求解时变凸二次规划的变参积分动态学习网络

凸二次规划问题在许多领域都有着广泛的应用,系统分析、组合优化等诸多科学问题和工程问题都可以表述为二次规划问题后求解.为了高效地求解线性等式约束下的时变凸二次规划问题,本文提出了一种基于误差积分设计的新型变参积分动态学习网络.该网络引入时变指数型设计参数,具有灵活和自适应调整的特点.理论分析证明变参积分动态学习网络在使用单调递增的奇激活函数时有全局收敛性质和较强的鲁棒性.除此之外,变参积分动态学习神经网络还具有灵活的控制策略和超指数级收敛速率.仿真实验结果表明,使用不同激活函数的变参积分动态学习网络比传统的微分神经网络(即梯度神经网络,零化神经网络和变参收敛微分神经网络)有更好的收敛性质.

求解时变非线性不等式的新型动态学习网络

为有效地求解时变矢量型非线性不等式,针对传统的零化神经网络在求解时变矢量型非线性不等式时收敛速度慢、鲁棒性弱的问题,提出了一种新型混合变参动态学习网络(mixed variant-parameter dynamic learning network,MVP-DLN)。首先,定义矢量型的无界误差函数;其次,构造混合变参神经动力学设计公式;最后,通过替代方法和神经动力学设计公式,开发出MVP-DLN模型。理论分析表明MVP-DLN模型具有全局的收敛性能和强鲁棒性。最后,采用仿真实验验证模型的性能,实验结果表明,相比于传统的零化神经网络,MVP-DLN模型在求解时变非线性不等式时具有更好的收敛性能和更强的鲁棒性。

学习共同体演化动态及其参与者交互模式研究——数据驱动的社会认知网络分析

混合式学习中创建并维持混合式学习共同体,有助于发展和维持动态平衡的跨界学习关系和认知过程,从而激发批判性思考和优化知识建构。研究采用数据驱动的社会认知网络分析方法,探索混合式学习共同体演化动态及其与参与者交互模式发展之间潜在的关联。研究表明:以问题导向策略组织的学习共同体演化动态呈现短周期性,受时间契约影响;在线学习共同体中参与者交互模式动态变化,交互关系由生—师交互为主发展为生—生交互为主,高交互分组偏好于生—生交互,表现出较高的知识建构水平;参与者在不同学习共同体中存在较为一致的表现,与学习共同体相互影响;高成就组参与者注重发展和维持动态平衡的跨界学习和连贯一致的认知过程。基于研究结果,建议在混合式教学中发展和维持多样化学习共同体,鼓励同侪互动和跨界协作学习,提供动态教学支架进行动态干预。

混合动力汽车深度强化学习分层能量管理策略

为了提高混合动力汽车的燃油经济性和控制策略的稳定性,以第三代普锐斯混联式混合动力汽车作为研究对象,提出了一种等效燃油消耗最小策略(equivalent fuel consumption minimization strategy,ECMS)与深度强化学习方法(deep feinforcement learning,DRL)结合的分层能量管理策略。仿真结果证明,该分层控制策略不仅可以让强化学习中的智能体在无模型的情况下实现自适应节能控制,而且能保证混合动力汽车在所有工况下的SOC都满足约束限制。与基于规则的能量管理策略相比,此分层控制策略可以将燃油经济性提高20.83%~32.66%;增加智能体对车速的预测信息,可进一步降低5.12%的燃油消耗;与没有分层的深度强化学习策略相比,此策略可将燃油经济性提高8.04%;与使用SOC偏移惩罚的自适应等效燃油消耗最小策略(A-ECMS)相比,此策略下的燃油经济性将提高5.81%~16.18%。

基于动态运动原语和自适应控制的机器人技能学习

提出一种基于动态运动原语(DMP)和自适应控制的机器人技能学习方法.现有的DMP从单示教轨迹中学习动作,且其高斯基函数分布方式固定,并不适用于各种不同特征的动作轨迹.因此,将高斯混合模型和高斯混合回归引入DMP中,使其能从多示教轨迹中学习技能,并且将径向基神经网络(RBFNN)引入DMP中构成RBF-DMP方法,以梯度下降的方式学习高斯基中心位置和权重,提高技能学习的精度.设计自适应神经网络控制器,用于控制机械臂复现示教中学习的动作.在Franka Emika Panda协作机械臂上开展实验研究,验证方法的有效性.

