_計算機應(yīng)用_2011年選題方向和重點組稿內(nèi)容.

1、擇了 400 個訓(xùn)練樣本對網(wǎng)絡(luò)訓(xùn)練，由于篇幅有限，列舉部分訓(xùn)練樣本如表 5 所 示，其中平穩(wěn)溫度狀態(tài) Ts、平穩(wěn)上升溫度狀態(tài) T r、突然上升溫度狀態(tài) Tsr、突然下降溫度狀態(tài) Tsd、突然上升后平穩(wěn)狀態(tài) T srs、突然下降后的平穩(wěn)狀態(tài) T sds。表 5 各個溫度狀態(tài)的典型樣本樣本序列溫度狀態(tài)輸入特征向量x k (t 1 x k (t 2 x k (t 3 x k (t 4 x k (t 5 x k (t 6 x k (t 7 x k (t 8仃 s 76. 377. 177. 578. 478. 578. 578. 878. 9 2T s75. 475. 276. 176. 176.27

2、7. 577. 778. 0 3T sds92. 364. 365. 866. 467.867. 969. 372. 4 4T r40. 746. 851. 959. 264.770. 673. 477. 75T r52. 558. 365. 777. 678. 978. 979. 380. 4 6T srs64. 380. 480. 680. 981. 381. 681. 481. 9 7T sr43. 258. 761. 665. 773. 978. 479. 681. 52 識別檢驗。網(wǎng)絡(luò)訓(xùn)練完成后，記住了各輸出神經(jīng)元節(jié)點與輸入神經(jīng) 元節(jié)點的聯(lián)接權(quán)重，建 立了基于時間的溫度測值序列與溫度

3、狀態(tài)相對應(yīng)的非線性映射關(guān)系。為驗證該模 型建立的有效性，利用 100 個未參加訓(xùn)練的樣本作為 “未知”樣本，運用該模型已 掌握的知識信息識別，按其輸出節(jié)點（即最大的內(nèi)積 值的節(jié)點的類別判別其待識 別樣本的類別，識別正確率 89%。表 6 所列舉的 3 個樣本是針對表 3 中右部測點 2 在 t 2 時刻一個周期可能會出現(xiàn)的樣本序列，利用 SOFM 對其識別結(jié)果。其中，樣本 1 預(yù)測是平穩(wěn)狀態(tài)，則需要報警，因其平穩(wěn)狀態(tài)是保持 t2時刻異常升高的溫度。樣本 2 識別結(jié)果是在突然下降后的平穩(wěn)狀態(tài)，t2時刻后一個周期內(nèi)溫度又回到突變 之前的狀態(tài)，即正常狀態(tài)，即不需要報警。 樣本 3 除個別點 外，保持

4、上升的趨勢，即異常變溫度之后的溫度繼續(xù)上升，因此也 需要報警。由此可見，引入 SOFM 對關(guān)鍵測點進行一段 時間的識別提高了溫度判 別的可靠性。表 6 待測樣本識別結(jié)果與實際相比較樣本序列輸入特征向量x k (t 1 x k (t 2 x k (t 3 x k (t 4 x k (t 5 x k (t 6 x k (t 7 x k (t 8預(yù)測狀態(tài)實際狀態(tài)191. 291. 891. 992. 092. 092. 192. 793. 2TsTs291. 267. 267. 267. 367. 267. 267. 567. 9T sds T sds391. 268. 569. 294. 382.

5、 596. 3100. 2104. 5T sr T sr 4 結(jié)語以牽引電機外殼多測點的溫度監(jiān)測為例，為減少因過多 測點帶來的繁瑣復(fù)雜性 引入 AHP 方法對各個測點進行動態(tài) 時刻選擇，挑選能反映當(dāng)前設(shè)備溫度的關(guān)鍵測 點,同時引入 T Kohonen 人工自組織神經(jīng)網(wǎng)絡(luò)對選擇的測點的溫度進行一段時間的跟蹤識與溫度判別，提高了識別的可靠性并能準(zhǔn)確地找到關(guān)鍵測點。本文的方 法中體現(xiàn)了 3 個比較新穎的方面。1 AHP 方法的成功引入，不是孤立地研究設(shè)備 的某一測點，而是設(shè)備外殼很多的測點及內(nèi)部相關(guān)測點。當(dāng)外殼某測點出現(xiàn)異?？梢躁P(guān)聯(lián)地判知是否是內(nèi)部相關(guān)測點的溫度變化而引起的，避免了孤立地研究一個測點

