基于自适应并联结构神经网络的交通流量预测

由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果;为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络(APSNN);APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练;神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少;神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性;文章对5种非线性函数进行了神经网络逼近测试。与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性;为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明:APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%。

基于改进离散粒子群算法的炼钢连铸最优浇次计划(英文)

提出了浇次数未知的最优浇次计划模型.在分析该模型求解困难的基础上,提出了用伪旅行商表示该模型的方法.针对离散粒子群优化具有收敛速度、精度低,但能充分利用各粒子的局部最优值和全局最优值信息的特点,而序列倒置算子具有收敛速度和精度较高,但学习具有盲目性的特点,结合二者优点,提出了一种基于序列倒置的改进离散粒子群优化算法.实验研究表明,该算法与普通离散粒子群优化算法相比,不论是收敛速度和还是求解精度都有了较大提高.基于该改进算法求解最优浇次计划模型的研究表明:所提伪旅行商问题模型非常适合用于组浇模型描述.

基于改进离散粒子群算法的炼钢连铸最优炉次计划

提出了炉次数未知的炼钢连铸一体化生产的组炉模型。对该模型直接求解存在大量不可行解的困难进行分析,提出将该模型转化为伪旅行商问题的方法,并提出采用离散粒子群优化算法求解该问题。针对离散粒子群优化收敛速度和精度低的缺点,提出了一种基于序列倒置的改进离散粒子群优化算法。引入学习选择概率来选择学习粒子,利用运行代数阈值常数确定当前粒子何时向全局最优粒子学习,并通过局部最优子粒子群比决定局部最优子群的规模。讨论了这些参数的选择原则,并给出了相应参考选择范围。实验研究表明,所提模型是合适的,所提改进算法是有效的。

基于功率二次微分的光伏系统改进MPPT算法研究

提出了一种基于功率二次微分的改进最大功率点跟踪(MPPT)算法(简称PQD-MPPT算法)。算法在系统启动时采用恒定占空比启动,并给出了恒定占空比的求解公式,提出了根据功率变化量来调整跟踪步长的方法,当功率变化较大时,采用自适应大步长以使系统快速跟踪到最大功率点附近,反之较小时,根据功率对占空比的二次微分值的正负进一步划分跟踪区域:即当功率二次微分值为正时,采用固定大步长以使系统快速跟踪到最大功率点附近;当功率二次微分值为负时,采用自适应小步长以使系统能够稳定工作在最大功率点处。实验结果表明,与现有变步长MPPT算法相比,该算法具有良好的跟踪性能。

混沌变异粒子群优化算法及其应用研究

为克服粒子群优化算法容易陷入局部最优值的缺点,提出了基于变异思想的粒子群优化算法,为提高粒子群优化算法的计算精度,利用混沌运动随机性、遍历性的特点,提出了一种基于混沌思想的改进粒子群优化算法,进而提出了基于混沌变异的改进粒子群优化算法(CMPSO)。基于几种典型benchmark函数的测试研究结果表明,该算法与基本PSO算法和遗传算法相比,较好地克服了早熟收敛,提高了算法的搜索精度。将该算法应用于水库优化调度问题中,所得结果优于标准粒子群优化算法和遗传算法,这也验证了混沌变异粒子群优化算法的有效性。

主蒸汽参数对煤耗率影响的计算模型比较

火电机组在实际运行过程中,由于主蒸汽参数不可避免地偏离设计值,使得机组功率和各项经济指标发生变化。对此,对等效焓降法和偏微分法2种计算模型进行了分析和比较,指出了2种计算模型各自的优缺点和适用条件;并以N600-16.7/537/537-I型汽轮机运行数据为例,对模型进行了验证。结果表明:2种计算模型均具有计算结果较准确、便于使用、通用性强等特点,适宜于工程应用;由于偏微分法对前提做了一定的假设,使得其计算精度较等效焓降法低。

混合操作变参数递归增量估计算法研究

提出了一种新的变参数递归增量估计算法和误差界的概念 ,并给出了其选择准则 .该算法特别适用于跟踪时变系统且计算量与标准递推最小二乘算法相当 .

