基于波形记忆和模糊极小—极大神经网络的变压器励磁涌流和内部短路的鉴别

传统的区分变压器励磁涌流和内部短路的各种方法存在原理性缺陷 ,不能满足现代超高压电力系统的要求 ,此文根据内部故障和单纯涌流这两种情况下波形的不同 ,提出了波形记忆的原理并采用了一种模糊神经网络模型——模糊极小—极大神经网络来对这两种波形进行记忆和鉴别。运用EMTP程序对变压器各种内部故障或涌流的情况进行较为全面的仿真以形成网络的训练样本 ,通过学习和测试 ,表明该网络所形成的新算法能够正确鉴别变压器各种运行工况下的励磁涌流和内部短路 ,所需的鉴别时间小于 2 0 m

战术弹道导弹系统效能评估SEA法的建模与仿真

分析了战术弹道导弹攻防对抗过程,建立了战术弹道导弹系统模型和反导防御系统模型,并在此基础上建立了SEA法评估战术弹道导弹系统效能的模型。建模过程中,通过使命属性向使命需求的转化,运用改进的超盒数值算法,在四维空间求解系统使命轨迹,解决了SEA法操作性不强和缺乏细节表现能力的缺陷。仿真分析了不同型号战术弹道导弹系统的效能,及不同使命需求下同一型号的战术弹道导弹系统的效能,验证了该方法的正确性和有效性。

基于仿真的系统需求约束问题求解算法研究

提出了一种基于仿真的求解系统需求约束问题的算法。它基于实际问题中存在的独立单调性原理,采取了超盒数值逼近方法,高效地逼近所求的系统使命轨迹。该算法极大地缩减了搜索空间,并克服以前依赖解析函数关系求使命轨迹的缺陷,使得复杂系统的使命轨迹的生成成为可能。本文用该算法与相应仿真手段于一概念上的反隐身防空C3I系统使命轨迹的生成,取得了较好的效果。最后,进一步讨论了提高算法计算速度的几种策略。

运用模糊神经网络来区分变压器励磁涌流和内部故障

变压器励磁涌流和内部故障的鉴别一直是变压器差动保护中的一个热点问题。在几种传统的识别励磁涌流方法的基础上 ,结合模糊神经网络这一新型的人工智能技术 ,综合利用这几种原理对电气量的采样值分别提取形成网络的特征输入量 ,并采用了Simpson模糊极小 -极大神经网络来形成区分励磁涌流和内部故障的模糊模式分类器。运用EMTP程序通过大量的仿真计算获取网络的训练和测试样本 ,结果表明 ,训练后的网络能快速地区分变压器各种运行工况下的励磁涌流和内部故障 ,对测试样本的正确率达到 10 0 %。

超盒粒计算的模糊格代数系统

将粒表示为空间中的超盒,该超盒粒是由起点和终点组成的向量,设计超盒粒之间的合并和分解算子,构造不同粒度的超盒粒;引入正评价函数度量超盒粒之间的模糊包含关系,构造由超盒粒集、模糊包含度、合并算子和分解算子组成的超盒粒代数系统,并证明其是模糊格.该模糊格能较好地指导粒计算算法的设计.

并行数值系统有效性分析算法研究

C3I系统是现代战争兵力的倍增器 ,同时它又是一个极为复杂的信息系统。对其评价非常重要 ,但又非常困难。系统有效性分析 (SEA)方法是一种很有影响的系统评价方法 ,其中最关键的使命轨迹的生成是依赖于普通解析式的 ,这样严重影响了该方法的实用性。本文提出了一种并行数值SEA算法 ,它根据实际问题中普遍存在的单调性原理 ,采取了超盒数值逼近的方法 ,快速逼近所求的系统使命轨迹 ,并通过模拟令牌环机制高效地实现了并行处理 ,进行系统有效性评估。此算法极大地缩减了搜索空间 ,并克服以前依赖解析函数关系求使命轨迹的缺陷 ,使得复杂系统的使命轨迹的生成成为可能。最后 ,本文用此算法与相应仿真手段 ,对一抽象而典型的分布式信息处理系统进行有效性评估 ,取得了较好的效果。

