H桥级联三相大功率逆变器SVM优化控制策略

传统空间矢量调制（spacevectormodulation，SVM）算法需要进行矢量判断、冗余选择等复杂运算，当输出电平数较高时，导致控制算法异常复杂而难以实现。为降低多电平SVM算法复杂度，提出一种基于SVM思想的级联型多电平逆变器优化控制策略，利用当级联级数增多时空间矢量密度也增大的特点，获得大幅度简化、具有较小控制误差的新型多电平空间矢量调制控制策略。该算法在较低的开关频率下，相比三角载波移相控制算法，可以得到电压谐波总畸变率（totalharmonicvoltagedistortion，THDu）较低的输出电压波形。理论分析和实验研究均证明了所提新型H桥级联多电平SVM控制策略的有效性和可行性。该控制算法已成功应用于某型级联高压逆变器产品中。

SVM-DTC控制的永磁同步伺服系统仿真

矢量控制永磁同步电机伺服系统稳态性能好,但转矩动态性能逊色。而传统直接转矩控制虽然动态响应迅速,但稳态转矩脉动大。因此,文中在永磁伺服系统中引入空间矢量调制的直接转矩控制策略,在保持快速动态响应的同时,利用空间矢量调制方法减小转矩脉动,并利用MATLAB软件对系统进行建模仿真,同时对比于矢量控制的伺服系统。结果证明基于空间矢量调制的直接转矩控制永磁同步电机伺服系统具有动态响应速度快,稳态控制精度高,对负载扰动鲁棒性好等优点。

改进的SVM决策树分类算法

为解决多类分类问题,在分析SVM决策树分类器及存在问题的基础上,通过引入类间可分离性测度,并将其扩展到核空间,提出一种改进的SVM决策树分类器。实验表明了该分类算法对提高分类正确率的有效性。

基于PSO参数优化的LS-SVM风速预测方法研究

讨论了嵌入维数d和时间延迟?作为空间重构参数对LS-SVM预测模型精度的影响,提出了基于PSO参数优化的LS-SVM预测方法。将d、?以及模型参数(正则化参数?、核函数宽度?)作为优化对象,利用PSO方法对4个参数共同优化选取,建立LS-SVM风速预测模型。对2组风速数据进行了实验研究,结果显示该方法预测误差约为5.79%和7.33%。而对比方法 (单纯优化?、?)的误差为8.22%和11.10%。这一结果表明,同时对d、?、?、?进行优化选取是有必要的,相对于单纯优化?、?的模型,该方法可以大大提高预测模型精度。

基于支持向量机(SVM)的回采工作面瓦斯涌出混沌预测方法研究

针对瓦斯涌出传统的线性预测方法存在的问题,根据瓦斯涌出时间序列固有的确定性和非线性,利用混沌动力系统的相空间延迟坐标重构理论,结合基于机器学习理论的支持向量机(SVM),建立基于SVM理论的瓦斯涌出混沌时间序列预测模型。经Ⅱ1024回采工作面瓦斯涌出时间序列仿真计算,仿真结果显示该预测模型具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度。同时,该模型具有以往传统机器学习的瓦斯涌出预测模型建立简便、训练速度快等优点。由于充分考虑瓦斯涌出时间序列的混沌性,并利用SVM预测的优良特性,使得预测更科学。

基于SVM的不同特征空间多分类方法研究

目前,在基于SVM的分解多分类方法中,各个子分类器都采用相同的核参数进行整体优化.如果采用不同的核函数参数分别优化各个子分类器,相当于在不同的特征空间进行分类,此时,能否直接采用求输出最大值(MaxWin)等判别策略,需要研究各分类器的输出是否可比.利用相对间隔对此问题进行深入的研究,说明在基于SVM的"一对多"等多分类方法中,采用不同的核参数分别优化各个子分类器,其决策函数的输出结果仍是可比的,且具有更好的泛化能力.

