基于NG-RC电机系统的混沌预测

基于下一代储备池计算实现电机系统混沌预测，并能够基于已有数据预测未知变量数据。与传统储备池计算相比，下一代储备池计算所采用数据本身直接连接，需要的训练数据集更小。并且下一代储备池计算通过高维转换避免了传统储备池网络复杂的参数优化计算，使得计算速度实现大幅提升。这一研究结果为电机系统混沌预测提供一种研究思路。     

基于时延光子储备池计算的混沌激光短期预测

提出并证明了一种利用时延光子储备池计算短期预测混沌激光的时间序列.具体来说,建立基于光反馈和光注入半导体激光器的储备池结构,通过选择合适的系统参数,时延光子储备池计算可以有效地预测混沌激光约2 ns的动态轨迹.此外,研究了系统参数对预测结果的影响,包括掩模类型、虚拟节点数、训练数据长度、输入增益、反馈强度、注入强度、岭参数和泄漏率.作为一种具有全光实现潜力的机器学习方法,时延光子储备池具有结构简单、训练成本低、易于硬件实现等优点.     

含噪混沌时间序列预测误差分析

对于含噪混沌时间序列预测问题, 传统方法存在较大的经验性, 对预测误差的构成分析不足, 因而忽略了混沌动态重建与预测模型建立之间的差异性. 本文将实际预测误差分解为预测器偏差和输入扰动误差, 并对整体最小二乘和正则化两种全局预测方法进行分析比较, 进而说明整体最小二乘适用于混沌动态的重建, 对预测器偏差影响较大, 而正则化方法能够改善预测器敏感性, 对输入扰动误差影响较大. 通过两个仿真实例, 展示了混沌动态重建与预测模型建立之间的差异, 在对比最小二乘和正则化方法的同时验证了实际预测误差受预测器偏差和输入扰动误差共同作用. 并指出, 在实际操作时应在二者间寻求平衡, 以便使模型预测精度达到最优. 关键词： 混沌时间序列预测 噪声 整体最小二乘 正则化     

带时延与丢包的网络化多智能体系统控制器设计

网络时延与数据丢包极大地降低了网络化多智能体系统的控制性能,甚至会破坏稳定性.考虑存在网络时延与数据丢包的网络化多智能体系统,提出了一种基于时延与丢包补偿机制的预测控制器设计方法,来主动地消除网络时延与数据丢包的影响.通过对网络化多智能体预测控制系统的分析,给出了能够保证系统稳定性与一致性的控制器设计步骤.最后的仿真实例表明了该方法的有效性.     

双时间步方法的应用分析

对双时间步方法隐式迭代的稳定性、启动问题、子迭代初值和收敛性准则进行分析.一般认为,双时间步的真实时间步长是基于精度,而不是稳定性的基础上给定,因此真实时间步长可以取得很大,但对VonNeumann稳定性分析表明,对于子迭代采用隐式的算法,稳定性的要求对真实时间步有限制.并通过对Sod激波管问题的计算,验证该分析.     

一种基于误差补偿的多元混沌时间序列混合预测模型

针对多元混沌时间序列的预测问题, 考虑到单纯改进储备池算法无法明显地提高预测精度, 提出一种基于误差补偿的时间序列混合预测模型. 实际观测的数据既包含线性特征又包含非线性特征. 首先利用自回归移动平均模型预测线性特征, 使得残差数据仅含非线性特征; 然后, 建立正则化回声状态网络模型预测; 最后, 将非线性部分的预测值与线性部分的预测值相加, 以实现高精度的多元混沌时间序列预测. 基于Lorenz和太阳黑子-黄河径流量时间序列的仿真实验验证了本文所提模型的有效性. 关键词： 回声状态网络 混沌 多元时间序列预测 误差补偿     

对有电磁作用时的牛顿第三定律的讨论

在电磁学中经常可以看到这样一个例子，两个稳恒电流元I1dl1和I2dl2之间的作用力并不符合牛顿第三定律。对该问题的解释往往是：稳恒电流元不可能单独存在，稳恒电流总是形成闭合回路，可以证明两个载有稳恒电流的闭合回路之间的相互作用是符合作用反作用定律的。那么电流随时间变化的两个闭合回路之间的相互作用是否符合作用反作用定律？     

混沌时间序列多步自适应预测方法

针对混沌时间序列局域自适应预测方法在多步预测中预测器系数无法调节的问题，根据混沌时间序列的短期可预测性及自适应算法的自适应跟踪混沌运动轨迹的特点，提出了混沌时间序列多步自适应预测方法.仿真结果表明，此方法的多步预测性能明显好于局域自适应预测方法的多步预测性能. 关键词： 多步自适应预测方法 局域自适应预测方法 混沌时间序列     