基于模糊格的超盒粒计算分类器

粒的表示、粒之间的关系和运算是粒计算的主要研究内容.利用向量表示超盒粒,分析向量之间的偏序关系和超盒粒之间的偏序关系的不一致性,并引入保序函数消除该不一致性.利用格和其对偶格之间的非线性正评价函数和保序函数构造超盒粒之间模糊包含关系.为得到不同粒度的粒,设计超盒粒之间的合并算子和分解算子,证明由超盒粒集、超盒粒之间的模糊包含关系、合并算子、分解算子构成的代数系统是模糊格,构造基于模糊格的超盒粒计算分类器.用机器学习数据集中的分类问题,验证该分类器具有和模糊格推理分类器相同的推广能力并减少超盒粒的数量.

General Fuzzy Min-Max神经网络的改进与应用

针对 General Fuzzy Min- Max(GFMM)神经网络不能自适应学习新类的缺陷 ,提出了一种基于该网络的无师训练改进算法。它一方面继承原 GFMM网可以处理模糊输入量的优点 ,重构了网络中的模糊隶属度函数 ;另一方面结合ART2神经网络无师学习的特点 ,引入了网络警戒门限和运行状态切换控制。改进后的 GFMM神经网络完全具备了自适应调整和无师学习的能力 ,并展现出了良好的并行处理性能。自动目标识别中的应用结果表明

基于模糊神经网络的母线充电保护研究

针对当前母线充电试验时继电保护中存在的一些问题,提出了一种智能型的母线充电保护新方法。在分析母线正常充电和故障元件充电的基础上,找到了正确快速地识别两种情况的特征量,结合模糊神经网络这一新型的人工智能技术,综合利用母线充电时的多种电气量分别提取形成网络的特征输入量,并采用Simpson模糊极小-极大神经网络来形成区分母线正常充电和故障元件充电的模糊模式识别器。利用EMTP程序仿真来获取不同系统参数和各种不同故障情况下模糊神经网络训练和测试所需要的大量样本,通过对模糊神经网络的训练,使网络具备了很强的故障识别能力和较强的泛化能力,结果表明,训练后的网络能快速准确地区分母线在各种运行工况下的正常充电和故障元件充电,从而验证了该方法的有效性。

基于多目标优化的超盒粒计算分类算法

粒的数量和分类错误率是粒计算互相冲突的两个目标,同时最小化这两个目标是不可能的.针对此,构造了多目标优化问题,分别建立分类超盒粒数量和训练错误率两个目标,通过多目标演化算法对该多目标优化问题进行求解,从而产生一系列分类超盒粒集.随机产生初始种群,多目标演化算法通过利用演化操作和反复迭代的方法,得到供用户选取不同性能的解集.

带质心的K最近邻增强模糊最小最大神经网络的集成方法

在分类任务中,传统的模糊最小最大神经网络及其变体在训练网络的时候没有考虑超盒内部训练数据的分布情况,并且考虑扩展系数的问题也不是很充分,导致每次训练新数据集都要重新选择最优的扩展系数。因此,提出了一种带质心的K最近邻增强模糊最小最大神经网络的集成方法。在该方法中,一方面,每个超盒都带有质心,用来描述之前训练的样本在该超盒的大体分布情况,并且在扩展规则及收缩方面考虑了样本距离超盒质心的因素;另一方面,使用5个带质心的K最近邻增强模糊最小最大神经网络作为弱分类器,每个分类器设置不同的扩展系数,当该方法训练完后,将得出的离散属性值作为随机森林的训练集,最后,使用测试样本验证网络的分类性能。实验结果表明:提出的方法在准确率、精准率、召回率以及F-score等方面大部分的结果高于传统的FMMN及其变体的结果,该方法有效地克服了FMMN的准确性过于依赖扩展系数的问题。

