低载波比牵引系统的感应电机特征根离散化模型研究

在大功率和高速电机驱动领域,电机控制系统将运行于低载波比工况。传统的一阶欧拉、二阶双线性等降阶离散化模型在低载波比下由于离散化误差过大,对应的状态观测将出现幅值和相位的稳态误差,严重时甚至出现发散不收敛现象。针对上述问题,该文提出了感应电机特征根离散化模型。通过构建感应电机的复矢量模型状态空间方程,将满秩的状态转移矩阵进行对角化,得到状态转移矩阵的精确离散化结果,该模型在低载波比时仍具有较高的离散化精度。同时,提出了一种基于伯德图的离散化误差定量分析方法,通过定量对比不同离散化模型和连续域模型之间观测变量的幅值和相位误差,从理论上证明了提出方法的优越性。最后,通过仿真和实验验证了上述感应电机特征根离散化模型在低载波比下均具有良好的稳态精度与暂态跟随性能。

时变指向约束下姿态参数空间离散化路径规划方法

为满足深空探测器在复杂动态环境约束下的姿态机动任务需求,解决时变指向约束下姿态路径规划求解困难、路径优化性能差的问题,提出了一种基于修正罗德里格斯参数(MRP)和动态路径搜索的姿态参数空间离散化路径规划方法。通过MRP空间的笛卡尔网格划分和非奇异空间构建,实现航天器姿态的参数空间离散化和指向约束表征。考虑指向约束的时变动态特性,在三维动态空间中搜索初始到目标姿态的机动路径,并引入路径节点的时间特性,在约束冲突时对路径进行实时修正,设计非奇异空间时变约束路径搜索算法,生成执行路径节点序列。进一步,对生成的路径节点进行插值拟合,基于逆动力学方法计算角速度和控制力矩,完成姿态机动轨迹规划。仿真结果验证了该方法的有效性,可为深空探测器在时变指向约束下规划出姿态机动执行路径。

粗糙集理论中基于属性重要性的离散化方法

连续属性离散化一直是机器学习领域中亟待解决的关键问题之一。目前已有许多离散化方法 ,存在的主要问题是断点集的选取带有很大的主观性 ,导致大多数的离散化算法难以得到较满意的离散效果。分析了当前研究中常用的离散化方法 ,提出了一种基于属性重要性的离散化方法 ,利用遗传算法 ,把最小断点集作为优化目标 ,利用遗传算法 ,以属性重要性构造适应度函数 ,保证了原决策系统的不可分辨关系 ,避免了决策表信息的损失 。

基于图卷积的一维平流方程空间离散化数值求解加速方法

本文提出了一种基于图卷积神经网络的偏微分方程空间离散化数值求解加速方法,并将该方法应用于求解一维平流方程的研究中,实现了一维平流方程的加速求解。并设计了基于图卷积的一维平流方程空间离散化神经网络模型(GCPNN),其在物理先验知识指导下基于图模型利用空间图结构特征进行一维平流方程空间离散化求解加速方案建模,在构建图结构关系过程中,基于物理先验知识建立邻接矩阵,利用邻接矩阵融合了全局信息,从而实现了一维平流方程的加速求解。并且通过设计对比实验和消融实验验证了基于GCPNN的求解器相较于基线求解器和CNN求解器在求解精度和计算成本方面的优势,且验证了加入物理先验知识指导及全局信息融合的有效性。

顾及水汽分布的非均匀离散化GNSS水汽层析精化方法

GNSS水汽层析技术凭借其高精度、全天候的探测优势,成为反演高时空大气水汽分布的重要手段。现有GNSS水汽层析模型通常采用均匀离散化方式对三维层析区域进行划分,但由于大气水汽的空间异质性,均匀离散化方法并不符合大气水汽在垂直方向的真实分布特点。本文充分考虑大气水汽的垂直变化规律,提出了一种顾及水汽分布的非均匀离散化GNSS水汽层析精化方法。该方法根据水汽含量的垂直递减特征,构造了基于可降水量变化率的垂直非均匀分层方法,并在不同高度层设置了水平非均匀离散化方案,形成了从地表到对流层顶体素分辨率逐渐减小的非均匀离散化水汽层析模型框架。基于2017年7月香港地区的GNSS实测数据、探空数据和ERA5再分析资料开展了水汽层析试验,结果表明:以探空水汽廓线为参考值,非均匀离散化方法的均方根误差相较于传统方法的3种方案分别降低了21.8%、20.9%、20.5%;以ERA5三维水汽数据为参考值,本文方法对应的整个区域层析结果的RMSE值分别降低了15.4%、11.4%、12.6%。此外,在2 km以下的近地区域,本文方法的层析结果精度也要明显优于传统方法,有望为降雨预报提供更高精度和更高分辨率的近地表三维大气水汽产品。

