基于短记忆原理的分数阶系统时域子空间辨识

针对多变量分数阶系统提出一种基于短记忆原理的时域子空间辨识算法,该算法能够有效辨识多变量分数阶系统的系数矩阵和分数阶微分阶次.利用Poisson矩函数对输入输出信号进行滤波预处理,构造了子空间方法的输入输出矩阵,通过代价函数将分数阶微分阶次辨识转化为参数寻优问题,利用分数阶微分的短记忆原理,将分数阶微分阶次和输入输出数据矩阵进行分离,避免了输入输出信号的分数阶微分计算过程.数值仿真对算法的有效性进行了验证.

形状记忆高分子材料的研究

形状记忆高分子材料(SMMs)以其优异的性能成为了工业、农业、国防和科技等领域的重要材料。其中热致、电致、光致以及化学感应型四种形状记忆高分子材料(SMPs)是目前研究最广泛的,本文重点介绍了热致感应型和化学感应型的记忆原理。

基于Grüwald-Letnikov定义的分数导数数值算法(英文)

基于Grüwald-Letnikov定义提出几种分数导数的数值算法,同时给出算法的时间复杂性,证明了一个有用的递推关系,分析运用了短暂记忆原理.数值实例表明算法有效.

基于GASVM算法的通信网络入侵信号自动识别技术

针对当前通信系统入侵行为自动识别技术存在入侵信号样本识别成功率较低、误识别率和漏识别率较高的问题,提出基于GASVM算法的通信网络入侵信号自动识别技术。利用混沌原理提取通信网络入侵的非平稳信号时域特征,并凭借自回归模型提取对应频域特征,捕捉邻域入侵信号间的非线性时空动作频率,评价相邻行为间的状态关联性,预测入侵信号后续行为,完成入侵信号的识别。实验表明,所提方法识别精度高、误识别率较低,漏识别率非常低,具有可应用于实际的理论价值。

基于Grünwald-Letnikov定义改进的短记忆原理方法

提出一种改进的短记忆原理方法,即将传统的短记忆原理(short memory principle,SMP)对时间的截断替换为对二项式系数的截断,然后有限数量的二项式系数反复应用于不断倍增的步长,直至覆盖所有先前的时间点。该方法的目的是用小步长保证计算精度,同时用逐渐增大的步长减少计算量。采用带有分数阶阻尼的受迫振动、分数阶非线性Duffing方程和分数阶Lorenz混沌系统为算例说明了该方法的准确性和有效性。

面向控制的分数阶微分模型的快速数值计算

求解分数阶控制系统的关键在于如何快速精确地计算分数阶微分.针对短记忆法和变步长记忆法的计算精度和计算复杂性顾此失彼的矛盾,本文提出了一种恒权重记忆法,它不舍弃历史数据,而是采用常值权重后全部记忆.在每个后继的采样周期,只需把新的数据简单叠加到历史数据上来考虑,从而极大地提高了计算精度和降低了计算复杂性,且有效地化解了两者之间的矛盾.数值结果表明恒权重记忆法在分数阶控制系统设计中的可行性和优越性.

分数阶PI^λD^μ控制器的设计

提出了一种分数阶控制器的设计方法,首先对S传递函数进行相应的Z变换,然后根据最短记忆法[1]用Grünwald Letnicov分数导数定义取其近似项,来完成分数阶控制器的设计.仿真结果证明这种方法是可行有效性的.

基于LSTM的动态网络异常行为检测方法

针对传统动态网络异常行为检测方法对不同种类的入侵行为检测率低、检测速度慢的问题,提出一种基于长短时记忆模型(LSTM)的异常行为检测方法。该方法首先通过对动态网络结构的变化特征进行分析,总结出图结构距离特征,用来表示动态网络的变化趋势;其次,使用增量并行式算法(DPADS)通过最小长度原理(MDL)压缩图结构,并计算图结构之间的差异度,以减少内存消耗,提高检测效率;最后使用LSTM算法对数据集进行训练,完成异常行为检测。通过使用IDS2018数据集进行仿真实验,验证方法的有效性。实验结果表明,基于LSTM的动态网络异常行为检测方法与其他传统的异常检测方法相比,准确率提高了7%,召回率提高了5%以上,检测效果良好。

基于CEEMDAN的人工蜂群算法优化LSTM深度网络的西江溶解氧预测

为提高溶解氧含量预测的精度,提出一种基于添加自适应白噪声的完备集成经验模态分解法(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和人工蜂群算法(Artificial Bee Colony,ABC)改进长短时记忆网络(Long Short-term Memory,LSTM)的水质溶解氧组合预测模型.首先,运用CEEMDAN算法将溶解氧含量序列分成若干个不同固有模态分量和趋势分量;之后,运用R/S类分析法计算不同固有模态分量和趋势分量的Hurst指数H,并根据H的大小将不同固有模态分量和趋势分量重构成微尺度、中尺度和宏尺度分量;最后,针对三种尺度分量分别运用ABC-LSTM模型进行预测并线性加权重构获得溶解氧最终预测值.该模型以西江中山横栏水质监测站点数据采集系统为研究对象,试验结果表明,本文模型可以有效提高西江溶解氧预测精度,预测精度高达1.6978%,较LSTM、支持向量机(Support Vector Machine,SVM)、ABC-SVM和人工蜂群算法优化前馈神经网络(Back Propagation Neutral Network,BPNN)ABC-BPNN分别提高1.2867%、2.7544%、2.3756%和2.4448%,从而说明本文模型较传统模型精度上有明显提高,具有更强的预测性能和泛化能力、误差更低,为西江水质监测管理和维护提供科学决策的依据.

基于CEEMDAN-ABC-LSTM组合模型的短时交通流预测

为了提高短时交通流预测精度,提出了基于自适应噪声完全集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和人工蜂群算法(Artificial Bee Colony,ABC)优化长短时记忆(Long Short-Term Memory,LSTM)神经网络的短时交通流预测方法。首先将非平稳、非线性的交通流数据利用CEEMDAN算法分解成相对平稳的多个固有模态分量和趋势分量;然后用人工蜂群算法对LSTM的参数进行寻优选择,将分解后的每个模态分量分别建立CEEMDAN-ABC-LSTM模型进行预测,最后叠加每个分量的预测值输出最终的预测结果。用感应线圈实测数据对构建模型进行验证分析,实验结果表明:模型具有较高的预测性能,其平均预测精度较LSTM,ABC-SVM和ABC-BPNN模型分别提升了19.8%,25.6%和38.7%。