基于在线LS-SVM的α阶逆控制

提出基于最小二乘支持向量机在线算法的α阶逆控制方法．引入系统控制误差不敏感函数,在控制误差大于不敏感函数时,利用增量一剪枝学习算法,对已建立的离线逆控制器实施在线学习,以增强控制系统的鲁棒性．仿真结果表明：在系统没有受到噪声干扰时,在线逆控制器可以很好地使被控对象跟踪参考输入信号;在系统受到噪声干扰时,在线逆控制器比离线逆控制器具有更强的鲁棒性．     

决策树剪枝方法的比较

为在决策树剪枝中正确选择剪枝方法，基于理论分析和算例详细地比较了当前主要的4种剪枝方法的计算复杂性、剪枝方式、误差估计和理论基础．与PEP相比，MEP产生的树精度较小且树较大；REP是最简单的剪枝方法之一，但需要独立剪枝集；在同样精度情况下，CCP比REP产生的树小．如果训练数据集丰富，可以选择REP，如果训练数据集较少且剪枝精度要求较高，则可以选用PEP．     

基于模型剪枝的物联网识别方法研究

在物联网应用中,各深度学习模型对数据采集、处理和传输的效率将直接影响物联网设备的应用性能。为了提高效率,本文提出一种针对卷积神经网络模型剪枝方法,以减少模型复杂度,降低计算和存储需求,同时保持模型较高的识别精度。采用一种基于全局重要性剪枝的策略,通过对整个网络进行重要性评估,去除一些对输出结果影响较小的参数和神经元。同时,为了保持模型的识别精度,在剪枝后对模型进行重新训练,以降低剪枝对模型精度的影响。通过与其他未剪枝模型性能对比,验证剪枝技术对模型准确率的影响具有可控性。     

气流剪枝机的实验研究

介绍了气体射流的关键零部件——喷嘴的结构设计，并对其进行了试验。试验结果表明，气体射流技术应用于园林剪枝车上具有可行性。     

基于GGAP-RBF神经网络的多参数纯电动客车蓄电池荷电状态预测

为了准确预测纯电动客车蓄电池的荷电状态(SOC),提出了基于广义生长剪枝径向基函数(GGAP-RBF)神经网络的多参数纯电动客车蓄电池SOC预测模型.首先以蓄电池端电压、放电电流、环境温度和循环次数作为神经网络输入参数建立GGAP-RBF神经网络蓄电池SOC预测模型,然后以不同放电倍率、环境温度和循环次数的蓄电池放电试验数据作为样本对模型进行训练,并建立了蓄电池仿真模型和纯电动客车整车仿真模型,最后进行了城市道路循环行驶工况(UDDS工况)下单体蓄电池放电试验和纯电动客车40 km · h-1等速行驶续驶里程试验研究.结果表明:UDDS工况下,SOC预测值与试验值的均方根误差为0.026 4,平均绝对误差为0.020 6;纯电动客车40 km· h-1等速行驶工况下,SOC预测值与试验值的均方根误差为0.039 9,平均绝对误差为0.031 3;表明所建立的蓄电池SOC预测模型在各种工况下均能精确预测蓄电池SOC.