
This article investigates the issue of adaptive fixed-time control for stochastic nonlinear systems with unknown covariance noise. First, we derive a significant corollary regarding fixed-time stability in stochastic nonlinear systems. This corollary provides the minimum bound for the settling time, which is a crucial parameter in assessing the system’s performance and stability. The adaptive control strategy is used to compensate the detrimental effect caused by unknown covariance noise. Then, in order to ensure the fixed-time stability of the closed-loop system, an adaptive state-feedback controller is constructed by utilizing backstepping method and the adding a power integrator technique. Moreover, the settling time estimate provided by the proposed control law is less conservative, meaning it allows for a more accurate prediction of the actual settling time compared to more traditional approaches. Finally, the simulation results are presented to verify the correctness of our theoretical results proposed in this paper.
针对增程式电动汽车馈电状态下增程器燃油消耗较高,动力电池寿命衰减较大等问题,提出一种基于遗传算法的能量管理策略多目标优化方法.在选择增程器四点控制策略的基础上,以减少等效燃油消耗及提高电池循环使用寿命作为优化目标,采用遗传算法进行多目标优化.分别采用Simulink、Cruise搭建控制策略模型和整车模型,进行NEDC工况和复合工况下的联合仿真.仿真结果表明,该文提出的控制策略鲁棒性较强,在电量保持模式下,优化后百公里等效油耗分别减少13.2%和 8.8%、流经电池能量减少 8.9%和 5%,有助于提高电池循环使用寿命.
为了提高网络入侵检测准确度,采用深度置信网络(Deep belief networks,DBN)算法用于入侵检测,同时借助菌群优化(Bacterial foraging optimization,BFO)算法求解最佳DBN参数.首先,建立 DBN 网络入侵检测模型,初始化深度置信网络中受限玻尔兹曼机(Restricted Boltzmann machine,RBM)层的核心参数.接着,以RBM的权重和偏置构建菌群.以DBN检出的攻击数量和实际攻击数量差值作为BFO的适应度函数.其次,通过驱化、繁衍和迁徙操作不断更新适应度值来获得最优个体.最后,以最优个体所对应的权重和偏置进行DBN的网络入侵检测.实验结果表明,合理设置菌群算法的引力和斥力系数、迁徙概率阈值等参数,BFO-DBN算法能够获得较高的网络入侵检测性能.相比于其他深度学习检测算法,BFO-DBN算法拥有更高的网络入侵检测准确率和稳定性.
为提高慢性阻塞性肺疾病氧减状态的辨识性能,该文将注意力机制有效融入长短期记忆神经网络,提出了一种基于注意力机制的长短期记忆神经网络方法:首先,抽取每个待辨识状态点的四种有效鉴别特征,包括血脉氧饱和度指数、脉搏、血脉氧饱和度指数的窗口特征以及梯度特征;其次,在此特征表示的基础上,通过引入注意力机制,使用训练集来训练基于注意力机制的长短期记忆神经网络;最后,使用测试集来验证所训练模型的有效性.与多个经典机器学习算法的对比实验结果表明:所提出的基于注意力机制的长短期记忆神经网络方法的辨识模型能够准确识别氧减状态,全局性能指标曲线下面积达到了 0.853 1.所提方法对于慢性阻塞性肺疾病的准确诊断具有重要的参考价值.
该文提出一种集数据处理-量化-预测全环节融合的时序潜力评估方法.该方法数据处理部分采用三次样条插值法补充缺失值;数据量化采用基于K-means和深度神经网络(Deep neural networks,DNN)相结合的聚类模型,相对于以往的单层聚类具有更高的聚类效果;数据预测部分采用融合变分模态分解(Variational modal decomposition,VMD)和优化时间卷积网络(Temporal convolutional network,TCN)优点的综合预测方法,预测效果更好.首先,充分提取用户在不同时间序列下各类影响工业用户潜力的特征,提出考虑负荷综合特性的可调节潜力指标体系.其次,为实现对工业负荷潜力的量化分析,该文提出基于K-means-DNN的多层反馈聚合模型.再次,基于多层反馈聚合分析结果,采用基于VMD-TCN潜力分析方法对工业负荷进行潜力分析.最后,以某地区的实际工业用户负荷数据为例,呈现了工业用户负荷时序可调节潜力分析结果.