摘要：针对径向基函数(RBF)神经网络的结构设计及参数优化问题,提出一种自适应量子粒子群优化(AQPSO)算法.将RBF神经网络的网络规模及参数映射到粒子的空间位置,定义权值平均最优位置,从而对量子粒子群优化(QPSO)中L_(i,j)(t)进行评价,设计随粒子进化而自动调整的收缩-扩张系数β及网络规模调整规则,实现RBF神经网络结构和参数的自组织学习,提高网络的学习能力.通过非线性系统辨识以及短时交通流量预测验证所提出方法的有效性.实验研究表明,基于AQPSO的RBF神经网络自组织学习算法不仅能够获得较好的学习性能,而且其网络结构也较为紧凑.

摘要：针对稀土萃取过程出口产品的组分含量可以在一定区间范围浮动的要求,提出了一种基于广义预测控制的稀土萃取过程组分含量区间控制方法。首先基于萃取分离过程数据辨识建立组分含量回声状态神经网络(echo state network,ESN)模型;然后针对稀土萃取过程中不同运行工况,采用改进的广义预测控制算法设计组分含量预测控制器,将系统的输出约束纳入求解控制律的优化问题中,使预测控制针对组分含量输出在不同的区域范围采用不同的控制强度,从而实现区间控制同时保证两端出口产品的纯度,最后基于Ce Pr/Nd(铈镨/钕)萃取过程数据的仿真试验验证了该方法的有效性。

摘要：稀土萃取过程机理复杂,存在非线性、强耦合以及大滞后等特点,依据传统机理分析方法不能实现精确的萃取流程模拟.对此,本文提出一种多分支残差深层网络(MB-RDN)用于稀土萃取工艺流程模拟.首先,针对多级萃取槽串接而成的稀土萃取流程提出具有多分支结构的深层神经网络,该网络可以通过不同的分支出口计算每级萃取槽的组分含量;其次,为了有效缓解深层网络的梯度消失问题,在分支中引入残差结构和特征短接操作,并设计出一种多特征融合机制.所设计网络可以有效地学习原始特征、深层特征和分支间耦合特征以提升预测精度.最后的仿真结果表明了所提方法的有效性.

摘要：中低速磁浮列车线路坡度起伏大,运行环境复杂,为改善其运行优化效果,提出一种基于改进蜣螂优化算法的中低速磁浮运行优化方法。首先,针对线路特点提出“多次惰行”的操纵策略;其次,构建一种考虑准时性、节能性和舒适度的中低速磁浮列车运行优化模型;然后,运用Cubic混沌映射和反向学习策略对蜣螂优化算法进行种群初始化,同时设计线性自适应种群分配比提升算法收敛速度;最后,利用基准测试函数与传统智能优化算法进行对比测试,并基于某磁浮线路进行实例仿真。实验结果表明:改进的算法不仅在求解复杂函数上有良好寻优性能,同时实例仿真中各项性能指标均有效提升,具有较好的参考意义和实用价值。

摘要：城市综合管廊通风系统是保证管廊安全运行的关键,针对该通风系统具有高噪声、多变量、非线性、时变滞后性等特点,采用模糊推理的PID控制算法改善了通风系统的性能。利用卡尔曼滤波多传感器信息融合技术对采集数据进行滤波处理,在此基础上运用模糊参数自整定控制算法对PID参数进行调节,以实现对通风量的智能控制。仿真实验结果表明,该控制算法的响应速度、稳态精度和超调量远远优于常规PID控制,为管廊的安全、稳定、高效运行提供了可靠保障。

摘要：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.

摘要：针对稀土离子具有特征颜色的镨/钕(Pr/Nd)萃取分离过程,设计并制作Pr/Nd混合溶液视频图像采集系统。基于视频图像的HSI颜色模型描述,分析样品池形状、光源类型和混合溶液浓度等因素对视频图像颜色特征的影响,确定最佳拍摄条件采集混合溶液视频图像,图像预处理后提取其颜色特征分量H和S作为模型输入。采用BP神经网络建立颜色特征分量与Nd元素组分含量的关系模型,实现对混合溶液中单一元素组分含量的检测。试验结果表明,该方法具有较高的检测精度,可为Pr/Nd萃取分离过程工艺参数调节提供实时、可靠的信息。

摘要：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。

摘要：考虑稀土萃取过程具有多变量、强耦合特性,提出一种基于广义预测解耦控制(GPDC)的稀土萃取过程控制方法。首先针对模型未知的强非线性稀土萃取过程,构建基于极限学习机的组分含量系统模型,并依据模型特点设计多个稀土萃取过程GPDC控制器;然后为降低各控制回路间的耦合性,在控制器的性能指标中引入校正策略,通过回路中模型预测值与参考值的偏差自适应调整偏差权重;最后基于CePr/Nd萃取过程中采集的数据进行GPDC与常规广义预测控制器进行对比仿真实验。仿真结果显示本文采用的GPDC算法能大幅度降低控制量的超调量,控制效果显著,这为解决稀土萃取过程中多变量强耦合的优化控制问题提供了借鉴。

摘要：对大数据中心的数据备份策略及设计进行了详细的阐述,提出了两种大数据中心的数据备份的解决方案。