针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory n...针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory neural network,BILSTM)的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计模型长短期记忆模型(long and short term memory neural network,LSTM)和门控递归单元(gated recursive unit,GRU)与混合模型做了对比实验,实验结果表明文章混合模型进一步提高了SOC估计精度。展开更多
为实现智能小车无线遥控,本研究结合Arduino单片机及Android手机平台,设计了一种通过蓝牙技术遥控的智能小车。智能小车的设计主要分为硬件和软件两部分,其中硬件部分以Arduino Mega 2560单片机为主控板,其他主要由Android设备、蓝牙模...为实现智能小车无线遥控,本研究结合Arduino单片机及Android手机平台,设计了一种通过蓝牙技术遥控的智能小车。智能小车的设计主要分为硬件和软件两部分,其中硬件部分以Arduino Mega 2560单片机为主控板,其他主要由Android设备、蓝牙模块、电机驱动模块、避障功能模块等组成。软件方面完成了上位机Android平台程序的设计及下位机Arduino单片机程序的编写。该设计方案把蓝牙技术、网络通信技术、Arduino开发技术和Android移动智能终端平台相结合,实现了Android平台远程控制小车行走以及小车自主避障等功能。仿真结果表明,小车运行稳定,能够完成远程遥控小车行走、测距以及自主避障等动作,达到了预期目标。展开更多
针对传统数字锁相环锁相范围小、速度低、精度差等问题,提出了一种自适应快速锁定全数字锁相环(all digital phase-locked loop,ADPLL)。采用PI控制与自适应控制相结合的方法,根据输入相位误差及频率大小,自适应控制器自动改变PI参数,...针对传统数字锁相环锁相范围小、速度低、精度差等问题,提出了一种自适应快速锁定全数字锁相环(all digital phase-locked loop,ADPLL)。采用PI控制与自适应控制相结合的方法,根据输入相位误差及频率大小,自适应控制器自动改变PI参数,提高了锁相速度并保证了锁相精度;同时环路滤波器采用具有比例积分特性的数字环路滤波器,该环路滤波器易于进行线性描述,并可以保证整个锁相系统稳态静差小,有较小的输出抖动。对提出的锁相环进行理论分析,并采用Verilog HDL语言编写相关代码,采用QuartusⅡ和Modelsim软件进行联合仿真,仿真证明该数字锁相环锁相范围大、速度快、精度高。展开更多
文摘针对新能源电池的使用越来越广泛与对电池充电状态(state of charge,SOC)估计精度要求越来越高的问题,提出了一种卷积神经网络(convolutional neural networks,CNN)-双向长短期记忆神经网络(bidirectional long and short term memory neural network,BILSTM)的混合神经网络,用于拟合已知电池的电流电压等与SOC之间的关系,以推测SOC。首先,利用CNN来提取输入数据之间的空间关系,运用BILSTM提取其正向和逆向的时间特征并将其进行合并,以达到最大化地利用数据,提高学习及适应能力。混合模型的具体结构为输入层+卷积层+双向长短期记忆层+一组全连接层+输出层。其次,经过多组不同超参数的对比试验,分析找出了其性能最佳时的超参数,并在学习过程中加入了学习率下降策略以提高学习精度降低过拟合。然后,为检验混合模型的泛化能力,在不同的电池循环下对其进行了实验验证,结果表明在不同的循环次数下混合网络均表现了很好的估计性能,其估计精度可以保持在1%左右。最后,为证明网络的预测精度,文章还运用常用的网络估计模型长短期记忆模型(long and short term memory neural network,LSTM)和门控递归单元(gated recursive unit,GRU)与混合模型做了对比实验,实验结果表明文章混合模型进一步提高了SOC估计精度。
文摘为实现智能小车无线遥控,本研究结合Arduino单片机及Android手机平台,设计了一种通过蓝牙技术遥控的智能小车。智能小车的设计主要分为硬件和软件两部分,其中硬件部分以Arduino Mega 2560单片机为主控板,其他主要由Android设备、蓝牙模块、电机驱动模块、避障功能模块等组成。软件方面完成了上位机Android平台程序的设计及下位机Arduino单片机程序的编写。该设计方案把蓝牙技术、网络通信技术、Arduino开发技术和Android移动智能终端平台相结合,实现了Android平台远程控制小车行走以及小车自主避障等功能。仿真结果表明,小车运行稳定,能够完成远程遥控小车行走、测距以及自主避障等动作,达到了预期目标。
文摘针对传统数字锁相环锁相范围小、速度低、精度差等问题,提出了一种自适应快速锁定全数字锁相环(all digital phase-locked loop,ADPLL)。采用PI控制与自适应控制相结合的方法,根据输入相位误差及频率大小,自适应控制器自动改变PI参数,提高了锁相速度并保证了锁相精度;同时环路滤波器采用具有比例积分特性的数字环路滤波器,该环路滤波器易于进行线性描述,并可以保证整个锁相系统稳态静差小,有较小的输出抖动。对提出的锁相环进行理论分析,并采用Verilog HDL语言编写相关代码,采用QuartusⅡ和Modelsim软件进行联合仿真,仿真证明该数字锁相环锁相范围大、速度快、精度高。
