CMAC是一种具有线性结构、算法简单的局部化设计网络。将CMAC网络应用到具体非线性系统的预测控制研究中。对一类CSTR系统的仿真结果表明，该预测控制策略响应快且容易实现，具有较强的鲁棒性，对于改善非线性预测控制性能不失为一种有益的尝试。

实验基于NS-3仿真平台，通过多种网络模型建模的设计，使学生掌握信息网络的Ad hoc拓扑建模、移动性建模、信道建模、协议层建模等方法。另外，本实验借助Netanim实现仿真网络的可视化，旨在直观地学习和掌握网络的结构和变化过程，以更好地理解信息网络建模与仿真的过程。对于仿真结果，可以采用stats或者trace文件进行结果分析和统计。最终，用可视化工具呈现仿真过程以及图形化表征统计结果。

摘要：现有的传播网络结构假定方法大都针对信息传播过程，所能处理的数据与获取的流行病监控数据形式和特性均不相同，不适合处理具有粗粒度，时空多尺度和数据缺失等特性的流行病监控数据。针对该问题，提出了基于自治计算的流行病传播网络建模方法和网络结构示意图方法。该方法采用多自治体建模传播网络结构和流行病传播过程，采用蒙特卡罗模拟结合群智能优化的反馈过程调节系统参数，以缩小模拟系统涌入为与真实监控数据间差异为目标，改变自治体的行为，转化模拟系统向真实系统逐步演进，由此方式替代出传播网络结构及与流行病相关的主要生物学参数。采用2009年H1N1猪流感在香港爆发的真实监控数据分析验证了所提出的模型与方法的有效和适用情况，并以香港地区流行病风险评估为例介绍了流行病传播网络初步的一种应用模式。

针对已有神经网络功放建模的建模精度不高,易陷入局部极值等问题,提出一种新的改进并行粒子群算法(Improved Parallel Particle Swarm Optimization,IPPSO)。该算法在并行粒子群算法的基础上引入自适应变异操作,防止陷入局部最优;在微粒的速度项中加入整体微粒群的全局最优位置,动态调节学习因子与线性递减惯性权重,加快微粒收敛。将该改进算法用于优化RBF神经网络参数,并用优化的网络对非线性功放进行建模仿真。结果表明,该算法能有效减小建模误差,且均方根误差提高19.08%,进一步提高了神经网络功放建模精度。

研究了贝叶斯神经网络的建模预测问题,通过融入模型参数的先验知识,在给定数据样本 及模型假设下进行后验概率的贝叶斯推理

基于OPNET的Ad+Hoc网络建模与仿真

随着无线通信技术的快速发展，宽带无线接入技术作为其中的重要组成部分有着广泛的应用前景和巨大的发展潜力。微波全球互联接入（WiMAX）是一种定位于无线城域网的宽带无线接入技术，该技术以IEEE 802.16系列宽频无线标准为基础，可以为用户提供范围更广、速率更高的宽带无线接入。本文主要利用OPNET仿真软件对基于IEEE 802.16e协议的移动WiMax网络进行了性能仿真，比较了在不同的移动速率下，移动WiMax网络的网络时延、吞吐量、误码率、无线信道的信噪比的的差异，从而为WiMax网络优化提供了可靠的依据。

Python_深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案

为了改善功放系统的非线性特性,采用了基带数字预失真技术,其中功放系统的建模是其关 键技术.由于功放系统是一个复杂的带记忆效应的非线性时变系统,为了能够实现实时校正,采用 级联相关算法进行在线神经网络建模.首先选用残差相关性判别方法来确定神经网络功放模型的 结构和初始参数,然后使用带遗忘因子的递推最小二乘法对神经网络模型参数进行在线自适应调 整.对实测数据的验证表明,建立的神经网络模型完全能达到给定的性能指标要求.

众所周知中文普通话被众多的地区口音强烈地影响着,然而带不同口音的普通话语音数据却十分缺乏。因此,普通话语音识别的一个重要目标是恰当地模拟口音带来的声学变化。文章给出了隐式和显式地使用口音信息的一系列基于深度神经网络的声学模型技术的研究。与此同时,包括混合条件训练,多口音决策树状态绑定,深度神经网络级联和多级自适应网络级联隐马尔可夫模型建模等的多口音建模方法在本文中被组合和比较。一个能显式地利用口音信息的改进多级自适应网络级联隐马尔可夫模型系统被提出,并应用于一个由四个地区口音组成的、数据缺乏的带口音普通话语音识别任务中。在经过序列区分性训练和自适应后,通过绝对上0.8%到1.5%(相对上6%到9%)的字错误率下降,该系统显著地优于基线的口音独立深度神经网络级联系统。