6、的信息單一化，增加了表達設(shè)備溫度狀態(tài)知識信息的豐富性。2 Kohonen 人工自組織輸入?yún)?shù)的確定，當(dāng)某測點某時 刻的溫度被 AHP 排序 選中，Kohonen 對此點的溫度進行一個 周期的跟蹤識別，而不是孤立地研究某時刻 的溫度值進行判別，提高了溫度狀態(tài)判別的可靠性。3 由于表達溫度狀態(tài)的溫度序列值的多樣性,利用了 Kohonen 人工自組織的優(yōu)點，將高維映射到低維，將相近或相似的溫度序列映射到二維空間相近或相同的區(qū) 域，保持了其拓樸結(jié)構(gòu)的不變性，同時也提高了分類能力。參考文獻：1 張甲敏，陳軍龍，鄒朝軍，等.溫度對密封鎘鎳蓄電池容量的影響J.電源技術(shù),2007, 31(3 :225-227

7、.2楊麗偉，張奕黃.異步牽引電機的溫度場分析J.防爆電機，2008, 43(2 :18-21.3張舟云，徐國卿，沈祥林牽引逆變器散熱系統(tǒng)的分析與設(shè)計J.同濟大學(xué)學(xué)報：自然科學(xué)版,2004, 32（6 :775 778.4于建國，葉慶 泰，呂晨亮地鐵用制動電阻彈性熱力耦合仿真分析J.計算機仿真，2004, 21（10 :167 169.5 ZHANG YAN，ZHANG HONG; ZHONG ZHENYU ，et al. Objec-tivelyevaluating environmental comprehensive quality by improved AHP methodC /The

8、 2ndIntern ati onal Conference on Bioi nfor-matics and BiomedicalEngineering. Washington，DC:IEEE Com-puter Society，2008:4645 4649.6高雋.人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例M .北京：機械工業(yè)出版 社，2003:146- 152.7- 劉新憲，朱道立.選擇與判斷AHP（層次分析法決策M .上海：上?？茖W(xué)普及出版社，1990:45 55.計算機應(yīng)用2011 年選題方向和重點組稿內(nèi)容網(wǎng)絡(luò)與通信物聯(lián)網(wǎng)技術(shù)（RFID 應(yīng)用、嵌入式技術(shù)、無線傳感網(wǎng)、通信技 術(shù)、互聯(lián)網(wǎng)體系結(jié)構(gòu)、網(wǎng)絡(luò)協(xié)

9、議、下一代網(wǎng)絡(luò)（未來網(wǎng)絡(luò)技術(shù)、社交網(wǎng)絡(luò)。信息安全密碼技術(shù)、數(shù)據(jù)安全、計算機病毒與防治、網(wǎng)絡(luò)安全、水印技 術(shù)。先進計算社會計算、云計算、海計算、綠色計算、粒計算、網(wǎng)格計算、普適計算、可信計算、可視計算、智能計算、移動計算、仿生計算、 生物醫(yī)學(xué)計算、分布式計算。人工智能機器學(xué)習(xí)、模式識別、智能感知、神 經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、自然語言處理、認(rèn)知科學(xué)、認(rèn)知技術(shù)。圖形圖像技術(shù)圖 形學(xué)、圖像處理、機器視覺、虛擬現(xiàn)實（虛擬仿真、建模技術(shù)、識別與合成 技術(shù)、虛擬平臺/應(yīng)用、交互技術(shù)、增強現(xiàn)實與視覺合成、人機交互。數(shù)據(jù) 庫技術(shù) XML 數(shù)據(jù)管理、數(shù)據(jù)倉庫、數(shù)據(jù)流管理、Web 數(shù)據(jù)庫、數(shù)據(jù)集成、 數(shù)據(jù)挖掘、特種數(shù)據(jù)庫、海量數(shù)據(jù)存儲與處理、語義 Web。774計算機軟件技術(shù) 操作系統(tǒng)、編譯系統(tǒng)、軟件開發(fā)環(huán) 境與開發(fā)技術(shù)、軟件工 程?，F(xiàn)代服務(wù)業(yè)信息技術(shù)電子商務(wù)、電子政務(wù)、數(shù)字金融、數(shù)字醫(yī)療、數(shù)字 教育、數(shù)字旅游、數(shù)字媒體、數(shù)字娛樂、現(xiàn)代物流。典型應(yīng)用計算機控制