基于长短时记忆算法的火电厂过热气温控制系统参数优化方法研究

旨在通过长短时记忆(long short term memory, LSTM)算法改进过热气温控制系统。研究方法包括数据采集与分析、LSTM模型的建立以及控制系统的参数调整。通过监测和分析历史数据,建立了LSTM模型,能够精确预测过热气温的变化趋势。通过LSTM算法的应用,系统可以更灵活地应对气温波动,降低异常温度的风险,从而减少维护与修理成本。可为火电厂提供一种控制系统,有效降低运营风险,提高经济效益,延长设备寿命,同时减少对环境的不利影响,对于现代工业的可持续发展和清洁能源生产具有重要意义。

一种基于有限记忆算法的干涉仪解模糊纠错方法

针对在通道相位误差较大时常规干涉仪测角解模糊算法频繁出错的问题,提出了一种基于有限记忆算法的干涉仪解模糊检测与纠错方法。利用干涉仪逐次递推测角算法解模糊的结果估计出角度和整周模糊值的初始值,在此基础上进行角度和整周模糊值的有限记忆递推,识别并纠正逐次递推测角算法中出错的解模糊测角数据,期望得到正确的解模糊结果,以保证后续角度数据的处理精度。仿真结果表明,有限记忆纠错算法能够有效地识别并纠正逐次递推解模糊测角算法中存在的模糊值出错问题,降低干涉仪解模糊的出错概率。此方法对其它体制的相位干涉仪测角解模糊纠错也具有一定指导意义。

基于智能车非匀速行驶记忆算法的研究和实现

本文对基于非匀速行驶状态下光电智能车的记忆算法进行了深入研究,详细介绍了系统硬件设计、原始数据的记忆、数据处理和记忆算法的实现。

规则动态选择与路标记忆算法

本文提出一个语法分析中的规则动态选择与路标记忆算法，该算法提出了实时记录规则调用频度，通过调用频度对规则进行动态选择的处理方法以及设置路标信息记忆表以减少回溯次数的语法分析思想，通过对该算法的设计与分析，深入探讨了快速、高效的语法分析器设计方法以及规则优先次序的动态选择方法。

基于衰减记忆算法的弹道参数滤波方法

为克服广义卡尔曼滤波发散现象,提出了一种基于衰减记忆算法的弹道参数滤波方法.通过弹道质心运动模型,结合弹道测试数据对弹道参数进行滤波,结果表明,此方法的辨识精度较高,收敛性好.

基于熵的最小二乘支持向量机增长记忆算法与实证分析

为了减少预测模型的训练样本数和训练时间,提高预测的正确率,将信息论中熵的概念和增长记忆算法引入企业财务困境预测,提出了一种基于熵的最小二乘支持向量机（LS-SVM）增长记忆算法,该算法不必每次都求解矩阵的逆,提高了算法的有效性;通过实验,给出了适合企业财务困境预测的离散的信息熵和核函数的表达式。将该算法与传统LS-SVM以及标准SVM的分析比较,可以看出,在ST前1~3年的不同时点上,基于熵的LS-SVM增长记忆算法无论是训练样本的数量还是运算时间,都显著优于传统的LS-SVM以及标准的SVM,证实了将信息熵和增长记忆算法应用于企业财务困境预测的有效性和优越性。

电光智能车的记忆算法

笔者深入研究了光电智能车在非匀速行驶状态下的记忆算法,详细介绍了四大部分,分别是系统硬件的设计、原始数据的记忆、数据处理和记忆算法的实现。实验结果显示,使用记忆算法后,由于对整个跑道有了预知性,较大幅度提高了智能车的速度。记忆算法随着跑道的长度和复杂程度的加大,也正进一步发挥着作用。

基于效用值的范例库记忆算法研究

基于范例推理的系统中,如果所有新范例不加辨别地加入到范例库,那么范例库中将充满许多冗余范例和噪声范例。针对这个问题,提出基于效用值的范例库记忆算法。该算法能选择性地加入新范例,删除范例库中冗余的和错误的范例,强化经常判断正确的范例,弱化经常判断出错的范例。实验结果表明,包含记忆算法的范例推理系统不但能减少范例库存储空间,还能提高分类准确度。

关于自动循线智能车赛道记忆算法的研究

飞思卡尔杯全国大学生智能车比赛的记忆算法,有效防止了直道振荡,提高了过弯的准确性,并加快了智能车的平均速度,在一定程度上提高了小车的比赛成绩。

Hopfield网络联想记忆算法在民办高校科研能力分类模型中的应用

为了解决民办高校科研能力分类的过程中的一系列问题,首先要找好Hopfield的平衡点,利用其具有联想记忆功能的特性,创建基于Hopfield网络的民办高校科研能力分类模子,将其应用于民办高校科研能力分类,网络仿真运行结果可以反映分类状态。

基于税收预测的层级时序记忆算法研究

基于税收预测的向量机算法对中期的税收收入预测略有不足,而层级时序记忆算法(HTM)对某市2002年~2017年间税收数据预测与影响税收的9个影响因素关系进行学习,建立预测模型,并与基于支持向量机的税收预测算法(SVM)模型进行结果比较分析。实验选取2013年~2017年实际税收数据与两种模型的税收预测结果对比分析,通过绝对误差指标来分析模型的预测性能,对比两种预测模型的预测值和真实值的偏离程度发现层级时序记忆算法预测中期的税收结果稳定,为现阶段的中期税收收入预测提供相对较可靠的参考。