基于近似解析离散化算子的频率域弹性波全波形反演方法

全波形反演是一种利用地震波传播的动力学特征来获取地下介质物性参数的反演方法,可为揭示地下精细结构提供重要依据。本文以弹性波方程作为数学模型来模拟地震波传播规律并进行相应的反演方法研究。为提高计算效率与反演结果的准确性,可将近似解析离散化(NAD)算子用于频率域弹性波方程的正演模拟。本文在频率域NAD离散的基础上推导阻抗矩阵的稀疏分块结构与反演目标函数对模型参数的梯度计算公式,由此建立基于NAD算子的频率域弹性波全波形反演方法。为验证该方法的有效性,文中通过数值实验对多种典型介质模型进行反演计算,均得到了理想的反演结果。

导弹稳定控制中陷波滤波器的离散化研究

开展导弹稳定控制设计时,通常采用陷波滤波器对弹体弹性振动频率进行抑制,保证控制系统的弹体弹性稳定性。介绍了陷波滤波器的基本原理,针对陷波滤波器离散化设计带来的频率畸变问题,提出了一种改进预畸变双线性变换法,在不改变陷波滤波器阻尼比值的基础上,通过调节阻尼大小实现频率畸变的补偿。与传统离散化方法相比,所提出的方法既补偿了畸变频率,又保证了陷波宽度和相位特性与连续域相同,具有操作简单、适用性强等优点。

基于CNM-BA的投标异常行为的离散化信息识别技术

电力供应商围标串标主要依靠人工经验识别,准确率低、识别时间长和识别误差大。结合围标、串标中的离散化行为特征,设计基于社团检测-蝙蝠算法(CNM-BA)识别围标串标行为。融合改进蝙蝠算法和关联规则算法提取围标串标行为特征,离散化获取交易轨迹和行为特点,创新性地离散化改进蝙蝠算法;利用支持向量机算法对交易轨迹和特点信息进行识别分类,识别围标串标异常行为。实验结果表明,该方法的识别准确率高于88%,识别时间小于10 s,降低了识别误差,可以准确识别围标串标行为。

基于区间型数据离散化算法的电力应急物资供应质量可追溯模型研究

针对当前供应链时间参数计算能力较差,导致追溯模型使用后异常物资召回率较低的问题,设计基于区间型数据离散化算法的电力应急物资供应质量可追溯模型。确定电力应急物资供应周期,分析了电力应急物资供应质量关系;计算应急物资供应链时间参数,为模型的构建提供时间参考量。整合各类参数,构建区间型数据离散化物资质量可追溯模型。实验结果表明,模型具有可行性,且可有效提升异常物资召回率,保证了应急物资管理效果。

连续属性离散化算法研究综述

在数据挖掘和机器学习研究中,许多算法以离散值为处理对象,常常需要对连续属性进行离散化。以有监督和无监督离散化为线索,对典型离散化算法的基本思想进行梳理总结,并从时间复杂度以及对后续分类的影响等角度进行对比。最后对连续属性离散化的一些主要研究方向进行展望。

基于K-means的驾驶行为离散化特征聚类分析与研究

为挖掘连续驾驶行为数据中潜在的特征关系,文章采用实际运输车辆连续的驾驶行为数据。首先通过相应的预处理和特征提取,获取对应车辆在相应时间段连续的驾驶行为数据;其次采用在离散标准数据集和连续且有噪声数据集中均有稳定表现的K-means聚类方法,对驾驶行为数据进行离散化聚类处理与分析;最后获得三类有代表性的驾驶行为:“平稳型驾驶”“冲动型驾驶”和“危险型驾驶”。此外,对驾驶行为中隐含的各类特征进行分析研究,为后续进一步根据驾驶行为数据进行数据挖掘之关联分析提供有力依据。

连续时间T-S模糊系统的离散化:Delta算子方法

针对一类连续时间T-S模糊系统,利用Delta算子方法,对系统进行局部离散化和全局离散化处理.首先对模糊规则后件部分的线性时不变动态方程做局部离散化处理,然后再对系统的动态模型做全局离散化处理.为了获得T-S模糊系统的多胞结构,对全局离散化模型进行Taylor级数展开,从而得到近似全局离散化模型.基于线性矩阵不等式(LMI)技术,针对近似全局离散化模型设计了相应的状态反馈控制器,使系统被渐近镇定.采用Delta算子对连续系统离散化时,随着采样频率的加快,其离散模型将趋近于原来的连续模型,并保持原有的动力学性质.仿真结果验证了理论的有效性.