基于反向传播神经网络的SVM技术在电压型变流器中的应用研究

在分析三相电压型变流器空间矢量调制(SVM)技术基本原理的基础上,提出了一种基于反向传播神经网络结构的 SVM 技术(CPN-SVM)的实现方法。该方法采用CPN 竞争层来计算 SVM 中各个矢量的具体作用时间,避免了计算正弦函数这一非线性运算,缩短了计算时间,采样周期的可进一步缩短。仿真和实验表明:CPN-SVM 除了具备 SVM 的固有优点外,还有下述几个显著优点:①大大降低了整个控制系统的软硬件成本,提高了对开关瞬态位置判断的准确性;②随着采用周期的缩短,最大开关频率相应增大,从而提高了整个系统的传输带宽③避免了由于计算误差给 SVM 波形中所带来的附带谐波。

基于商空间粒度理论的大规模SVM分类算法

利用商空间粒度理论对已有的SVM分类算法进行改进,给出了一种新的SVM分类算法——SVM-G。该算法将SVM分类问题划分成两个或多个子问题,从而降低了SVM分类复杂度。实验表明,改进的算法适用于处理大数据量的样本,能在保持分类精度的情况下有效地提高支持向量机的学习和分类速度。

基于差空间的双向2DPCA和SVM人脸识别算法

为降低SVM人脸识别算法对样本进行训练和识别的时间,提出了一种改进的基于差空间的双向2DPCA(Bidirectional two dimensions PCA)和SVM相结合的人脸识别算法。该方法充分考虑了表情和光照对人脸图像的影响,不但利用小波变换对人脸图像进行预处理,而且成功地把类内平均引入到双向2DPCA的计算中,并结合了SVM在分类识别方面的优势,有效节省了算法所需的时间。在Yale人脸库上的实验表明,它不但可以提高识别率,而且所用时间明显减少。

基于MEAN-SHIFT和SVM的血细胞图像分割

提出一种新的血细胞图像分割算法,结合无监督和有监督模式识别技术,利用颜色快速提取感兴趣的有核细胞。首先通过mean- shift过程寻找RGB颜色空间中的细胞核、红细胞和背景聚类峰(局部密度最大区域) ,其中的细胞核图像区域经过适当形态学膨胀后可以得到部分胞浆像素;然后细胞核聚类峰和部分胞浆颜色组成正特征子集,而红细胞和背景聚类峰附近颜色组成负特征子集,训练一个两分类SVM,得到的分类模型随后对图像的颜色空间向量分类,实现细胞区域整体提取。通过颜色量化手段,能够显著减少训练集的颜色向量数量,实现SVM实时训练和分类。借助于m ean- shift鲁棒的特征空间分析性能和SVM出色的小样本学习推广能力,该方法对图像颜色变化、染色条件差异等鲁棒性强,无过度分割现象,分割速度和效果均优于流域变换方法。骨髓和外周血涂片的分割试验证明了方法的有效性,已应用于实际图像处理系统。

基于SVM分类机的一种DNA序列判别方法

针对DNA序列类别的分属问题,提出采用支持向量机(Support Vector Machine,SVM)的方法进行分类。根据SVM分类器的要求建立特征属性空间,首先由每个DNA中4个碱基的含量得到4个特征属性,然后在此空间中扩充DNA序列长度的属性,最后根据SVM分类器对已知的DNA分类样本做训练得到分类超平面。利用此超平面检测所要分类的DNA序列,实验结果表明这种方法具有很好的分类精度。

基于小波消噪和LS-SVM的混沌时间序列预测模型及其应用

提出将小波消噪、相空间重构理论与LS-SVM相结合,实现变形监测数据的建模及预测。先对变形监测时间序列进行小波消噪;然后用C-C法求出非线性变形数据的最优嵌入维数和时间延迟参数,并对其进行相空间重构;最后采用LS-SVM对其进行建模预测,并与BP神经网络的预测结果进行了比较分析。实例表明,基于小波消噪和LS-SVM的混沌时间序列预测模型具有较好的预测效果。

基于LS-SVM和RBF的月降雨混沌时间序列预测

以乌尔逊河为例,采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明月降雨时间序列存在混沌现象。运用LS-SVM模型对乌尔逊河月降雨混沌时间序列进行预测,并利用交叉验证法求取LS-SVM模型两个重要参数的最佳组合,同时与RBF神经网络模型进行了对比分析。结果表明,在做混沌时间序列分析时LS-SVM模型的预测精度优于RBF神经网络模型。