基于VCSEL的光储备池计算实验研究（特邀）

结合时延储备池计算和垂直腔面发射激光器,基于现有的光纤光学平台,对以1 550 nm波段垂直腔面发射激光器为非线性节点的时延光储备池计算系统进行了实验研究。结果表明,在该实验系统中可以分别成功地实现单个Santa-Fe混沌时间序列预测任务以及单个非线性信道均衡任务。基于垂直腔面发射激光器在特定参数条件下能实现双模共存,进一步在该系统中垂直腔面发射激光器的两个偏振模式中同时注入外部信号,成功地完成了Santa-Fe混沌时间序列预测和非线性信道均衡任务的并行处理,但是整体性能要弱于单任务处理性能;除此之外,并行任务的性能随着外光注入强度的增加而得到改善,其中注入强度比率大的一方性能更好。     

量子密钥分发系统中抗扰动偏振编码模式的实验研究

基于移动设备的自由空间量子密钥分发系统能够为实时全覆盖多节点网络提供有效的解决方案,然而该系统目前依旧存在着稳定性不足的问题,偏振编码器的抗扰动性在移动设备应用中非常重要.在扰动情况下保偏光纤的偏振保持特性将受到很大程度的影响,进而使得基于该特性的编码器的稳定性也随之受到影响.为解决扰动情况下偏振编码的稳定性问题,本文提出了一种双向差分调制模式,该种调制模式可以使基于双向回路的偏振编码器即使在扰动情况下依旧能够实现稳定编码.为此设计了双向差分调制的原理验证实验,实验在250 MHz的重复频率下进行,并使用200 Hz的振动来模拟实际扰动环境,在实验最后使用了商用雪崩型单光子探测器进行了持续2 h的测试,得到了在扰动情况下系统的平均量子比特误码率为0.36%,误码率波动范围不超过0.2%.     

可拓神经网络模式识别对成品油的鉴别与测量

燃油存在“消耗量大”、“相对低质”、“前端缺少清洁”、“末端排放缺乏控制”四大问题, 我国的空气污染60%以上来自煤和油的燃烧,雾霾问题很大程度上取决于能源问题。快速准确地实现汽油、柴油、煤油等成品油的鉴别与测量,对于实施空气污染监测及治理具有重要意义。在精确地表征成品油种类信息的基础上,为了提高网络模型的识别效率,采用主成分分析方法将高维空间进行降维处理。对最常用的三维荧光光谱基于激发-发射矩阵(excitation-emission matrix, EEM)数据进行主成分分析以提取更精细、更深层的特征参量。分类过程中应用交叉验证的方法避免发生“过拟合”现象。设计鉴别和测量双重处理的神经网络,将神经网络模式识别结果反馈到浓度网络的输入端,与相对斜率、综合本底参数、相对荧光强度一起测量相应种类的浓度输出,利用可拓神经网络模式识别技术实现成品油的鉴别与测量。应用可拓神经网络方法实现成品油种类模式识别的平均识别率达到0.99,浓度平均回收率为0.95。模式识别平均耗时为2.5 s,仅为PARAFAC模型分析方法的48.5%。该方法显著提高了运算速度,且应用效果理想。需要指出的是,在分析诸如成品油、茶叶、农药等成分复杂的混合物时,应针对具体待测物制作相应的校正样本,用以确保分析的准确性与精度。     

基于WOA-ESN的电机系统混沌振荡预测

提出一种将鲸鱼优化算法(WOA)与回声状态网络算法(ESN)结合的WOA-ESN预测方法, 并将此方法应用到永磁同步电机(PMSM)的混沌振荡预测, 进行实验仿真并和其他预测算法比较, 证明所提出方法拥有更高的预测精度。     

Sequential reconstruction of driving-forces from nonlinear nonstationary dynamics

This paper describes a functional analysis-based method for the estimation of driving-forces from nonlinear dynamic systems. The driving-forces account for the perturbation inputs induced by the external environment or the secular variations in the internal variables of the system. The proposed algorithm is applicable to the problems for which there is too little or no prior knowledge to build a rigorous mathematical model of the unknown dynamics. We derive the estimator conditioned on the differentiability of the unknown system’s mapping, and smoothness of the driving-force. The proposed algorithm is an adaptive sequential realization of the blind prediction error method, where the basic idea is to predict the observables, and retrieve the driving-force from the prediction error. Our realization of this idea is embodied by predicting the observables one-step into the future using a bank of echo state networks (ESN) in an online fashion, and then extracting the raw estimates from the prediction error and smoothing these estimates in two adaptive filtering stages. The adaptive nature of the algorithm enables to retrieve both slowly and rapidly varying driving-forces accurately, which are illustrated by simulations. Logistic and Moran-Ricker maps are studied in controlled experiments, exemplifying chaotic state and stochastic measurement models. The algorithm is also applied to the estimation of a driving-force from another nonlinear dynamic system that is stochastic in both state and measurement equations. The results are judged by the posterior Cramer-Rao lower bounds. The method is finally put into test on a real-world application; extracting sun’s magnetic flux from the sunspot time series.     