基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型研究

目的研究基于粒子群优化长短记忆网络算法的有创呼吸机使用量预测模型。方法选取2019年4月至2023年4月医院有创呼吸机使用情况数据,建立基于粒子群优化长短记忆网络(PSO-LSTM)算法的有创呼吸机使用量预测模型,预测全院及重症监护病房(ICU)有创呼吸机每天使用数量。采用平均绝对误差(MAE)、平均绝对百分比误差(MAPE)及均方根误差(RMSE)作为准确性评价指标。结果PSO-LSTM模型预测重症ICU有创呼吸机每天在用量与LSTM模型比较,其MAE值降低41.15%、MAPE值降低50%、RMSE值降低44.36%;PSO-LSTM模型预测全院有创呼吸机每天在用量与LSTM模型比较,MAE值降低81.93%、MAPE值降低83.33%、RMSE值降低79.08%,PSO-LSTM模型预测精度高于LSTM模型。结论PSO-LSTM模型能够准确预测有创呼吸机的每天在用量,为有创呼吸机采购决策提供科学依据,为创建全院呼吸机管理共享中心提供数据分析基础,进一步提升医疗设备精细化管理水平。

基于记忆模拟退火算法的扫地机器人遍历路径规划

论文聚焦于解决扫地机器人在执行作业时的路径规划问题,采用了一种新的遍历算法,将改进的模拟退火算法和蚁群算法结合。通过采用记忆模拟退火算法,确定了遍历分区的最佳顺序,并进一步利用蚁群算法将这些分区有效地连接在一起。研究结果表明,经过改进的算法在规划遍历子区域中心基点的路径时表现出显著的优越性,其路径长度相较于传统模拟退火算法减少了8.87%;扫地机器人对路径遍历的覆盖率能达到100%,并将路径遍历的重复率降低至8%左右。和传统模拟退火算法相比,改进模拟退火算法新增了记忆器,使其更容易跳出局部最优,改善了解的质量,大大提升了扫地机器人的作业效率。

基于遗传算法和熵的缩减记忆式LS-SVM财务困境预测模型研究

为了提高财务困境预测的正确率,减少模型的训练样本数和训练时间,在传统支持向量机(SVM)预测模型的基础上,将遗传算法、信息熵和缩减记忆算法应用于最小二乘支持向量机(LS-SVM),提出了一种基于遗传算法和信息熵的缩减记忆式最小二乘支持向量机预测模型。并独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进模型的实现步骤。实验结果表明,该模型无论是预测正确率,还是训练样本的数量和训练时间,都显著优于最小二乘支持向量机以及传统支持向量机模型。

三维参数联合估计的免疫记忆量子克隆算法

针对信号相位匹配奇异值分解(SVDSPM)算法中参数联合估计耗时长的问题,提出了免疫记忆量子克隆算法(IMQCA).该优化算法引入模拟退火机制修正量子旋转门函数的旋转角度值,构建记忆单元保留进化历史最佳抗体,并结合克隆算子加速种群收敛.由SVDSPM平面阵算法构造了IMQCA的目标函数,提出了同时估计信号方位角、俯仰角和频率的SVDSPM联合估计算法.仿真结果表明,IMQCA算法的方位估计精度与传统的SVDSPM算法相当,但计算耗时仅约为后者的10%,且低信噪比下的性能优于MUSIC方法.在-10 dB信噪比下,IMQCA所得方位角、俯仰角和频率的标准差分别比标准遗传算法小6.659°、9.645°和28.634 Hz,比量子免疫克隆算法小0.789°、1.075°和0.864 Hz.

超记忆梯度算法的线性收敛速度

证明了时贞军提出的超记忆梯度算法在一定条件下具有线性收敛速度。

用于反演云层高度的记忆式滑动窗口积分算法

记忆式滑动窗口积分算法选取一定宽度的窗口,从地面开始滑动,对窗口内的信号进行积分,根据积分值和前一时刻的云层信息来反演云层高度。该算法可消除信号中的噪声,叠加放大信号中的云层信息,将云层与气溶胶加以区分。用该算法处理了Vaisala云高仪的数据,并与云高仪的结果进行了对比,结果表明,记忆式滑动窗口积分算法在反演尝云层信息信息时具有较高的准确性和可靠性。

自适应记忆遗传算法研究

针对遗传算法优化过程中仍然存在许多问题,文中提出了一种新的自适应记忆遗传算法。引入基因库的概念,用以存储重复出现个体的基因编码和对应的适应度值,进而解决重复个体适应度值的重复计算问题;利用Logistic曲线方程对遗传算法的交叉概率和变异概率进行自适应调整;以TSP为应用背景对文中算法进行实验,结果表明文中算法有效减少了算法的时间复杂度,其加速比能够达到49.70%左右。在算法的收敛性方面,改进后的算法收敛速度快于基本遗传算法,其所得解与TSPLIB提供的最优解的平均相对误差最大不超过9.38%。

一个新的无约束优化超记忆梯度算法(英文)

本文提出一种新的无约束优化超记忆梯度算法,算法利用当前点的负梯度和前一点的负梯度的线性组合为搜索方向,以精确线性搜索和Armijo搜索确定步长．在很弱的条件下证明了算法具有全局收敛性和线性收敛速度．因算法中避免了存贮和计算与目标函数相关的矩阵,故适于求解大型无约束优化问题．数值实验表明算法比一般的共轭梯度算法有效．

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数 ,给定一个假设条件 ,确定它的一个取值范围 ,以保证搜索方向是目标函数的充分下降方向 ,由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下 ,讨论了算法的全局收敛性 ,同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明 ,新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。