一种基于数据空间自适应规则网格划分的Skd-tree最近邻算法

针对现有kd-tree KNN算法的不足,提出了一种基于规则数据空间网格划分的Skdtree KNN算法。该树形结构把数据置于空间网格内部,能更好地利用数据的空间分布特性,可以在更小的范围内对被查询数据定位,有效避免对部分无关数据的计算或回溯;同时,为了适应网格空间的规则性,算法中采用了超方体而非超球体来查询局域空间中的最优结果,避免了空间异构带来的缺点。数字实验的结果证明:Skd-tree KNN比kd-tree KNN具备更好的索引定位精度、更少的无关数据回溯和计算、更短的查询时间,尤其适用于数据样本较大或高维度数据的最近邻查询。

模糊超盒分类器在母线充电保护中的应用

针对目前母线充电保护存在的一些缺点和不足,在分析母线充电机理和过程的基础上,综合利用母线正常充电和故障充电情形下多种电气特征量值的差异,运用模糊超盒分类器来形成区分母线正常充电和故障元件充电的保护判据识别.通过EMTP程序的大量仿真得到模糊超盒网络的训练和检验样本,结果表明,该方法能够快速准确地判别出母线在各种运行工况下的正常充电和故障元件充电.

用模糊包含度构造超盒粒分类器

如何将训练集分割成大小不一的超盒粒是粒计算领域的关键问题之一。引入非线性正评价函数并用于构造超盒粒之间的模糊包含度函数,通过粒度阈值,对两个超盒粒有条件合并,构造含有大小不同超盒粒的分类器。实验结果表明超盒粒分类器与模糊格推理分类器相比提高了测试精度,与支持向量机相比加快了训练速度且提高了测试精度。

超盒粒代数系统

研究了超盒粒的表示方法、超盒粒之间的偏序关系和超盒粒之间的运算,构造由粒集、超盒粒之间的偏序关系和算子组成的代数系统,给出了超盒粒的格代数系统的相关定理及其证明。

数值SEA算法及其在反隐身防空系统效能分析中的应用

提出了一种数值 SEA算法 .它根据实际问题中普遍存在的单调性原理 ,采取了超盒数值逼近的方法 ,快速逼近所求的系统使命轨迹 ,并通过模拟令牌环机制高效地实现了并行处理 .此算法极大地缩减了搜索空间 ,并克服以前依赖解析函数关系求使命轨迹的缺陷 ,使得复杂系统的使命轨迹的生成成为可能 .然后 ,提出了系统有效性分析与效能指标的灵敏度与关联度分析模型 ,及其求解方法 .最后 ,对一反隐身防空系统进行效能分析 ,取得了较好的效果 .

基于Pareto解集关联与预测的动态多目标进化算法

针对动态多目标优化问题,提出一种基于Pareto解集关联与预测的动态多目标进化算法(LP-DMOEA),设计了基于超块的Pareto解集关联方法.该方法能够动态维护若干描述Pareto解变化规律的时间序列,通过对新环境下的Pareto解集进行预测来生成初始种群.将LP-DMOEA应用于非劣分类遗传算法(NSGA2),并对3类标准测试函数进行了实验,所得结果表明该方法能够有效求解动态优化问题.

一般模糊极小极大神经网络的改进研究

针对一般模糊极小极大神经网络在处理重叠超盒和包含超盒时,出现新的类而标识为未知类,进而无法达到聚类预期效果的问题,提出了通过超盒的收缩过程来加入新类或删除一个已存在类的一般模糊极小极大神经网络,它继承了一般模糊极小极大神经网络的优点,并且避免了一般模糊极小极大神经网络在分类时的随意性,弥补了一般模糊极小极大神经网络无法达到聚类预期效果的目的,以及提高了模式分类的准确性和高效性.最后,通过实例验证了方法实用有效.