关于Steiner问题的一个注记—连接五点之最小网络的一种寻优方案(英文)

本文讨论如何寻找连接平面上五个给定点的最小网络这一问题.通过发展越民义证明Pollack在1978年所给出的一个关于寻找连接平面上四个给定点的最小网络的重要结论的方法,我们给出了一个采用简单几何作图方法快速求解该问题的方案.

三星推出世界最小网络电话

三星电子近日推出了一款结合网络技术和PDA技术的多功能手机——网络移动电话。该产品外观仅为118mm×50mm×25mm,重158克,是迄今为止世界上最小的网络移动电话。

自适应分块的改进最小费用网络流解缠算法

相位解缠是进行精确差分干涉测绘的关键步骤,在相位解缠算法中,最小费用网络流(MCF)是当前常用的算法,该算法具有精度高、限制残差点误差扩散、优先将误差限制在低相干区域的优点,但随着残差点数量的增多,其计算效率也随之降低。改进的MCF算法通过对其做分块,有效提升了算法效率,但块尺寸的选取影响最后的准确度与效率。本文提出一种自适应分块的改进MCF解缠算法,通过自适应寻优的方式选取合适的分割块,将相干性较高的点集中在同一块内,使得在准确度不受过多影响的情况下有效地提升算法效率。

最小网络问题及其多项式时间算法

针对债务清理问题和某些物流问题的实际应用背景,提出一类网络最优化模型——最小网络问题。讨论了最小网络的相关性质,获得了最小网络的若干充分必要条件。证明了任一网络可通过两种基本运算化为最小网络,由此得出了将任一网络化为最小网络的方法。给出了求给定网络的最小网络的一个多项式时间算法。

最小网络理论与反事实条件句

最小网络理论是一种解释反事实条件句的语义理论,方法是借助于贝叶斯网络和结构方程构造一个因果模型来解释反事实条件句。按照最小网络理论,原子语句的真值是由其他原子语句决定的,这可以刻画因果关系的依赖性,同时对语境中的特定反事实条件句做出了更清晰和准确的预测。作为可能世界进路的替代理论,最小网络理论至少在某种程度上解决了针对相似性分析的哲学异议。但最小网络理论同样也面临着反律条件句、外生变量以及观察与干预等心理因素的挑战。

最小资源分配网络在风功率在线校正预测的应用

采用最小资源分配网络(MRAN)研究了风功率超短期实时预测技术,以某风电场的实测数据验证了网络的有效性。针对传统MRAN具有过度估计网络误差和删减所选参数对网络结构影响大等缺点,提出了一种改进的MRAN,以柯西误差函数作为增加隐节点的判断依据,根据隐节点间线性相关关系精简网络结构。研究结果表明:采用MRAN的风功率预测系统的预测精度较高;改进后的网络较传统MRAN的预测精度略微提高,网络结构更加精简,预测速度显著提升。

基于神经网络偏最小二乘法的柴油机NO_x排放预测模型

分析了现有柴油机氮氧化物(NO_x)排放的预测方法,针对选择性催化还原技术(SCR)的控制需求,选用神经网络偏最小二乘法(NNPLS)作为NO_x排放预测模型建立的基础;该方法通过偏最小二乘法(PLS)提取成分,然后用神经网络(NN)拟合,具有PLS充分提取自变量中信息和NN非线性拟合性高的优点;并建立了某柴油机NO_x排放预测模型,该模型预测精度高,训练误差均方根和测试误差均方根分别为30×10-6和62×10-6.

基于MPI的最小费用流网络单纯形并行算法设计与实验

网络最小费用流算法常用来解决资源流最优分配问题,传统的串行算法因时间复杂度高而不能满足大规模网络对计算效率的要求。该文用时间复杂度低的网络单纯形算法(NSA)的并行化求解大规模网络的最小费用流问题。通过分析NSA的可并行性,使用MPI分布式并行技术,设计了NSA并行算法;分析了3种常用流网络的拓扑结构特征及其与地理网络的关系;在并行环境下对计算效率进行实验测试,结果表明该算法具有显著的加速效果,峰值可达5.4。NSA并行算法应用面宽,可为区域及全国性大规模网络流资源分配方案的快速制定与政务决策提供有力支持。

点和边有容量约束的网络最小费用最大流算法

分析了目前网络最小费用最大流算法存在的问题,提出网络最小费用最大流新算法。概括出条件约束下的网络最小费用最大流问题的两目标优化数学模型,针对点和边有容量约束的网络最小费用最大流问题特点,定义了有向路径、有向路径单位流费用和残量网络的概念。依据可行流分解定理,以邻接矩阵为网络数据存储结构,使用数据结构中的遍历方法,实现了网络最小费用最大流新算法。该算法在不破坏平面性条件下,可以求解点和边有容量约束的网络最小费用最大流。最后,通过实例进行了算法测试和比较。算法测试表明:点和边有容量约束的网络最小费用最大流算法是完全可行和有效的。

基于扩展最小资源分配网络的热工过程辨识

针对热工过程中表现出的非线性、时变性、大迟延和大惯性等特点,在分析热工过程辨识实际需要的基础上,采用扩展最小资源分配网络,建立了热工过程的非线性在线网络模型.这种模型能较好地解决神经网络序列在线学习问题,其计算量小、计算精度较高.实例计算验证了这种建模方法的有效性和快速性,为热工过程非线性模型的建立提供了一种新的方法.

