一种改进的周期自适应动态负载均衡算法

分析了多种负载均衡算法的优缺点及其适用场景,提出一种改进的周期自适应动态负载均衡算法.该算法将反馈负载信息的周期长度与网络中请求数量相关联,即当请求数量增多时,各服务器节点较多处于忙碌状态,系统会自动缩短反馈周期,保证了反馈信息的实时性;当请求数量减少时,各服务器节点较多处于闲置状态,系统会自动增加周期,有效地降低了计算各节点负载量的资源消耗.本文算法和动态加权轮询算法、静态加权轮询算法在JCF(Java Component Framework)中间件平台上的实验结果表明,该算法在增加集群系统的吞吐量和降低服务请求响应时间两方面有着显著效果,并在现实应用中有较大的价值.

输入饱和非线性系统的周期自适应补偿学习控制

针对一类输入饱和不确定Brunovsky标准型非线性时滞系统,提出一种周期自适应跟踪补偿学习算法.利用信号置换思想重组系统,基于最小公倍周期函数变换,将时滞时变项和不确定项合并为辅助参数,进而设计周期自适应学习律估计该辅助量,并利用饱和补偿器逼近和补偿超出饱和限的部分,由此构成综合控制器,以保证系统状态对有界期望值的跟踪,解决了饱和输入周期系统的重复迭代学习控制问题.最后通过构造Lyapunov-Krasovskii复合能量函数的差分,计算证明了系统跟踪误差的收敛性和闭环信号值的有界性.常见耦合非线性机械臂系统的力矩控制仿真,进一步验证了该算法的有效性.

非线性时滞系统的周期自适应学习跟踪控制

针对一类参数未知的周期非线性时滞系统的输出跟踪控制问题,设计了一种周期自适应迭代学习跟踪控制算法,该方法利用信号置换的思想重组系统,并在假设未知时变参数和参考输出的周期具有已知最小公倍数的情况下,将时滞以及其他不确定的时变项合并为一个周期性的辅助时变参数新变量,进而用周期自适应算法来估计该辅助量。通过构造一个Lyapunov-Krasovskii型复合能量函数,分析了系统的收敛性,证明了经过多次重复迭代学习,所有闭环信号有界且输出跟踪误差收敛,最后通过构造数值实例进行了仿真验证。理论分析和仿真结果表明,该算法简单有效,对于非线性时滞系统的跟踪问题具有很好的控制效果。

基于周期自适应学习的中低速磁悬浮列车运行控制方法

为了提高中低速磁悬浮列车的运行控制性能,利用列车往返运行的周期性,提出一种基于周期自适应学习的运行控制方法。该周期自适应补偿控制器由4部分组成:PD模块、速度前馈模块、周期自适应线路附加阻力补偿模块以及涡流阻力与空气阻力补偿模块。在线路参数未知的条件下,周期自适应补偿模块通过学习上一周期内的信息,估计线路附加阻力中的未知参数,消除线路附加阻力对列车运行过程的影响。利用某磁悬浮试验线数据进行仿真研究,结果表明,提出的周期自适应运行控制方法可以有效提高中低速磁浮列车的运行控制性能。

相控阵雷达采样周期自适应策略研究

采样周期是相控阵雷达资源调度的关键参数之一。深入研究了几种采样周期自适应策略,在此基础上提出了两种改进的采样周期自适应策略。提出了自适应采样周期下的性能评估公式,并分别基于IMM、Kalman滤波算法对它们进行了仿真分析比较,得到了令人满意的结果。

一种灵活的相控阵雷达采样周期自适应算法

相控阵雷达的波束资源具有很大的灵活性。设计了雷达资源调度仿真模块 ,分析了对雷达波形、波束指向、采样周期等参数实施控制的意义和原则。重点研究了一种基于参数的采样周期自适应策略 ,并提出了改进算法。仿真研究表明 ,参数λ使得采样周期自适应策略更加灵活、有效。

HMCVT变速箱全生命周期自适应算法研究

本文为了解决HMCVT变速箱离合器磨损老化导致的滑膜点不准确的问题,基于Simulink对变速箱全生命周期自适应算法进行研究,设计了基于偏移量、基准值和时间的滑膜点计算方法,并对偏移量采用基于最小二乘法的方式进行设计。最终结果表明,所设计的全生命周期自适应算法可以有效消除离合器磨损老化导致的滑膜点不准确问题,提高CVT变速箱的性能。