利用混合像元分解结合SVM提取城市绿地

从遥感图像提取城市绿地是准确获取城市绿地空间分布的基础。然而由于混合像元的存在,导致城市遥感分类精度不高。因此,利用混合像元分解结合SVM(支持向量机)法提取北京市TM图像城市绿地,并与决策树法比较,研究提高遥感提取城市绿地精度的方法。结果表明,该方法较适合复杂高维空间,对样本选取的准确性没有那么苛刻,可有效地处理城市遥感图像存在的混合像元问题,可较准确地提取城市绿地信息,其精度在92%以上,优于决策树法。

一种快速的SVM最优核参数选择方法

支持向量机是一种基于核的学习方法,核函数及核参数的选择直接影响到SVM的泛化能力。传统的参数选择方法如网格搜索法,由于其计算量大,训练过程十分耗时,提出了一种新的快速选择最优核参数方法,该方法通过计算各类别在特征空间的可分性度量值来决定最优核参数,不需训练相应SVM分类模型,从而大大缩减了训练时间,提高了训练速度,且分类精度与传统方法相比,具有相当的竞争力。实验证明,该算法是可行有效的。

基于重构相空间FLS-SVM的电力系统混沌预测模型

研究电力系统混沌预测以及预测中超参数难以调整的问题,采用基于重构相空间的模糊最小二乘支持向量机(RFLS-SVM)方法进行算法改进.结合Takens嵌入维理论重构数据相空间,并对电力系统混沌状态进行预测,预测精度得到了进一步提高.并研究了RFLS-SVM核参数调整的方法,得到了一般性结论.通过数字仿真实验证明了该方法是有效的.

一种新的核化SVM多层分类方法

利用核化思想提出了一种新的SVM多层分类算法。该算法的基本思路是:先利用Mercer核,将输入空间非线性可分的训练样本映射到高维特征空间Hilbert中,使之线性可分,然后采用最小超球体类包含作为层次分类的依据来生成二叉决策树,从而实现在高维空间中的多类分类。实验表明,采用该算法进行多类分类,可以有效地解决输入空间非线性可分问题,并可在一定程度上提高分类器的分类精度。

无轴承异步电机SVM-DTC系统研究

针对无轴承异步电机这一多变量、非线性、强耦合的系统,采用空间电压矢量调制技术(SVM)与直接转矩控制(DTC)相结合的方法来控制无轴承异步电动机。阐述了无轴承异步电机的工作原理,给出无轴承异步电机的数学模型,将整个控制系统分为旋转控制系统模块和悬浮控制系统模块,旋转模块引入SVM方法,并详细给出了基于定子磁链矢量偏差法的无轴承异步电动机SVM-DTC的分析与实现过程;悬浮模块采用电流追踪型PWM逆变器控制的方法。实验和仿真结果表明:转矩波动显著减少,运行更加平稳,系统具有良好的动态和静态性能。

组合变流器载波相移空间向量调制(CPS-SVM)技术

研究了高压大功率变频调速逆变器中3电平逆变器频率调制技术,综合相移SPWM组合变流器的拓扑结构与空间向量调制(SVM),提出了组合变流器载波(CPS)相移CPS-SVM技术。该技术不仅具有相移SPWM的优点,而且具有普通sVM技术所具有的器件开关频率降低1/3、直流电压利用率提高15％及便于数字实现等优点。

基于简化SVM的模块化多电平变换器多子模块故障容错运行策略

针对模块化多电平变换器(modularmultilevel converter,MMC)子模块数量多,故障率高的问题,文中研究单个或多个子模块发生故障后MMC的容错运行策略。文中首先将每6个子模块组合为一个子单元,提出一种简化的空间矢量调制(space vector modulation,SVM)方法。在此基础上,对单个或多个子模块发生故障后的MMC的运行进行分析,根据不同故障子模块数量以及所在相的不同,将所有可能故障情况分为3类,针对每种故障情况分别提出相应的容错运行方法。仿真和实验表明,采用所提出的方法,即使MMC中有子模块发生故障,其输出线电压的幅值和谐波畸变率与正常运行情况相比基本不变,其运行可靠性得以提高。