数据驱动的溶解氧浓度在线自组织控制方法

针对城市污水处理过程的非线性、不确定性以及非高斯等特点,提出一种数据驱动的溶解氧(Dissolved oxygen,DO)浓度在线自组织控制方法.首先,设计一种基于相关熵的自组织模糊神经网络控制器(Correntropy-based self-organizing fuzzy neural network,CSOFNN),采用相关熵与规则贡献度指标实现控制器结构与参数的自动构建或修剪.其次,设计基于相关熵诱导准则的补偿控制器及参数自适应律,充分利用相关熵抑制非高斯噪声的能力,能够有效地降低系统中的不确定性.然后,分析所提出的控制方法的稳定性,从而保证其在实际应用中的可靠性.最后,基于基准仿真1号模型(Benchmark simulation model No.1,BSM1)的实验验证了所提方法的有效性.

基于在线自组织同步MAS的电网广域保护系统

介绍了电网广域保护的定义、作用、构建模式、体系结构和关键技术,提出了一种电网广域保护新方案。所提广域保护系统基于在线自组织同步MAS,其中的所有智能体(Agent)由广域精确同步脉冲驱动实现时间同步,提高了广域保护系统的实时性;依据功能需求和预定规则在线自组织成多个基于MAS的子系统,以灵活实现不同层次和不同功能的广域保护子系统;具备实现广域后备保护及协调主保护、安稳措施的能力。详细描述了所提技术方案,并讨论了与常规保护和稳定控制装置的配合问题。

基于改进OS-ELM的冷连轧在线轧制力预报

冷轧轧制力预报结果直接影响板(带)材轧制精度和产品质量。冷轧工艺复杂,参数耦合性强,模型不易建立且与实际偏差较大,针对这些问题,提出一种改进在线序列极限学习机。在初始训练阶段使用量子粒子群算法优化权值和阈值;在线训练阶段根据当前训练数据中隐含层对网络输出的贡献度调节网络的拓扑结构,实现了结构和参数的自组织,并结合极限学习机变形抗力子模型在线预报轧制力。实验结果表明,该自组织在线序列极限学习机在训练速度和精度方面较之人工蜂群优化的反向传播神经网络和基于增强型增量极限学习机有较大的提高。

基于在线学习者学习行为的教学策略探讨

新媒体信息技术的广泛应用促进了远程开放教育"教与学"环境与方式的变革。开放大学作为利用"云路端"实现在线教学的新型大学,"教与学"时空分离的本质决定了完全在线环境下的"教与学"成为教育信息化时代远程教育的应然和必然。了解开放教育在线学习者的特点和需要,基于学习者的需求,为学习者提供切合需要的学习资源和个性化的学习支持服务等是促进远程开放教育在线"教与学"质量提升的有效途径。

动态模糊Q学习算法及嵌入式平台的实时实现

介绍一种新的在线自适应的动态模糊Q强化学习算法,系统根据从环境中得到的反馈评估已进行的决策,给予奖励和惩罚,更新系统的Q值,在线自动调整模糊控制的结构与参数。根据系统当前的环境状态以及模糊控制强化学习的Q值来决定当前规则的动作输出,并由模糊推理产生连续输出的动作,扩展贪心搜索策略,确保控制规则的各个输出动作在学习初期都被搜索过,避免陷入局部最优解。将有效跟踪算法和后设学习规则相结合,有效提高系统学习速率,在嵌入式平台中实时控制的实现以及和相关研究结论的对比验证该算法的优越性。