【摘 要】
：
由于传统方法没有对模型噪声实现有效处理,导致辨识精度与辨识速度较低,为此提出基于调制函数法的动力学系统参数辨识算法.对模型噪声进行表示与替换,通过调制函数法构造辨识模型,通过递推算法对辨识模型进行处理以实现噪声的处理.为构造出与动力学系统模型相一致的参数辨识模型,以动力学系统模型为基础对参数辨识模型的神经网络拓扑结构进行构造.由于动力学系统存在输出误差,需要对参数辨识模型的权值调整算法进行设置,最终完成对动力学系统的参数辨识.在仿真实验中,利用设计算法对某伺服系统进行参数辨识,辨识的参数包括阻尼、刚度、惯
论文部分内容阅读
由于传统方法没有对模型噪声实现有效处理,导致辨识精度与辨识速度较低,为此提出基于调制函数法的动力学系统参数辨识算法.对模型噪声进行表示与替换,通过调制函数法构造辨识模型,通过递推算法对辨识模型进行处理以实现噪声的处理.为构造出与动力学系统模型相一致的参数辨识模型,以动力学系统模型为基础对参数辨识模型的神经网络拓扑结构进行构造.由于动力学系统存在输出误差,需要对参数辨识模型的权值调整算法进行设置,最终完成对动力学系统的参数辨识.在仿真实验中,利用设计算法对某伺服系统进行参数辨识,辨识的参数包括阻尼、刚度、惯性、死区四种物理参数.实验结果表明该算法实现了辨识误差的降低与辨识时间的缩短,使辨识精度与辨识速度得到了大幅提升.
其他文献
构建综采工作面半实物仿真系统要求建立液压支架模型,所以必须对其进行动力学研究.对机构进行运动学分析,基于闭环矢量法建立了液压支架运动的闭环矢量方程组,推导出了各运动构件质心在坐标系XOY下的表达式,将闭环矢量方程组与各构件质心坐标表达式对时间求二阶微分得系统运动的加速度方程组.对机构进行动力学分析,推导并建立了系统的牛顿-欧拉方程组.加速度方程组与牛顿-欧拉方程组共同构成了系统的动力学模型,基于该动力学模型,在matlab/sim-ulink中对液压支架升架、降架过程加速度及姿态变化进行了仿真分析,将仿真
蚁狮算法作为一种新型的群智能仿生算法,由于其参数设置少,寻优精度高等特点,已被广泛的用于求解各种优化问题,但其关键参数值的设置没有理论指导,盲目设置往往会对算法本身性能造成显著影响.以经典统计学中的单因素方差分析为基础,设计了蚁狮算法的参数对收敛性能影响的效能实验,对算法的种群规模P、步长浮动因子γ、陷阱浮动因子β设置不同的参数水平,通过统计分析得出参数水平对蚁狮算法收敛速度和收敛精度等性能影响的一般规律,获得稳健和高效的优化效果.
通常云计算中需要处理大量的任务,云任务调度策略在云计算效率方面起着重要的作用,并且是一个热点研究方向.现提出一种基于烟花算法的任务调度算法.算法以任务完成时间和完成成本为优化目标.根据爆炸火花,适应度值较大的烟花产生较多的火花,反之,产生较少的火花,实现算法的局部和全局搜索;根据高斯变异火花,增加了种群的多样性,有利于将好的个体传递到下一代烟花种群中.最后,通过CloudSim平台进行仿真,在任务完成时间和成本指标下,将所提算法与GA、PSO和TCGA作对比,结果表明,所提算法有效缩短了云任务的完成时间,
针对目前算法对跨域虚拟化网络进行多层映射时,由于未能利用TOPSIS(逼近理想解排序法)计算网络中虚拟节点的映射优先级,导致该算法在映射时无法有效检测出网络路径的衰减曲线,存在映射的精准度低、映射成本高的问题,提出基于拓扑感知的跨域虚拟化网络多层映射算法.该算法首先对网络中的节点属性进行分析,基于分析结果对网络中的节点映射优先级进行计算;再结合网络的拓扑感知结构构建面向跨域虚拟化网络的多层映射算法;最后利用该算法构建一个网络节点评价模型并对其进行求解,从而实现对跨域虚拟化网络的多层映射.实验结果表明,该算
采用目前算法对物联网传感器节点进行故障标定时,没有对节点信息进行聚类处理,导致算法存在虚警率高、计算复杂度高和标记范围小的问题.提出基于BDPCA聚类的物联网传感器节点故障标记算法,采用BDPCA聚类方法对物联网传感器节点信息进行聚类处理,并在聚类过程中对节点信息进行了零均值归一化处理.结合区分函数和区分矩阵在粗糙集理论的基础上对不同类别的节点信息进行知识约简处理,并通过贝叶斯决策理论实现物联网传感器节点的故障标记.实验结果表明,所提算法的虚警率低、计算复杂度低、标记范围广.
