基于弹性空间体系的卫星自主组网技术综述

介绍了基于弹性空间体系的卫星自主组网技术,以及星间互联任务协作和任务规划技术的研究现状.阐述了网络弹性可重构技术、星群运控和资源调度技术及基于机器学习的人工智能技术等关键技术和算法的发展.对目前可重构技术的3个关键技术,即动态卫星网络协议设计、基于窄带频域资源划分的自适应无线资源共享协议设计和链路高可靠传输技术进行了介绍.并对基于弹性空间体系的卫星自主组网技术的发展趋势和相关的技术路线进行了展望.

一种动态自适应麻雀搜索算法及在车联网驾驶行为识别中的应用

针对麻雀搜索算法(SSA)跟随者接近种群内个体最佳位置时收敛速度过快而导致易陷入局部最优的问题,文中提出一种基于动态自适应的改进型麻雀搜索算法(ASSA)。首先,在搜索寻优过程中,对发现者位置和跟随者位置进行动态更新,为保证算法在迭代后期的收敛速度,警戒者的个数采用线性递减的方式;其次,为防止算法陷入局部最优而导致的迭代中断,通过高斯随机分布形成新的发现者;最后,为验证改进算法的有效性,利用4种典型的函数进行测试,测试结果与SSA进行对比。结果表明:ASSA能够有效解决SSA易陷入局部最优的问题,并在收敛速度等性能上得到了有效提升。在此基础上,将ASSA算法应用到车联网驾驶行为识别中,通过优化BP神经网络,使得网络具有更高的识别准确率和性能。

生物氧化预处理过程pH值随机分布控制方法研究

生物氧化预处理过程中氧化槽pH值是影响细菌活性的关键因素之一,而pH值输出形态分布不符合高斯分布,使传统的均值和方差难以描述输出pH值分布,本文提出一种对矿浆输出pH的概率密度函数(PDF)统计信息控制方法。首先,采用B样条逼近矿浆输出pH值的PDF统计信息;其次,针对权值向量之间的关系,利用动态神经网络(DNN)建立控制输入和权值向量之间的非线性动态模型,基于建立pH的PDF统计信息权值模型,设计滑模变结构控制器,通过构造Lyapunov函数进行稳定性分析;最后,实现输出PDF统计信息对目标PDF统计信息的跟踪。仿真结果验证了所提方法的有效性,为生物氧化预处理过程提供了新方法。

基于DRNN动态整定PMSM的SVPWM控制

为解决传统的永磁同步电机控制系统中存在的低速转矩脉动大以及由此引起的高频噪声、动态响应慢等问题,提出了一种基于对角神经网络动态自整定的永磁同步电机矢量控制系统的实施方案。给出了基于对角递归神经网络的PID动态自整定控制器的结构,以及PID参数动态自整定的学习控制算法,并将这种综合控制策略引入永磁同步电机空间电压矢量PWM控制中。仿真结果表明,系统低速性能好,转矩脉动小,谐波含量少,当电机参数改变或者受到外部扰动时,系统具有良好的动态特性。

基于贝叶斯优化卷积神经网络的路面光伏阵列最大功率点电压预测方法

路面光伏阵列上快速行驶的车辆,所形成的车辆阴影具有复杂的动态随机分布特性,将导致路面光伏阵列的输出功率-电压(P-V)特性曲线呈现动态多峰特性,给路面光伏阵列最大功率点跟踪(maximumpowerpointtracking,MPPT)控制带来挑战。基于此,文中提出一种基于贝叶斯优化(Bayesianoptimization,BO)卷积神经网络(convolutional neural network,CNN)的路面光伏阵列最大功率点电压预测方法。首先,将路面光伏阵列的光照和温度的环境信息以图像形式输入基于贝叶斯优化CNN的最大功率点电压预测模型进行学习;然后,利用训练出的预测模型,对当前时刻下路面光伏阵列最大功率点工作电压进行预测;最后,仿真和试验结果表明,提出的预测模型具有良好的适应性,能够精准预测不同车辆阴影工况下的路面光伏阵列最大功率点工作电压,尤其是大幅度提高最大功率点工作电压的预测速度,为动态随机车辆阴影下路面光伏阵列的最大功率点跟踪控制奠定基础。

基于动态递归神经网络的木材干燥模型辨识

木材干燥是一个复杂的非线性系统 ,由于木材结构复杂且具有多样性和变异性 ,因此要建立一个理想的符合木材干燥过程的模型是很困难。本文利用动态递归神经网络的特点 ,提出了基于动态递归神经网络的木材干燥模型辨识方法 ,给出了动态递归状态 -输出神经网络的结构和学习算法。并通过对辨识得到的模型的仿真结果 。