网络最小费用最大流双目标遗传优化算法

针对将网络最小费用最大流问题转化为单目标优化问题进行求解的缺陷,提出网络最小费用最大流的双目标优化模型,并引入多目标遗传算法.对最小支撑树对应的余树弦流量初始值进行编码,通过解码和回路矩阵计算流量网络树枝的流量.在网络最小费用、最大流量双目标函数和网络结点容量、网络分支容量约束条件基础上,按照多目标优化理论构建增广最小化双目标函数,依此对网络流量方案编码进行评价.使用进化算子对网络流量方案编码实施进化操作,最后通过迭代得到满意解.以矿井通风网络为例进行了测试.结果表明:网络最小费用最大流双目标遗传算法是完全可行和有效的.该算法减少了最优化模型中变量数目、提高了运算效率.

最小化延迟的无线传感器网络节点调度算法

如何实现节能和减小延迟一直是无线传感器网络中研究的热点及难点问题。提出一种新的最小化延迟的能量均衡的节点调度(MDS)算法,算法通过对能量以及延迟的分析计算,计算出节点的能量判定阈值,并在选择下一跳的时候,总是选择节点剩余能量在限定范围内且延迟最小的节点,以此实现最小化网络延迟的目的。理论分析及实验结果表明,MDS算法能够较好地把网络的生命周期控制在可接受范围内,同时可以解决在能耗限定条件下的最小化延迟的问题。

偏最小二乘神经网络在储层识别和产能预测中的应用——以陕甘宁盆地中部气田马五_1储层为例

针对致密储层中气水干层识别和产能预测准确率较低这一难题,提出偏最小二乘神经网络方法:用偏最小二乘方法对输入自变量集进行主成分提取预处理,消除重叠的输入信息,用可变学习速率反向传播算法(VLBP)和附加动量方法(AMOBP)构建BP储层识别和产能预测的网络模型。以陕甘宁盆地中部气田马五1储层气、水、干层识别问题为例,选用19口井分层测试的92个已知样本,在提取物性、测井和储渗特征等方面的14个特征参数后,通过偏最小二乘方法提炼得到电阻率(Rlld)、声波时差(Δt)、产能系数(kh)、储渗因子(KΦS)、介质类型因子(EE)等5个主成分控制特征参数,消除了信息的重叠。以此为神经网络输入元,以样本储层的类型与产能级别为输出,用VLBP和AMOBP算法建立储层识别和产能预测的BP网络模型。模型的吻合率达100%,均方误差比传统三层网络降低约50%。表明该模型的计算收敛速度快,精度高,为致密储层的准确识别探索了又一新的方法。

基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法

提出一种基于模糊最小-最大神经网络的输油管道泄漏故障诊断方法。该方法将管道压力特征作为模糊最小-最大神经网络的输入,通过模糊最小-最大神经网络的输出判断管道是否发生泄漏,并且针对实测数据含有噪声和测量误差的情况,设计一种可以有效处理实测数据的隐含节点函数。通过对管道试验系统实测数据的验证,本文方法可以有效检测管道泄漏故障。

k度Steiner最小权网络的线性时间算法

已知平面上 n个固定点集合 N和 m个可动点集合 M，求互连点集 N∪ M的最短连通网络，要求这个连通网络满足： (1)固定点的度为 1，可动点的度为 k ( k 3)； (2) n = 2＋ (k－ 2) m. 网络中每条边的权与可动点的位置有关，问题是如何确定这 m个可动点的位置，使这个连通网络的权最小，这个问题称为 k度 Steiner最小权网络问题 .本文给出了 k为偶数，边权取为 L1距离时计算最小权网络的 O(n ln k)时间算法 .

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。

基于最小费用网络流的快速扩散制造任务分配算法

针对武器装备快速扩散制造环境下的任务分配问题,提出了一种基于最小费用网络流的任务分配方法。本方法以完成任务的时间及费用最少为目标,首先计算出各个零件的最大产量,其次根据零件最大产量计算出产品的最大产量;然后根据产品最大产量反算出各个零件的分配产量,针对每个步骤提出了相应的计算方法;最后,以航空发动机压气机机匣中的某级机匣壳体和静子叶片为例,给出了算法验证。实例表明,该方法在解决扩散制造任务分配上是合理的、实用的。

基于最小资源分配网络的热工对象辨识

建立热工过程的全局非线性模型是热工控制系统全局优化的基础,而静态神经网络难于对非线性动态过程进行建模。资源分配网络(RAN)可以动态调整网络参数,而扩展卡尔曼滤波器(EKF)算法可加快收敛速度。将上述方法有机地结合起来,在此基础上加入剪枝策略和滑动窗口RMS准则,形成了改进的最小资源分配网络(MRAN)。将改进方法应用于典型热工过程的非线性动态建模中,仿真结果表明MRAN网络结构紧凑,建模精度高,适合于在线应用。最后分析了网络初参数对其性能的影响。

基于最小资源分配网络的自适应PID控制

针对常规径向基函数神经网络(radial basis function neural network,RBFNN)的逼近性能对网络结构和初始参数依赖性强的问题,采用最小资源分配网络进行改进,并与单神经元PID控制相结合,提出了一种基于最小资源分配网络的自适应PID控制方法。该方法利用最小资源分配网络动态构建RBFNN,实现RBFNN结构和参数的在线优化,并用该RBFNN辨识对象的离散模型,然后由单神经元PID控制器完成PID参数的自适应整定。仿真结果表明,该方法中PID参数能够很好地适应系统输入信号的变化,对非线性系统控制效果较为理想。

最小最大模块化网络中基于聚类的数据划分方法研究

利用最小最大模块化网络实现模式分类的关键问题之一就是找到一种有效且复杂度较低的训练样本划分方法,以便缩短训练的时间,得到相对平衡的划分子集.本文提出一种新的基于二分K-均值的训练集划分方法,它可以得到全局最优解,时间复杂度较低,并且可以通过层次聚类得到相对平衡的样本划分效果.在现实数据集上的实验表明,该划分方法在不降低分类精确率的情况下能有效地缩短最小最大模块化网络的训练时间.