改进预测协方差门限法的采样周期自适应选择算法

传感器采样周期是影响目标跟踪的一个重要参数。现有自适应采样周期策略中,一些算法运算量比较大,计算效率低,不具有一般性。为此提出了一种改进的预测协方差门限法。该算法改进传统采样周期的全遍历寻优策略。最后与几种自适应采样周期算法与固定采样周期算法通过交互式多模型(IMM)滤波算法进行仿真比较。仿真结果表明该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率,比固定采样周期算法更能节约资源。

应用于电力系统谐波分析的采样周期自适应方法

提出了一种谐波检测时,基于序列相关计算的采样周期自适应方法。该方法首先计算两组相邻采样信号序列的相关系数,根据相关系数和二次修正方程修正采样周期,不断迭代直至采样序列满足同步化收敛条件;最后对最新同步序列进行FFT计算得到各次谐波参数值。该方法无需知道信号的实际频率,在迭代过程中采样点数保持不变,克服了基于相关计算的采样窗口同步化方法中由于采样周期固定所引起的长序列DFT计算。数字仿真计算表明在系统信号频偏较大的情况下该方法收敛速度快,计算量小,计算精度高。

基于Riccati方程的相控阵雷达采样周期自适应算法

采样周期是影响相控阵雷达目标跟踪的一个重要参数.现有的一些自适应采样周期算法运算量比较大,计算效率比较低.为此提出了一种基于离线Riccati方程的相控阵雷达采样周期自适应算法.该算法离线计算出各模型的最优采样周期,然后利用交互式多模型(IMM)更新概率对各模型最优采样周期进行混合估计,得到系统的自适应采样周期.仿真结果表明,该算法在目标跟踪过程中能满足跟踪需求,具有较少的计算量,较高的运行效率.

融合自适应周期与兴趣量因子的轻量级GCN推荐

推荐系统在成熟的数据挖掘技术推动下,已能高效地利用评分数据、行为轨迹等显隐性信息,再与复杂而先进的深度学习技术相结合,取得了很好的效果.同时,其应用需求也驱动着对基础数据的深度挖掘与利用,以及对技术要求的减负成为一个研究热点.基于此,提出一种利用GCN(graph convolutional network)方法进行深度信息融合的轻量级推荐模型LG_APIF.该模型结合行为记忆,通过艾宾浩斯遗忘曲线模拟用户兴趣变化过程,采用线性回归等相对轻量的传统方法挖掘项目的自适应周期等深度信息;分析用户当前的兴趣分布,计算项目的兴趣量,以获取用户的潜在兴趣类型;构建用户-类型-项目三元组的图结构,并结合减负后的GCN技术来生成最终的项目推荐列表.实验验证所提方法的有效性,通过与8个经典模型在Last.fm,Douban,Yelp,MovieLens数据集中的对比,表明该方法在Precision,Recall及NDCG指标上都得到良好改善,其中,Precision平均提升2.11%,Recall平均提升1.01%,NDCG平均提升1.48%.

一种基于自适应网格IMM的自适应采样周期算法

提出一种自适应网格交互多模型下采样周期自适应的算法。在自适应网格交互多模型算法中,中心模型参数变化率反映了系统模型与目标机动水平间的匹配程度,而两者的匹配程度直接影响目标的跟踪精度。利用中心模型参数变化率对采样周期进行控制,并引入可控参数对平均采样周期进行灵活调整。仿真结果表明在自适应网格交互多模型下,提出的自适应采样周期算法比固定采样周期算法及基于预测协方差的自适应采样周期算法具有更好的性能。

开关DC-DC变换器的自适应占空比跨周期控制方法

针对脉冲跨周期调制(PSM)开关DC-DC变换器输出电压纹波较大的问题,该文提出一种新型的自适应占空比跨周期(ADPS)控制方法。在ADPS控制的变换器中,轻载下,每个周期变换器控制脉冲的占空比与该周期开始时输出电压与参考电压误差的平方根近似成正比:负载越轻,变换器的输出电压纹波越小。研究表明,ADPS控制的DC-DC变换器不仅具有比PSM控制的变换器更低的输出电压纹波,同时具有优异的鲁棒性和瞬态响应能力。

自适应整周期采样和相关滤波在转子动平衡中的应用

针对模拟带通跟踪滤波和零相移数字滤波等不平衡信号提取方法对转子动平衡高精度测试要求不满足的问题,提出了一种自适应整周期采样和相关滤波结合的转子不平衡信号提取方法。首先使用自适应整周期采样算法对振动信号进行补偿,使其逼近理想抽样序列,然后利用相关滤波法提取出不平衡信号,最后用快速傅立叶变换法准确提取出不平衡信号的幅值和相位。仿真和实验表明该方法能够满足高精度动平衡测试要求,在转子动平衡中具有较好应用价值。

