简介：1IntroductionPollingsystemstriggeredextensiveresearcheffortsthatcontinuedoverthelasttwodecades.Duringthisperiodnumerousresearchersfromallareas,mainlyengineering,findthatpollingsystemsarepowerfultoolsinmodelingawidevarietyofapplications.Therangeofapplicationsinwhichpollingmodelcanbeusedisverybroad.Ontheba-sisofthecyclicpolling,inthispaperanewmodel,theasymmetriccyclicpollingmodelwithlimited(k=1)serviceindiscretetimeinloopLANofATMnetworks,issetup,andithasthefollowingcharacteristics:

简介：基于的活跃颤动灵活冗余的操纵者控制的神经网络上的调查被进行。操纵者的聪明的连接与到哪个是依附的piezoceramic致动器和紧张计量器传感器的灵活连接被综合。Anonlinear适应控制策略把神经网络称为基于的间接适应控制(NNIAC)被采用改进操纵者的动态性能。the4分层的动态周期性的神经网络(DRNN)的数学模型被介绍。展示DRNN拓扑学的neuro标识符和theneuro控制器被设计离开线以便提高NNIAC的起始的坚韧性。由或者调整neuro标识符和neuro控制器，操纵者为完成需要的动态表演在线上被控制。最后，平面3R有一个聪明的连接的冗余的操纵者作为一个解说性的例子被利用。Thesimulation结果证明了控制策略的有效性。

简介：ＭＣＣＤＭＡ如同ＤＳＣＤＭＡ一样，也存在多用户干扰．ＭＬ准则是最佳的多用户检测准则，但其计算复杂度随用户数目增多而呈指数增长．神经网络利用其大规模并行的特点，可应用于此问题．本文论述了均场退火和混沌神经网络在此问题中的解决方案，并作了比较．

简介：被动蠕虫能消极地通过把自己嵌进一些分享的文件宣传，它能导致未组织的P2P网络的重要损坏。学习被动蠕虫行为，这篇论文第一由于网络产量的限制在完整的播送进程为所有同伴分析并且获得，然后在未组织的P2P网络上为被动蠕虫的繁殖建议一个数学模型平均延期。模型主要考虑网络产量的效果，并且适用一新健康文件基于传播的防卫策略根据跟随Zipf分发的文件流行。被动蠕虫的繁殖主要是的模拟结果表演由数字管理了跳跃，开始感染的文件和uninfected文件。越大数字跳跃，被动蠕虫宣传越多很快。如果开始感染的文件的数字被攻击者增加，被动蠕虫的繁殖速度显然增加。uninfected文件的一种更大的尺寸导致更好的攻击表演。然而，被动蠕虫产生的文件的数字不是管理被动蠕虫的繁殖的一个重要因素。健康文件传播策略的有效性被验证。这个模型能象被动蠕虫防卫一样在未组织的P2P网络的控制提供一个指南。

简介：Anewtraveltimereliability-basedtrafficassignmentmodelisproposedtoinvestigatetheeffectsofanadvancedtransportationinformationsystem(ATIS)ondrivers'risk-takingpathchoicebehavioursintransportationnetworkswithdemanduncertainty.Inthemodel,driversaredividedintotwoclasses.ThefirstclassisnotequippedwithATIS,whilethesecondclassisequippedwithATIS.Differentrisk-takingpathchoicebehavioursofthetwoclassesarestudied,respectively.Acorrespondingmixedequ...

简介：Toanalyzethefactorsaffectingtheleakagerateofwaterdistributionsystem,webuiltamacroscopic“leakagerate–leakagefactors”(LRLF)model.Inthismodel,weconsiderthepipeattributes(quality,diameter,age),maintenancecost,valvereplacementcost,andannualaveragepressure.Basedonvariableselectionandprincipalcomponentanalysisresults,weextractedthreemainprinciplecomponents—thepipeattributeprincipalcomponent(PAPC),operationmanagementprincipalcomponent,andwaterpressureprincipalcomponent.Ofthese,wefoundPAPCtohavethemostinfluence.Usingprincipalcomponentregression,weestablishedanLRLFmodelwithnodetectableserialcorrelations.TheadjustedR2andRMSEvaluesofthemodelwere0.717and2.067,respectively.Thismodelrepresentsapotentiallyusefultoolforcontrollingleakageratefromthemacroscopicviewpoint.

简介：Anewmethodforidentifyingnonlineartime-varyingsystemswithunknownstructureispresented.Themethodextendstheapplicationareaofbasissequenceidentification.Theessentialideaistoutilizethelearningandnonlinearapproximatingabilityofneuralnetworkstomodelthenon-linearityofthesystem,characterizetime-varyingdynamicsofthesystembythetime-varyingparametricvectorofthenetwork,thentheparametricvectorofthenetworkisapproximatedbyaweightedsumofknownbasissequences.Becauseofblack-boxmodelingabilityofneuralnetworks,thepresentedmethodcanidentifynonlineartime-varyingsystemswithunknownstructure.Inordertoimprovethereal-timecapabilityofthealgorithm,theneuralnetworkistrainedbyasimplefastlearningalgorithmbasedonlocalleastsquarespresentedbytheauthors.Theeffectivenessandtheperformanceofthemethodaredemonstratedbysomesimulationresults.