随机故障注入结合神经网络法的机电系统可靠性计算方法

将随机故障注入方法与神经网络技术相结合,提出机电系统多失效模式可靠性计算方法。以液压缸内外泄漏故障为事例,将虚拟故障信息注入活塞杆线性定位系统一体化仿真模型中。利用神经网络较强的函数逼近功能,得到关键敏感特征参数与系统状态信号间的显式极限状态方程,将系统的可靠性概率约束转化为一个等价的确定型,避免了机电系统动态响应的多次遍历运算。再结合随机模拟,避开了各失效模式极限状态函数间复杂的相关性讨论。采用正交试验设计方法对机电系统进行参数灵敏度分析并精简样本。基于随机故障注入-神经网络法得到了关键敏感特征参数的改变对机电系统可靠性的影响规律,进而获得了参数的可靠性区间及失效临界值。为机电系统的可靠性分析和设计提供了参考和依据。

滨海重度盐碱地改良土壤盐渍化动态特征及预测

试验设置了对照处理(CK)、有机肥(OM)、聚丙烯酰胺+有机肥(PAM+OM)、秸秆覆盖+有机肥(SM+OM)、秸秆深埋+有机肥(BS+OM)和生物菌肥+有机肥(BM+OM)6个处理方式来探讨滨海盐碱地不同改良方式对土壤含盐量、pH、钠吸附比(SAR)和碱化度(ESP)的影响,进而识别影响土壤盐渍化程度的主要因子,并构建多元线性回归模型(Multi-linear Regression,MLR)、BP神经网络模型(BP Artificial Neural Network,BP-ANN)和随机森林模型(Random Forest,RF)对滨海重度盐碱地改良背景下的土壤盐渍化参数进行模拟预测。研究结果表明:各改良措施均能有效地降低表层土壤盐渍化水平,其中SM+OM处理对于土壤含盐量的抑制效果最好,而BM+OM处理则对于土壤碱分的抑制效果最好。改良过程中气象条件和土壤性质均对表层土壤盐渍化水平产生了显著影响。在模型预测中,随机森林模型对土壤含盐量、pH、SAR和ESP的综合预测精度明显优于BP神经网络模型和多元线性回归模型,体现在随机森林模型具有较高决定系数(Coefficient of determination,R2)和纳什系数(Nash-sutcliffe efficiency coefficient,NSE)和较低的均方根误差(Root mean square error,RMSE)。

基于BP神经网络的非平稳激励机械系统响应预估

利用ＢＰ人工神经网络进行非平稳激励条件下机械系统动态响应评判指标值与系统设计参数之间函数的逼近，采用收敛效率较高的学习率自适应调整算法，利用少数几次的方程求解结果进行网络训练，便可得到高效的响应评估映射，较多地减少了动态优化中评判值的计算规模。

一种新的对角回归神经网络快速学习算法

提出一种新的动态对角回归神经网络学习算法——局部动态误差反传算法 (L DBP) ,该算法定义了一种新的局部均方差函数 ,并为回归单元建立一种新的学习结构。如果估计出各层的期望输出值 ,多层回归网络便可分解成一组自适应单元 (Adaline) ,而每个单元可通过二次优化方法进行训练。采用可在有限步内找出全局最优解的共轭梯度法 (CG)进行寻优。由于学习过程采用超线性搜索 。

一种用于状态预测的神经网络混合算法

本文将神经网络的BP算法和动态随机算法相互补充而形成一种混合算法,它克服了BP学习算法会陷入局部极小和随机算法耗时长的缺点.将这种算法用于齿轮泵出口流量预测,证明了这种算法学习速度快且能收敛于全局极小点.

RNN和Hopfield两网络中的优化解法的对比研究

基于一种动态随机神经网络 (DRNN)求解典型NP优化问题TSP的改进算法 ,在理论上对DRNN与连续的Hopfiled网络(CHNN)进行了对比研究 ,指出虽然两种网络均以能量函数表达TSP的最优路径 ,并通过训练反馈网络求得路径解 ,但由于两者所用激活函数和收敛条件不同 ,使得DRNN网络能够接受能量函数的小波动 ,从而跳出局部最小值达到全局最优 ;此外 ,DRNN与CHNN相比网络训练对参数变化不敏感 ,参数设置简单。最后 ,通过仿真实验对随机坐标十城市使用两种网络对比路径寻优能力 ,进一步验证理论分析的结论。