针对聚类算法处理海量数据所存在的不足,提出基于Spark的K-means快速聚类算法的优化.使用形态学相似距离代替欧氏距离作为相似度测量标准来提高聚类准确率;通过最大距离(Max-distince)准则改进因初始聚类中心选取不当而造成的局部最优问题;为减少迭代过程中的冗余计算,利用数据集中点的位置信息与聚类质心的位置关系建立网格结构.综合肘部法则绘制误差平方和SSE-K的关系图确定K值,并在Spark实现SMGK-means(SparkMaxGridK-means)聚类算法.通过实验表明,SMGK-mea
针对6LoWPAN网络中移动集群在切换过程中存在的切换延迟高、计算开销大的问题,提出一种边缘认证切换方法,以支持资源受限节点的安全切换.提出的方法在初始化阶段执行完全身份验证,在切换之前将切换密钥预分配给集群节点和关联节点.上述方法实现了在关联节点上执行移动集群的认证切换,并且仅使用轻量级加密算法.安全性分析和仿真结果表明,所提方法满足安全要求,并有效减少了通信延迟和计算开销,从而降低了切换延迟,实现了集群的快速安全切换.
由于当前已有模型未能对加权复杂网络数据进行去噪处理,导致网络聚类结果和聚类质量不理想,聚类实际运行时间上升.提出一种基于空间关联性的加权复杂网络聚类模型,通过法向张量投票技术组建投影时的局部坐标系,获取网络编码局部几何结构,利用邻居节点间感知数据的空间关联性过滤噪声数据,同时使用坐标更新算法调整噪声点位置,实现复杂网络数据去噪.加权复杂网络将数据从输入空间非线性映射到特征空间,获取网络的特征向量,同时使用谱聚类算法构建加权复杂网络聚类模型,通过随机梯度下降法对模型进行优化实现网络聚类.仿真实验结果表明,所
由于不能合理协调网络运行资源,导致通信拥挤、安全性能下降,为此,提出基于逻辑分区的云虚拟机负载均衡优化算法.采用逻辑分区方式划分各分区虚拟机负载情况与业务形式,并以平均任务完成时长当作优化目标,搭建资源调度数学模型,根据虚拟机配置数组情况把多维资源协调问题变换成单维协调问题;利用遗传算法对单维虚拟机资源编码与解码,生成新的资源,运用基因突变原理自适应调节资源,完成负载均衡优化.实验结果表明,所提算法负载均衡效果较好,资源调度时间最短,并具有良好的收敛性.
为有效挖掘所需的多维关联数据,及时获取多维关联数据中的可用信息,结合概率统计理念,构建出多维关联数据动态挖掘方法.基于核密度估计的非参数概率密度预估形式,结合实际的数据分布先验知识,设计半参数化概率密度预估模型.根据制定的参数设置原则,合理设置模型参数,利用改进的遗传优化算法,提取出多维关联数据间关联规则.将滑动窗口设定成动态采集窗口,利用界定规则动态采集数据,令连续两个窗口部分重合,反复求解叠加区域的边界数据,实现数据动态处理,依据时间门限值,采用K标号方法动态控制、挖掘目标数据.仿真阶段,以道路交通事