基于混合平衡优化器算法的多目标柔性作业车间多重动态调度研究

面对生产过程中出现的多种扰动问题对实际调度过程的影响,构建以紧急订单和机器故障为扰动因素,以最小化最大完工时间、最小化订单拖期惩罚和最小化碳排放为目标的柔性作业车间多重动态调度模型。采用基于事件和周期的混合动态调度策略来应对突发事件,并提出一种改进的平衡优化器算法来求解该模型。该算法通过采用基于精英反向学习的混合种群初始化策略提高初始种群质量;通过采用IPOX交叉、MPX交叉和变异操作,提高算法解集的广泛性和多样性;通过使用基于Metropoils准则的精英选择策略来更新种群,防止种群陷入局部最优;通过双层变邻域搜索提高算法的寻优能力。通过大量拓展算例仿真验证了该算法的有效性、稳定性和优越性。

重置变结构神经网络的算法

神经网络的结构直接影响到网络性能的优劣,进而影响其推广使用,是目前研究的焦点之一.尝试将重置算法应用于经典BP神经网络的结构优化,研究了重置算法中最佳重置时间的性质,同时提出一种重置变结构经典BP神经网络.

基于变分贝叶斯深度学习的水文概率预报方法

目前水文领域关于深度学习的研究多集中于提高预测能力方面,与具有物理机制的水文模型相比,深度学习复杂的内部结构导致其不具备可解释性,预测结果难以被信任,因此发展可信赖的深度学习对于推进水科学发展具有重要意义。基于预报残差分析框架,构建具有物理机制的水文模型与深度学习融合的混合模型,以充分利用两者优势;引入变分贝叶斯理论,提出变分贝叶斯与深度学习耦合的概率预报模型VB-LSTM,以定量评估水文预报结果的不确定性、提高结果可靠度。以黄河源区1961—2015年的径流过程为研究对象,对VB-LSTM模型进行应用示例研究。结果表明:与长短时记忆网络(LSTM)相比,VB-LSTM模型在验证期预报精度更高,结果更稳定;与传统基于“线性-正态”假设的水文概率预报方法相比,VB-LSTM模型具有更高的预报精度,且不确定性更小、预报结果更可靠。

基于变分模态分解的中期电力负荷混合预测模型

电力负荷预测直接影响电网规划和运行,但是受到各类因素的影响。为提高预测精度,针对电力负数据时序性和非线性特征,提出一种基于变分模态分解的中期电力负荷混合预测模型(hybrid prediction model of medium-term power load based on variational mode decomposition,HPMMPL-VMD)。在HPMMPL-VMD算法中,首先使用VMD将原始电力负荷序列分解成若干个相对平稳的模态分量,并利用长短时记忆神经网络对各个模态分量进行建模;然后将各个预测分量进行叠加得到电力负荷预测值;最后,使用最小二乘支持向量回归对误差序列进行预测,并将电力负荷预测值与误差预测值相加得到最后预测结果。为验证HPMMPL-VMD的性能,选取其他预测方法与其进行比较,实验结果表明本文所提模型具有较高的预测精度。

动态神经元网络的直接自适应控制与应用

本文对一类未知的非线性多变量系统,提出了用动态神经元网络实现直接自适应控制的策略;基于 Lyapunov理论,获得一个稳定且连续的学习律,避免了递归训练过程;闭环系统被证明是稳定的。这种方法的特点是,不需要离线学习阶段;对非线性电机仿真的结果验证了提出的动态网自适应控制算法的有效性。

