在这项研究中，研究了具有参数不确定性和时变传输延迟的离散时间网络控制系统（NCS）的事件触发的保证成本控制问题。 首先，提出了一种离散NCS的事件触发方案。 然后采用时延系统的方法，建立了具有参数不确定性和状态时滞的事件触发控制系统的统一模型。 通过将Laypunov泛函方法与线性矩阵不等式（LMI）技术一起使用，为存在可接受的保证成本控制器建立了充分的条件，从而确保特定的二次成本函数具有所有可接受的不确定性的上限。 拟议的稳定性和稳定条件是在LMI的框架内制定的，可以通过使用现有的优化技术来有效地解决。 最后，通过数值算例和实际算例表明，在所提出的事件触发方案下，保留了在不损害闭环系统稳定性的前提下减少控制网络中通信流量的优点。

一种自适应学习率的卷积神经网络模型及应用

基于麦克风均匀线性阵列的声源定位

贪婪迁移机制的蚁群优化算法在无线传感器网络中的节点部署

据报道，公司在股票市场上的股票价格与公司交易所在国家的宏观经济变量 (MV) 密切相关。 出于这个原因，研究人员、市场交易员、金融分析师和预测人员为了检查 MV 与股票价格之间的关联进行了大量研究，使用时间序列统计分析方法，如自回归综合移动平均 (ARIMA)、自回归移动平均 (ARMA) ) 和广义自回归条件异方差性 (GARCH)。 然而，据报道这些技术受到有限的预测能力和限制性假设的影响。 此外，为了寻求弥补这些技术的不足和局限性的方法，一些研究人员研究了无数的机器学习技术，用于衡量股市趋势并使用宏观经济变量做出交易决策。 另一方面，这些研究中有较高比例关注股票指数预测，而忽略了影响不同行业指数的 MV 的多样性。 在解决上述问题时，本研究试图检验不同部门股票价格和 MV 之间的显着性程度，并使用随机森林 (RF) 和改进的留一法交叉验证预测 30 天的头部股票价格战术和长短期记忆循环神经网络 (LSTMRNN)。 与其他时间序列技术相比，对加纳证券交易所 (GSE) 所提出模型的实证分析显示出较高的预测精度和更好的平均绝对误差。 因此，可以从后果中推断出，所提出的 MV 股票市场预测提供了一种有效的方法来自动识别和提取影响不同部门股票的 MV，并提供对股票未来价格的准确预测。

摘要：内核极限学习机（KELM）通过将低维空间中的线性不可分离数据转换为线性可分离的数据，从而增强了ExtremeLearning Machine（ELM）的鲁棒性。 然而，ELM的内部功率参数是随机初始化的，导致算法不稳定。本文采用主动算子粒子游动优化算法（APSO）来获得KELM的最优初始参数集，从而创建了一个最优的KELM分类器名为APSO-KELM。 在标准遗传数据集上进行的实验表明，与现有的ELM，KELM相比，APSO-KELM具有更高的分类准确性，并且这些算法将PSO / APSO与ELM / KELM相结合，例如PSO-KELM，APSO-ELM，PSO-ELM等。 ， APSO-KELM具有良好的稳定性和收敛性，被证明是一种可靠有效的分类算法。

使用ADMM的启用异构缓存的小型蜂窝网络的分布式调度算法

[进入当今世界是高频数据驱动的，其特征是信息技术的应用和使用，以促进更好的业务发展和决策。 股票市场的价格变动主要受各个经济体的微观和宏观经济变量、法律框架和税收政策的影响。 问题的关键在于根据历史或过去的价格准确预测单个公司未来的股价走势。 由于股票市场随机行为的盛行和股价的波动，实现预测市场趋势的准确性变得困难。 本文使用集成机器学习方法分析了 NSE-Nifty 波动最大的 50 只公司股票（就市值而言）的运动模式的随机性。 研究结果将帮助投资者做出理性和明智的投资决策，通过投资于最有价值的股票来优化股票回报。

基于忆阻器-CMOS 的通用逻辑电路及其应用

利用涡流无损检测方法对金属板材进行厚度测量时，由于电涡流传感器探头线圈的阻抗表达式过于复杂，金属板材的电导率、磁导率和厚度等因素对探头阻抗的影响难以通过探头线圈的阻抗变化进行观察。针对这一问题，介绍了一种基于涡流传感器的非接触式金属板厚测量系统。该系统利用 PSD 技术实现涡流阻抗信号的正交分解，采用 STM32 单片机对数据进行处理，最后进行人机操作、液晶显示和数据存储。整个系统具有较高的检测精度和灵敏度，能够在强噪声背景的干扰下实现阻抗信号的二维信息检测。