基于EEMD-近似熵和储备池的风电功率混沌时间序列预测模型

针对风电功率时间序列的混沌特性,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-近似熵和回声状态网络(echo state network, ESN) 的风电功率混沌时间序列组合预测模型.首先为降低对风电功率局部分析的计算规模以及提高预测的准确性, 利用EEMD-近似熵将风电功率时间序列分解为一系列复杂度差异明显的风电子序列; 然后对各子序列分别建立ESN、经过高频分量正则化改进的EEMD-ESN模型和最小二乘支持向量机预测模型; 最后以某一风电场实际采集的数据为算例,仿真结果表明EEMD-ESN模型在训练速度和预测精度上优于最小二乘支持向量机模型,为实现风电功率短期预测的在线工程应用提供了新的有益参考. 关键词： 混沌时间序列 风电预测 集成经验模态分解 近似熵     

Detecting community structure in complex networks based on a measure of information discrepancy

Properties of complex networks, such as small-world property, power-law degree distribution, network transitivity, and network- community structure which seem to be common to many real-world networks have attracted great interest among researchers. In this study, global information of the networks is considered by defining the profile of any node based on the shortest paths between it and all the other nodes in the network; then a useful iterative procedure for community detection based on a measure of information discrepancy and the popular modular function Q is presented. The new iterative method does not need any prior knowledge about the community structure and can detect an appropriate number of communities, which can be hub communities or non-hub communities. The computational results of the method on real networks confirm its capability.     

基于平均场理论的微博传播网络模型

微博是在通过用户关注机制建立的用户网络上分享实时信息的社交平台,而微博消息主要通过用户的转发行为使消息在用户网络上传播.掌握微博消息的传播机制,对研究微博上舆论谣言的传播、产品推广等具有指导作用.本文通过对微博传播网络的结构分析来探索微博传播过程,利用新浪微博数据,建立微博传播网络,分析该网络的生成机制,使用平均场论的方法,推导微博传播网络的度分布模型.实验结果表明:微博传播网络的度分布是时间相依的,在特定时间下网络的度分布服从幂律分布.     

近红外“3R”法双谱自适应去噪

针对近红外透射和吸收双光谱提出一种自适应的去噪方法。同步采集样品的近红外透射谱和吸收谱,在相同分解原则下总体经验模态法分解两组光谱,得到单组分特征模态分量。计算特征模态分量与原透射谱、吸收谱之间相关性,以及两组特征模态分量之间相关性,相关性最小模态分量初判为噪声分量。分析该分量在光谱中点处自相关性,若中点处很大,其他点几乎为零或很小,可以判断该分量为噪声。这种基于模态分量相关性的噪声判别方法称为“3R”法则。剔除噪声分量,重构光谱信号,循环上述分解过程,直到不满足“3R”法则,降噪过程结束。构造理想光谱,叠加噪声,“3R”法降噪效果优于EMD和EEMD低通滤波器,略逊于小波分解。真实光谱实验中,经过上述方法降噪处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型,“3R”法处理模型具有最大校正相关系数和预测相关系数,最小校正标准差和预测标准差。在四种降噪方法中,“3R”法对光谱谱峰位置和峰高的影响最小。实验表明,“3R”双谱去噪方法无需预设迭代次数,不用考虑分解层数,没有基函数,是自适应的,该方法适合近红外光谱去噪。     

一种基于图像融合和卷积神经网络的相位恢复方法

相位恢复法利用光波传输中某一(或某些)截面上的光强分布来传感系统波前,其结构简单,不易受震动及环境干扰,被广泛应用于光学遥感和像差检测等领域.传统相位恢复法采用迭代计算,很难满足实时性要求,且在一定程度上依赖于迭代转换或迭代优化初值.为克服上述问题,本文提出了一种基于卷积神经网络的相位恢复方法,该方法采用基于小波变换的图像融合技术对焦面和离焦面图像进行融合处理,可在不损失图像信息的同时简化卷积神经网络的输入.网络模型训练完成后可依据输入的融合图像直接输出表征波前相位的4-9阶Zernike系数,且波前传感精度均方根(root-mean-square,RMS)可达0.015λ,λ=632.8 nm.研究了噪声、离焦量误差和图像采样分辨率等因素对波前传感精度的影响,验证了该方法对噪声具有一定鲁棒性,相对离焦量误差在7.5%内时,波前传感精度RMS仍可达0.05λ,且随着图像采样分辨率的提升,波前传感精度有所改善,但训练时间成本随之增加.此外,分析了实际应用中,当系统像差阶数与网络训练阶数略有差异时,本方法所能实现的传感精度,并给出了解决方案.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

Low-Frequency and d.c. Phenomena in Magnetic Resonance

A review is given of some low-frequency and d.c. magnetic resonance phenomena studied since 1970s up to date. The content includes: the enhanced longitudinal susceptibility effect (ELSE) based on the concept of the dipole–dipole reservoir in EPR; direct registration of NMR in rotating frames; modulation method of measuring extremely fast electron spin longitudinal relaxation; resonance magnetoresistance and resonance spin rectification (“spin dynamo”) in conducting ferromagnetic films. Physical mechanism of these effects, as well as applications in studying spin dynamics and relaxation in solids, including dynamic nuclear polarization, high-temperature superconductivity and properties of rare-earth manganites are considered.