基于混合特征和深度学习的安卓恶意软件动态检测研究

为避免用于隐私泄露,设计基于混合特征和深度学习的安卓恶意软件动态检测方法,实现安卓恶意软件动态检测的高效性以及准确性。通过反探测方案防止恶意安卓软件检测模拟环境进程,并在模拟器中运行待测安卓软件,采集安卓软件动态运行数据,通过解压与反编译处理完成安卓软件运行数据文件预处理,从预处理后的安卓软件文件中提取以函数调用图特征、字节概率特征以及APK权限特征组成的安卓恶意软件混合特征,将获取的安卓恶意软件混合特征作为改进自编码网络的输入数据,输出安卓软件是正常或恶意软件的动态检测结果。实验表明:该方法可实现安卓恶意软件动态检测,并获取恶意软件类型,且动态检测时间短,具有较好的安卓恶意软件动态检测评价指标数值。

条件变分时序图自编码器

网络表示学习(也被称为图嵌入)是链接预测、节点分类、社区发现、图可视化等图任务的基础.现有大多数的图嵌入算法主要是针对静态图开发的,难以捕捉现实世界的网络随时间进化的动态特征.目前,针对动态网络表示学习方法的研究工作仍相对不足.提出了条件变分时序图自编码器(TS-CVGAE),可以同时学习动态网络的局部结构和随时间的演化模式.该方法首先改进了传统图卷积得到时序图卷积,并在条件变分自编码器的框架下使用时序图卷积对网络节点进行编码.训练结束后,条件变分自编码器的中间层就是最终的网络嵌入结果.实验结果表明,该方法在4个现实动态网络数据集上的链接预测表现均优于相关的静、动态网络表示学习方法.

基于自回归预测模型的深度注意力强化学习方法

近年来,深度强化学习在各种决策、规划问题中展示了强大的智能性和良好的普适性,出现了诸如AlphaGo、OpenAI Five、Alpha Star等成功案例.然而,传统深度强化学习对计算资源的重度依赖及低效的数据利用率严重限制了其在复杂现实任务中的应用.传统的基于模型的强化学习算法通过学习环境的潜在动态性,可充分利用样本信息,有效提升数据利用率,加快模型训练速度,但如何快速建立准确的环境模型是基于模型的强化学习面临的难题.结合基于模型和无模型两类强化学习的优势,提出了一种基于时序自回归预测模型的深度注意力强化学习方法.利用自编码模型压缩表示潜在状态空间,结合自回归模型建立环境预测模型,基于注意力机制结合预测模型估计每个决策状态的值函数,通过端到端的方式统一训练各算法模块,实现高效的训练.通过CartPole-V0等经典控制任务的实验结果表明,该模型能够高效地建立环境预测模型,并有效结合基于模型和无模型两类强化学习方法,实现样本的高效利用.最后,针对导弹突防智能规划问题进行了算法实证研究,应用结果表明,采用所提出的学习模型可在特定场景取得优于传统突防规划的效果.

连续的变分图生成模型

学习图中节点的嵌入表示是很多任务的基础,比如链接预测,节点分类和图可视化。之前的图嵌入方法主要是静态图,但是现实生活中很多图都是动态的,随着时间变化而且时间是连续的。由于静态的方法只能学习到单个时间点上图的结构,无法捕捉到图在时间上的依赖,很多动态的方法无法处理不规则时间间隔的问题。针对以上问题,提出了一种连续时间上的动态图生成方法(continuous variational graph generative model,CVGGM)。方法建立在变分自动编码机之下,使用时间嵌入方法得到输入,使用信息传递得到节点邻居的信息,使用连续的长短期记忆网络学习时间上的依赖,生成潜在变量作为节点的表示。实验中使用了3个现实世界的数据集,并且在链接检测和链接预测上达到了很好的效果。

混合信息系统的动态变精度粗糙集模型

粗糙集是一种针对不确定性数据的数据挖掘理论,邻域粗糙集是处理混合型数据的常用模型.为了提高对混合型数据的抗噪能力,提出一种混合信息系统的变精度粗糙集模型;由于现实环境下信息系统的动态性,进一步提出对象增加和减少时的动态变精度粗糙集模型.首先研究混合信息系统中条件概率随对象增加和减少时的变化关系,然后在该变化关系的基础上提出混合信息系统变精度粗糙集上下近似的增量式更新机制,最后根据这一更新机制提出相应的增量式近似更新算法.实验结果表明,所提出的增量式更新算法比非增量的算法具有更高的计算效率,从而验证了所提出模型的有效性,同时也表明所提出模型更加适用于复杂的数据环境.

