动作的问题,以守门员为例,首先利用CMAC神经网络对连续状态空间泛化,然后在泛化后的状态上,采用Sarsa(λ)学习算法获取守门员的最优策略.通过在RoboCup仿真平台上进行仿真,实验结果表明,采用基于CMAC的Sarsa(λ)学习算法的守门员,经过一定时间的学习后,防守时间显著增长,防守效果明显优于其他算法,验证了本文所提方案的有效性.

基于灰色补偿BP神经网络优化组合模型的车辆装备冷却系腐蚀预测

目的避免由于腐蚀破坏车辆装备冷却系,使车辆不能维持良好的工作状态,并缩短装备的使用寿命,建立一个准确、高效的预测模型,以实现对车辆装备冷却系腐蚀预测。方法在传统GM(1,1)模型基础上,结合背景值构造优化与新陈代谢思想,建立一种新陈代谢加权不等时距模型MUGM(1,1,λ)。此外,还引入遗传算法优化BP神经网络模型对MUGM(1,1,λ)模型进行残差修正,建立灰色补偿BP神经网络优化组合模型。结果基于优化组合模型对冷却系用铸铁材料腐蚀预测的平均误差为0.43%,模型精度为一级,预测精度高。结论所建立的灰色补偿BP神经网络优化组合模型对于车辆装备冷却系金属腐蚀预测具有可行性。

基于因素化表示的TD(λ)算法

提出一种新的基于因素法方法的TD(λ)算法。其基本思想是状态因素化表示,通过动态贝叶斯网络表示Markov决策过程(MDP)中的状态转移概率函数,结合决策树表示TD(λ)算法中的状态值函数,降低状态空间的搜索与计算复杂度,因而适用于求解大状态空间的MDPs问题,实验证明该表示方法是有效的。

基于BP神经网络和分数阶PI^(λ)D^(μ)的VIENNA整流器控制策略

为了解决传统比例积分(proportional integral,PI)控制器调节速度慢、追踪性能差等问题,提出了误差逆传播(back propagation,BP)神经网络和分数阶PI^(λ)D^(μ)(BP-FOPID)相结合的控制方法。首先根据维也纳(Vienna)整流器的拓扑结构推导出数学模型。接着根据数学模型设计双闭环控制,其中外环采用BP神经网络对参考电流进行非线性拟合,内环采用分数阶PI^(λ)D^(μ)控制器对外环输出的参考电流进行跟踪。另外,由于直流侧上下桥臂电容电压会存在不平衡的问题,本文采用了计及小矢量的改进空间矢量脉宽调制(space vector pulse width modulation,SVPWM)调制策略。最后,在MATLAB/Simulink中建立相应的仿真模型,仿真结果表明,本文所提的控制策略能够达到控制目标且控制性能上优于比例积分控制器。

基于MDP自适应决策的库存控制

MDP自适应决策是求解信息不完全马尔可夫决策问题的方法。本文采用一种强化学习算法—在线Q(λ)算法来进行MDP自适应决策,并用神经网络实现该算法来有效地求解了一类典型的有连续状态和决策空间的库存控制问题。仿真表明,该算法所求解的控制策略与用值迭代法在模型已知的情况下,所求得的最优策略非常逼近,且该算法使得策略的收敛速度大大地加快了。