基于学习速率与更新向量的混合云数据冗余值迭代算法

针对传统混合云数据冗余值迭代算法的平均回报值较低、收敛稳定性较差、收敛动作规模较小等问题,提出一种基于学习速率与更新向量的混合云数据冗余值迭代算法。首先,构建混合云数据冗余值值函数,在该函数中引入一个新的参数更新权重向量,基于深度学习中学习速率要求,获取值函数的稳定值;其次,依据获取的稳定值计算值函数稳定值向量,利用新权值处理稳定值向量,获取值函数更新向量;最后,对权值增量进行计算,结合哈希表完成混合云数据冗余值的迭代研究。实验结果表明,该算法的平均回报值最高,且收敛速度最快。

自适应线性神经网络LMM算法的谐波辨识技术研究

介绍了组合适应线性神经网络最小平均值评估法(Adaline-LMM)对脉冲控制信号的拟合分析方法,用于对电力控制系统中的信号评估。通过对系统信号中的各个谐波分量的幅值和相位进行谐波辨识,并对Adaline的权重向量进行更新,同时对目标函数进行技术估计。其中,自适应神经网络中的权重向量由LMM算法进行迭代更新,通过最小平均值估计算法的引入,减小由于脉冲噪声引起的暂时波动的影响。通过对给定脉冲信号进行拟合,可以发现所提方法具有较高的计算精度。

基于随机游走的进化计算社区发现

针对目前进化计算社区发现方法精度不高与社区边界识别较低的问题,提出一种基于随机游走的进化计算社区发现算法.首先,设计一种基于拓扑及属性信息随机游走的社区初始化策略,以准确识别社区边界,提高社区发现的精度.其次,设计综合考虑拓扑和属性的节点嵌入向量更新策略,使节点的属性信息能够在进化过程中被有效利用,以提高社区划分的质量.通过在真实和人工数据集上实验,验证了所提出的新算法比现有方法有更好的社区划分.

Finite element model updating for large span spatial steel structure considering uncertainties

In order to establish the baseline finite element model for structural health monitoring,a new method of model updating was proposed after analyzing the uncertainties of measured data and the error of finite element model.In the new method,the finite element model was replaced by the multi-output support vector regression machine(MSVR).The interval variables of the measured frequency were sampled by Latin hypercube sampling method.The samples of frequency were regarded as the inputs of the trained MSVR.The outputs of MSVR were the target values of design parameters.The steel structure of National Aquatic Center for Beijing Olympic Games was introduced as a case for finite element model updating.The results show that the proposed method can avoid solving the problem of complicated calculation.Both the estimated values and associated uncertainties of the structure parameters can be obtained by the method.The static and dynamic characteristics of the updated finite element model are in good agreement with the measured data.

传感器网络随机密钥对模型密钥管理方案改进

在传感器网络中有必要应用加密技术对节点间的通信进行保护。基于随机密钥对模型的传感器网络的密钥管理方案(BPKP),实现了包括初始密钥对向量预分配,通信密钥对向量的建立和通信密钥对向量更新。对BPKP的性能分析表明:BPKP具有高网络连通性、高安全性和低耗能的优点。