一种基于聚类的粗糙集连续属性的离散化算法(英文)

粗糙集理论是一种新的处理不精确、不完全与不相容知识的数学工具。粗糙集理论只能对离散属性进行处理 ,而不能处理连续属性。文中针对这一缺陷 ,利用连续数值属性有序性的性质和统计方差理论 ,提出了一种基于聚类的连续属性离散化算法。运用典型数据将本算法与现有方法进行了比较分析 ,得到了满意的结果。

基于信息论的连续属性离散化

使用信息论的方法进行连续属性的离散化。引入Ｈｅｌｌｉｎｇｅｒ偏差ＨＤ （Ｈｅｌｌｉｎｇｅｒ Ｄｉ－ｖｅｒｇｅｎｃｅ）作为每个区间对决策的信息量度量，从而定义切分点的信息熵，最终的离散化结果是使各区间的信息量尽可能平均。分析了ＨＤ度量在两种离散化方法中的作用，说明它在划分算法中运用比较理想，而在归并算法中则有局限。

基于数据分区的连续属性整体离散化方法研究

实际问题中经常涉及连续的数值属性,然而许多归纳学习算法却是针对离散属性空间的。因此,对数据进行预处理的离散化算法一直受到人们的重视。兼顾所有属性间关系的整体离散化是一个重要方法,该文提出基于数据分区的整体离散化算法,它首先对例子集合在各个连续属性上的取值进行统一的放大处理,选出包含最多聚类信息的属性,将整个例子集合粗略的划分为多个分区;然后在各个分区中分别进行聚类、合并。该方法改进了基本的整体离散化算法,并利用农业专家系统中的土壤分类数据对算法进行了验证。

基于粗集理论的数据离散化方法

对后继阶段的机器学习或数据挖掘过程而言 ,决策系统中连续属性值的离散化具有非常重要的意义 .本文系统地研究了基于粗集理论的数据离散化方法 :提出一种计算候选断点集合的算法 ;定义概念“选择概率”来合理、有效地度量和区分候选断点的相对重要性 ;最后基于这一概念提出一种确定结果断点子集的启发式算法 .理论分析及仿真结果表明 ,算法的综合性能优于文献报道的同类算法 .

小孔节流气体静压润滑的离散化和计算收敛

通过在雷诺方程式中增加一流量项 ,以避免求解雷诺方程时 ,为满足流量条件而求解压力梯度所带来的噪声和误差 ,并将不同坐标系内的雷诺方程式变换成为相同形式 ,以简化数值计算 ;对加权余量法和变分求极值法这 2种将微分方程离散化的方法进行了分析 ;

基于信息熵的粗糙集连续属性离散化算法

该文提出了一种新的粗糙集连续属性离散化算法.首先对每一个候选断点定义了信息熵,以此作为对断点重要性的量度,在此基础上给出了断点选择的粗糙集连续属性离散化算法.最后采用多组数据对此算法的性能进行了检验,并与其它算法做了对比实验.实验结果表明此算法是有效的,而且当候选断点个数增多时仍有很高的计算效率.

粗糙集理论中的离散化问题

一引言数据分析及数据挖掘,是一个重要的正在迅速发展的研究课题。波兰科学家Z.Pawlak于1982年提出的粗糙集(Rough Set)理论正是解决这一问题的新理论,它可用于处理决策信息表中的不确定知识,并用规则的形式表达,是一种有效的知识获取工具。在Roughset中,数据约简是非常重要的,包括属性约简和值约简。运用粗糙集理论处理决策表时。

基于粗集理论的数据离散化新算法

连续属性值的离散化一直是机器学习领域中殛待解决的关键问题之一 ,他对于提高后继学习算法的运行速度、降低算法的实际空间要求和时间消耗、提高学习结果的聚类能力等都具有极其重要的意义。本文首先分析了基于粗集模型的数据离散化方法的特点和基本思路 ,研究了候选断点重要性的衡量方式 ,在此基础上提出两种新的从候选集合中最终确定离散化断点的启发式算法。这两种算法考虑并体现了粗集理论的基本特点和优点 ,选择的断点都能够保证信息系统的分辨关系 ,并能够取得较理想的离散化结果。