基于经验模态分解与RBF 神经网络的短期风功率预测

风功率预测的准确性对优化电力系统调度、促进新能源消纳与增强电力系统稳定性有重要意义。针对风功率预测准确度问题,提出了一种基于经验模态分解与径向基神经网络的短期风功率预测方法。首先,采用小波变换对风功率历史数据进行去噪处理,利用经验模态分解将去噪后的历史数据分解为多个模态分量序列。然后,在考虑多种气象因素的条件下分别构建径向基神经网络对各分量序列进行分项预测。最后,叠加各网络输出得到预测结果。基于张家口某风电场的风功率与气象数据,以均方根误差和平均绝对百分误差作为评价指标对本算法进行测试。结果表明,分解后的风功率分量序列具有较强的规律性,预测精确度高于其他4种传统预测算法,证明了本算法的有效性。

基于PID型迭代学习控制算法的皮层网络节律调制

皮层网络节律是大脑动力学的普遍特征,它与认知和记忆功能密切相关.异常大脑节律通常伴随着癫痫、帕金森等疾病的产生.通过电刺激能有效调制异常脑节律,进而减轻疾病症状.目前常用的是开环电刺激调制方法,刺激能耗高且无反馈信息,难以实现个性化有效调制节律.为了实现自适应调制皮层节律,构建皮层网络的平均场模型,产生不同节律的自发振荡活动.首先,以通过PID型学习律处理的实际和期望主频的差值作为反馈变量,采用PID型迭代学习控制算法实时自适应调制40 Hz电刺激的幅值,实现了将主频从theta节律调制到alpha节律.其次,利用开环控制、PID控制与PID型迭代学习控制方法,对不同个体和相同个体的节律分别进行调制,证明PID型迭代学习控制具有最优的个性化调制结果.然后,利用数值仿真实验验证了PID型迭代学习控制能将delta、theta和gamma节律的任意主频调制到alpha节律.最后,从理论推导方面对PID型迭代学习控制算法进行了收敛性分析,证明该方法在理论上的有效性.本文研究从数值仿真和理论推导两方面,证明了PID型迭代学习控制算法能通过控制电刺激振幅,进而有效调制大脑皮层节律至alpha节律,具有较好的个性化调制结果,进一步为临床通过闭环控制治疗节律异常疾病提供了方法指导.

科教文在脱贫中的作用

脱贫是中国"十三五"期间的头等大事,如何通过科技、教育和文化进行脱贫已成为国民关注的焦点问题。本文通过实际调研,从三个方面论述如何理论结合实际,举措配合政策,以科技为先驱,以教育为根本,以文化为先导进行脱贫,切实验证科技、教育和文化在脱贫中的重要作用,并可以推动经济持续稳定增长,帮助国家早日摆脱贫困,奔向全面小康。

一种触觉感知与脑启发的触觉传感系统

触觉智能感知是当前研究的热点问题之一.然而,大规模触觉数据集的缺乏限制了机器人触觉感知领域的发展,解决问题的关键在于构建覆盖手掌的高时空分辨率触觉压力传感器系统.对此,构建一种脑启发的触觉传感系统(BITSS),以高时空分辨率对触觉压力信息进行获取,并实现基于脉冲事件的触觉感知.受皮肤触觉感受器启发,BITSS使用神经形态模型对触感压力信号进行脉冲编码,实现两种触觉感受器神经元的模拟.实验结果表明,BITSS模拟的神经放电活动可以解码出抓握状态的低维空间.在10种日常物体的分类任务中,基于脉冲事件的分类器分类精度达到94%,具有较快的执行速度,并验证了BITSS对触感压力信号的时空编码能力.