地下水动态预测模型研究

把地下水动态模型分为确定性模型和随机性模型,并列举了目前较常运用的几种理论方法,然后简要介绍各理论的发展历程及其原理、优缺点和应用领域等。

基于视频监控图像的环巢湖蓝藻实时动态监测

蓝藻的防控与治理是湖泊水环境、水生态管理的重要内容,实时获取蓝藻的空间分布信息对于降低蓝藻灾害风险具有重要意义.针对地面调查费时费力、卫星遥感监测粒度较粗且时效性不强等问题,本文提出了一种基于视频监控网络的湖泊蓝藻实时监测技术.基于环巢湖视频监控网络的33个功能摄像机,研究如何从视频图像中实时、准确提取蓝藻的分布信息.为克服不同摄像头的观测角度不一致、光照强度和背景条件不一致等诸多挑战,在视频图像蓝藻表征分析的基础上,通过多尺度深度网络进行图像粗粒度分类,区分蓝藻与浑浊、阴影水体;基于随机森林进行蓝藻精细化识别,克服蓝藻的强异质性.最后以渔政站沿岸水域的日均蓝藻覆盖率和月均蓝藻覆盖率为统计单位,开展了巢湖沿岸蓝藻的动态监测.研究成果可为科学制定蓝藻治理方案提供技术支撑.

图嵌入模型综述

图分析用于深入挖掘图数据的内在特征,然而图作为非欧几里德数据,传统的数据分析方法普遍存在较高的计算量和空间开销。图嵌入是一种解决图分析问题的有效方法,其将原始图数据转换到低维空间并保留关键信息,从而提升节点分类、链接预测、节点聚类等下游任务的性能。与以往的研究不同,同时对静态图和动态图嵌入文献进行全面回顾,提出一种静态图嵌入和动态图嵌入通用分类方法,即基于矩阵分解的图嵌入、基于随机游走的图嵌入、基于自编码器的图嵌入、基于图神经网络(GNN)的图嵌入和基于其他方法的图嵌入。其次,对静态图和动态图方法的理论相关性进行分析,对模型核心策略、下游任务和数据集进行全面总结。最后,提出了四个图嵌入的潜在研究方向。

动态核的形态分解联想算法及抗随机噪声研究

在灰度图像分解算法和动态核形态联想记忆网络的基础上,提出了一种新的联想记忆算法——动态核的形态分解联想算法。该方法显著地提高了联想记忆抗随机噪声的能力,较好地解决了灰度图像在含噪时的联想记忆和识别的问题,从而给出了一种恢复含噪灰度图像的途径,并把该方法推广到了彩色图像的处理。通过实验,验证了该方法的良好性能,取得了理想的结果。

基于对角递归神经网络的非线性逆动态控制

采用2个对角递归神经网络(DRNN)构成非线性逆动态控制系统,一个用作辨识器,逼近系统的正模型,为逆动态控制提供系统的灵敏度;另一个用作控制器,逼近系统的逆动态模型,再与原系统串联组成伪线性系统.仿真结果表明该控制方法实现了对非线性系统的有效控制.

基于神经网络的语音识别系统

介绍一种适用于实时语音识别环境下的神经网络模型———动态识别神经网络(dynam ic recogn ition neu-ral network,DRNN).DRNN聚类学习的性能使得它非常适用于与在线学习方式相结合的实时语音识别系统.通过比较DRNN和隐含马尔科夫模型(h idden M arkov model,HMM),可以看到不论是在训练方面还是在识别方面,DRNN算法的计算复杂程度都要低于HMM算法.

模糊神经网络在动调陀螺随机误差建模中的应用

为了提高使用精度,减少动力调谐陀螺仪(DTG)随机漂移的建模误差,首先基于连接机制构造一个模糊神经网络;然后,在此网络结构的基础上,提出了一种基于遗传算法的参数优化策略;最后用预处理后的实测DTG漂移数据建立模型并利用另一组DTG漂移数据对模型的有效性进行了验证。实验结果表明:用这种方法建立的模型能更好地描述动调陀螺仪的漂移特性,并加快了网络结构收敛过程的速度,同时,其补偿效果也有了很大的提高。

基于Elman神经网络的受热面积灰动态预测

在火电厂燃煤锅炉运行过程中,受热面的积灰是降低锅炉运行效率和安全性的一个重要原因。对此,各研究者根据建立固定的预测模型制定吹灰策略,认为是及时吹灰而忽略了吹灰需要一定的准备时间。针对上述问题,不仅在数据预处理时,采用时间序列随机选取的方法反映不同工况下的灰污沉积厚度,而且提出了基于清洁因子(CF)的Elman时序神经网络动态预测模型。为了构造合理的网络模型,采用试凑法得到最优隐含层节点数。最终,通过正态概率密度(PDF)曲线验证了该模型预测的精准性,并对比分析了在不同预测起始点滚动预测的结果。经实例仿真,结果显示Elman网络模型的预测结果与实际监测数据的吻合度较高。从而为下一步的吹灰优化研究奠定了坚实的基础。