自适应混合策略麻雀搜索算法

针对麻雀搜索算法(sparrow search algorithm,SSA)求解精度低,稳定性不足,易陷入局部最优等问题,提出一种基于自适应混合策略的麻雀搜索算法(adaptive hybrid strategy sparrow search algorithm,AHSSSA)。引入Tent混沌映射初始化种群,增加种群数量,合并两个种群,再利用精英策略得到精英种群,以提高初始解质量;引入自适应周期收敛因子α,加强搜索能力与收敛速度;追随者与预警者位置更新方式调整,在一定程度上防止算法陷入局部最优;引入多项式变异扰动,以解决SSA陷入局部最优问题。利用12种测试函数进行测试,结果表明:AHSSSA比SSA有更好的寻优性能。

向环境采集能量的WSN中的自适应周期机会路由算法

如何让可以采集能量的节点充分利用环境能量,从而提高整个网络持续高效工作的能力是在能量采集无线传感网中的关键问题。目前的研究主要集中在如何均衡分配可进行能量采集的节点的能量,从而在提高节点寿命的基础上,实现网络寿命延长,但是仍然存在环境能量变化的不确定性导致的风险。笔者提出了自适应周期机会路由算法,首先对节点进行地理分区,再分配优先级,最后进行优化后路由处理。仿真结果表明,该算法能实现对环境能量更加高效的利用,并能有效提升网络的吞吐量和网络效率。

基于自适应周期变异粒子群优化BP神经网络的旋转机械故障诊断

在旋转机械故障诊断应用研究中,BP神经网络在网络结构选择、网络训练精度和网络泛化能力方面还存在很多问题;粒子群优化(PSO)算法作为一种优化方法被应用于BP神经网络的参数优化,但存在早熟收敛的问题,影响了神经网络的优化性能和诊断效果;提出了一种基于自适应周期变异粒子群优化BP神经网络(APMPSO-BP)的算法模型,该算法通过改进粒子群自适应搜索策略来提高网络泛化性能,根据群体适应度方差以及当前粒子最优解来确定全局最优粒子的变异概率,变异操作增强了粒子群优化算法跳出局部最优解的能力,避免了算法的早熟收敛;通过实例验证和对比分析表明,采用APMPSO算法优化的BP网络在网络收敛速度、故障诊断准确度上都优于其它几种网络,证明该方法具有较高的诊断精度和效率。

基于自适应周期的雷达网目标分配方法

针对雷达网目标分配中常出现的计算量大、雷达切换频繁的问题,提出一种基于自适应周期的雷达网目标分配方法.首先从目标跟踪精度、雷达与目标可见窗口两方面研究了自适应周期设置方法;然后以系统效能最大和雷达切换频率最低为目标函数,构建了基于自适应周期的雷达网目标分配模型;最后采用单目标化解法和隐枚举法对此模型进行求解.仿真结果表明,相比传统的雷达网目标分配方法,该方法能够有效减少雷达切换频率和模型运行计算量,进而提升目标分配效率、避免资源浪费.

基于脉冲跨周期调制的DC-DC变换器自适应电压调节技术

为实现减小数字电路的供电电压来降低其能量消耗的目的,该文提出基于脉冲跨周期调制(PSM)的DCDC变换器自适应电压调节(AVS)技术。AVS技术通过追踪和探测关键路径复制(CPR)的延迟时间自适应地调节数字电路的供电电压。同时,具有自适应占空比的PSM调制模式(APSM)被用来改善轻负载下变换器输出电压的纹波和效率。实验结果显示,当负载工作频率在30~150 MHz范围内变化时,输出电压在0.6~1.5 V之间稳定输出。和传统的固定工作电压相比,该文设计的DC-DC变换器最大可节省83%的能耗。

雷达自适应周期MTD跟踪目标设计应用

提出了一种改进型的动目标检测(MTD)跟踪目标设计,该方法可根据目标速度实时计算信号周期,保持目标回波始终位于非关断滤波器内,通过参数设计控制目标回波的频谱远离关断滤波器,保证目标回波信号始终被检测到,MTD处理方法又可实时测量目标的速度,形成闭环的自适应周期MTD跟踪。该方法在某型雷达上得到应用,性能良好。