背压变化对机组煤耗影响的定量计算方法比较研究

由于受诸多因素的影响,火电机组的汽轮机机组背压经常发生变化,确定背压变化对机组煤耗的影响对机组运行和节能分析都具有重要意义。基于此,对偏微分法和等效焓降法2种计算模型进行了详细分析和比较,指出每种方法的优缺点和适用条件;并以N300-16.65/537/537-I型汽轮机运行数据为例,对模型进行验证。通过实例计算,认为第1种方法所需实验数据少,适用于计算机编程,通用性强;第2种方法较为便捷、准确,并具有广泛的适用性。2种方法都能满足工程计算需要。

机器人关节跟踪带死区的变参数EW-RLS算法研究

提出一种带死区的变参数EW-RLS算法,提出误差级的概念,并给出基于鲁棒极小极大原理选择误差级的准则。在机器人关节上进行的实验验证了该改进算法的良好性能。利用该算法,用最优PID控制器进行机器人轨迹跟踪研究。

基于局部多项式逼近的变参数梯度估计算法

本文分析了梯度辨识算法跟踪时变系统的缺点,提出了一种新的基于局部多项式逼近的变参数梯度估计算法。本算法具有良好跟踪性能特别适用于时变系统跟踪且其对噪声的敏感程度与一般梯度估计方法相当。仿真结果验证了其良好性能。

一种智能动态矩阵控制研究

本文研究了一种新型控制算法──智能动态矩阵控制算法。文中提供了计算方法并进行了仿真研究。重点讨论了该算法在对象参数和时滞等发生时的鲁棒性。与常规动态矩阵控制相比，该算法具有良好性能且无需复杂计算，很适合于工业控制应用。

一类无静差专家模型算法控制研究

研究了一种新型控制算法———无静差专家模型算法控制算法。重点讨论了该算法在对象参数和时滞等发生变化时的鲁棒性。与常规模型算法控制相比，该算法消除了静差，具有良好性能，无需复杂计算，适合于工业控制应用。

一种新的CMAC自学习控制器

本文通过分析ＣＭＡＣ神经网络的学习机制和连续搅拌反应釜的结构，提出了一种自动选择学习率的ＣＭＡＣ自学习控制方法。给出了自学习控制器的结构和算法。并以连续搅拌反应釜模型为对象进行了仿真研究。这种网络每次学习少量参数，算法简单。仿真结果表明所提出的控制器优于传统的ＰＩＤ控制器。

焦炉焦化模型开发——离散态空间模型开发(Ⅰ)

本文应用现代控制理论、系统分解与机理建模相结合的方法,对焦化过程进行了模型化研究,建立了焦炉焦化过程温度分布的离散状态空间模型,并进行了仿真研究.并把模型仿真结果与大型焦炉的实测结果进行了对比.该模型具有结构简单、计算量小等优点,适用于计算机实时控制.

焦炉焦化模型开发——炉内水分变化过程模型及工业验证(Ⅲ)

加料煤在焦化过程中需先经干燥阶段,且热量由炭化室炉墙逐步向中心移动,即所谓“成层结焦”。本文应用移动边界理论,详细地讨论了炭化室内水分变化情况,并与焦化过程离散状态空间模型结合,进行了计算机仿真,并在重钢焦化厂进行了工业测试。结果表明模型满足工业控制要求。

焦炉焦化模型开发——热物理参数计算模型开发(Ⅰ)

焦化过程是一个伴随有物理、化学变化的传热过程,建立焦化模型,必须首先从煤高温于馏机理出发建立煤热分解时的热物理参数(如比热、密度、收缩率.传热系数等)随其化学组成和结构变化的模型.并利用该模型建立煤与焦的热量与物质传递模型.本文详细讨论了焦化过程中煤的热物理参数计算及其仿真.

基于人工鱼群算法的参数估计方法

利用人工鱼群算法的基本特性 ,提出了一种新的参数估计方法 ,并进行了仿真实验研究 .结果表明 。

一种新型Smith预估器研究

具有长死时和积分环节的对象是工业过程控制中经常遇见,且较难控制的。本文提出了一种新的Smith预估器,给出了其一般结构和增量式算法。该预估器把定值响应和负载响应分解开来以简化系统的设计和镇定。仿真结果表明它比原算法性能佳。

单参数PID的Hebb学习控制

基于模型的设计方法可以获得较为满意的控制性能,但这种方法在设计难以建模或模型时变的系统时会遇到很多困难。本文对简化的Z-N方法进行了根轨迹分析,表明:对于常见的过程控制对象,基于简化Z-N方法整定的单参数单神经元PID存在使系统稳定的可行性解。利用人工神经网络的Hebb学习规则对PID增益进行学习,可以实现常见工业过程的无模型自适应控制。与其他单神经元PID相比,PID调整参数少。仿真和实验表明,本文算法可以获得较好的仿真效果,具有满意的实验性能指标。

基于Maclaurin展开的时间绝对误差积分次优时滞系统设计

根据经典时间绝对误差积分(ITAE)最优系统标准型,给出了ITAE最优时滞系统的期望模型;利用Maclaurin展开技术,讨论了ITAE次优时滞系统的设计方法,并就ITAE次优和最优的三阶系统进行了频域和时域比较.论文最后给出了基于ITAE次优时滞系统的PID和超前滞后补偿器设计实例.阶跃响应、负载扰动以及参数鲁棒性方面的比较研究表明,本文方法能够获得十分满意的性能指标.