城市用地功能精细化识别方法:时序动态图嵌入深度学习模型

多源大数据融合背景下的城市功能区识别是复杂非线性系统的模式识别问题,如何有效地从大规模的轨迹数据中提取出多粒度连续性时变和多尺度空间相互作用的信息是进行城市区域功能识别的关键。本研究设计实现了一种基于时序动态图嵌入的深度学习模型,在融合滴滴出行及兴趣点数据(Point of Interest,POI)基础上,提取城市区域存在的时间和空间上的隐式特征,结合聚类分析实现城市用地功能的语义识别。结果表明,成都市中心的用地功能趋向复合多样化的发展,且用地属性随时间发生作用范围和用地类型的变化,呈现出功能随着城市群体活动而变化的时空规律。与相关文献的对比实验表明,本文提出方法在更细粒度的时间段下进行功能区识别,得到的同一类功能区域内集聚度更高,能够更好的捕获复合型区域在不同时间模式下呈现出的用地功能变化。本研究为城市用地功能识别研究提供了新的技术方法,为城市规划研究人员全面理解城区结构属性提供了有效手段,对推动城市空间得到更合理高效的利用具有一定的价值。

基于自适应模态分解和融合双尺度注意力机制的时间卷积网络的超短期风电功率预测

针对风电功率强波动性限制预测精度的问题,提出一种基于自适应变分模态(adaptive variational mode decomposition,AVMD)和融合双尺度注意力(double-scale attention,DA)的时间卷积神经网络(temporal convolutional network,TCN)的超短期风电功率预测模型AVMD-DATCN。采用纵横交叉(crisscross optimization,CSO)算法对变分模态分解参数进行优化,提出动态混合熵(dynamic mixing entropy,DME)作为适应度函数以兼顾分解损失和分解子序列可预测性,将风电功率自适应分解为一系列稳定有序的子分量。针对各分量建立DATCN预测模型以充分挖掘潜在深层耦合非连续时序特征,将各分量预测值叠加重构得到最终预测结果。多角度对比实验结果表明,所提出模型的预测性能显著优于其他预测方法。

基于混合深度学习的调度数据网流量预测技术研究

电力调度业务产生的数据波动性大且随机性强,在优先级、实时性和稳定性上的要求均高于其他业务,对其数据流量进行准确预测将有效保障电网的安全可靠运行。但是,因为传统运维手段应变力不足且依赖人工优化,所以在运维效率和预测准确性上均无法满足电力调度业务的发展需求。为解决上述问题,将信号分解技术与深度学习技术相结合,构建了一种能对电力调度数据网未来15天流量值与变化趋势进行预测的算法模型。该模型首先使用变分模态分解法自动分解复杂流量在不同时间维度下的特征,然后基于长短期记忆网络模型对所有分解后的子序列进行预测,最后基于各子序列预测值进行聚合叠加给出最终预测结果。使用某省级电力调度数据集对模型效果进行验证,该数据集包含骨干大区和信息大区中长达6个月的电力调度数据。结果表明该模型在调度数据网流量预测中的准确性优于其他时序预测方法,同时在实际场景下具有良好的可行性。

基于工况识别的PHEB能量管理策略研究

为提高插电式混合动力客车(plug-in hybrid electric bus,PHEB)的燃油经济性,文章提出了一种基于工况识别的PHEB能量管理策略。首先运用主成分分析(principal component analysis,PCA)和模糊C均值聚类法构建代表性城市工况;然后基于学习向量量化(learning vector quantization,LVQ)神经网络进行工况识别,并根据改进动态规划(dynamic programming,DP)算法提炼出全局最优能量分配规则,对能量管理策略进行优化;最后基于AMESim和Simulink建立PHEB整车和能量管理策略仿真模型,并在构建的合肥市代表性城市工况下进行仿真分析。仿真结果表明,该文提出的能量管理策略比电量消耗-电量维持(CD-CS)能量管理策略的燃油经济性提高了5.2%。