基于Multisim8的二阶网络状态轨迹仿真分析

二阶网络暂态过程有几种情况,理论计算复杂,课堂上难以直观展现。在此以RLC串联电路的零输入响应为例,提出了用Multisim8软件研究二阶网络的暂态过程及状态轨迹的方法。在过阻尼、临界阻尼以及欠阻尼3种情况下,利用Multisim8软件的虚拟仪器对RLC串联电路的电容电压、电感电流的暂态过程及对应的网络状态轨迹进行仿真和展示。结果表明,Multisim8软件可以形象直观、快速准确地实现二阶网络的动态分析,用其仿真是一种很好的辅助教学手段。

基于二阶网络模型的电力系统最优潮流计算

提出了一种基于二阶网络模型的最优潮流(Optimal Power Flow,OPF)模型;基于二阶网络模型的OPF不仅可以克服直流OPF的缺点,即准确地描述出线路上的有功损耗,且可以转化成非线性的凸规划,从而保证快速收敛到全局最优解。基于二阶网络模型的OPF问题,采用鲁棒性好、收敛速度快的预测校正内点法求解。为了显示模型的合理性和相应算法的有效性,采用IEEE30节点、IEEE118节点和IEEE300节点3个测试系统进行数值仿真。

基于二阶网络的时滞多智能体一致性控制

为解决复杂环境中多智能体系统实现一致过程中存在的时滞问题,并提升系统一致收敛速度,提出了带有延时的基于二级网络的多智能体一致性控制和一致性跟踪算法。通过建立单积分动力模型,运用李雅普诺夫定理证明了该控制算法可使系统在存在由通信带宽、信号传输速度、通信范围等通信条件受限导致的通信延时和智能体信息处理过程导致的输入延时的情况下仍实现一致,二级网络通信拓扑使得系统一致收敛速度得以提升,最后在此基础上研究了编队控制算法。实验仿真结果表明该算法可使系统在存在延时的环境中以更快的速度实现一致,进而完成编队控制。

二阶网络频响函数的极值问题

本文讨论了二阶网络频响函数的极值、图形表示及其应用。

TKSS-C型信号与系统实验箱二阶网络分析

分析了TKSS-C型信号与系统实验箱的二阶网络实验模块,用信号与系统中的时域分析方法,求出方波激励时网络响应的函数表达式和对应的波形.

基于二阶网络的含噪多智能体一致性

目的为提升多智能体系统一致性收敛速度并解决系统中个体在通信时存在的测量噪声问题,提出一种多智能体一致性控制算法,为多智能体系统的实际应用提供理论依据。方法通过建立双积分动力模型,结合二阶网络通信拓扑,提出该控制算法,并运用Lyapunov定理证明该算法的可行性。结果若系统无向图连通且算法中常数w满足一定条件时,所提出的基于二阶网络的含噪多智能体一致性算法即可使系统在存在测量噪声的情况下仍能实现快速一致,实验仿真结果也验证了该算法的有效性。结论对于复杂环境中多智能体系统的通信含噪问题,所提控制算法可使系统实现快速一致。

RLC并联二阶网络的零输入响应和零状态响应实验

用RLC并联二阶网络进行零输入响应和零状态响应实验 ,在理论上进行推导、论证、对电路元件的具体参数进行计算 。

利用二阶网络和判别分析建立分层混合专家模型

利用多层二阶神经元网络快速收敛及逼近连续函数的良好性质,并结合判别分析思想,构建了一种新的分层混合专家结构模型。这种结构模型选用二阶网络作为专家模块,可调权值数量适中,收敛速度快;它首次引入判别分析统计方法,并借鉴模块化设计理念,构建了无训练参数的组合门网模块。专家和门网模块的改进与设计,从根本上降低了分层混合专家网络的训练难度,提高了网络的训练速度和泛化能力。对典型非线性pH值混合槽实例进行了实验,结果表明,在相同的终止条件下,与目前常用的结构模型相比,新型结构模型的收敛速度和泛化能力都得到了显著的提高,验证了新模型在函数逼近应用中的良好特性。

基于二阶段目标增强网络的低照度复杂环境下绝缘子故障检测方法

从低照度户外环境中航拍采集的绝缘子影像,存在照度低、背景复杂、绝缘子故障目标小等缺陷,严重影响低照度环境下绝缘子故障检测准确性。为解决上述问题,文章提出一种基于TOE-Net的低照度复杂环境下绝缘子故障检测方法,提出TOE-Net进行图像预处理方法,再使用YOLOv7-OL作为故障检测模块检测小目标绝缘子故障。在二阶段目标增强网络(two-stage object enhancement network,TOE-Net)中,设计零目标图像增强损失函数实现预增强网络(preparation enhancement network,PreEnNet)和深度增强网络(deep enhancement network,DeepEnNet)的无监督学习;使用信道级注意力模块跳跃式通道注意力机制(skip squeeze excitation networt,Skip_SENet)和跳跃式通道注意力机制(skip convolutional block attention module,Skip_CBAM)模块改进原始小目标特征增强单次多框检测算法(small object detection enhancement single shot multiBox detector,SDE-SSD),从而提升定位网络的小目标检测能力;设计弱监督机制使预增强网络根据小目标特征增强SSD的要求来提升图像增强能力,直到小目标特征增强SSD能够从增强图像中准确定位绝缘子串位置;使用深度增强网络深度增强绝缘子串区域,提升各类故障的特征显著性。故障检测模块中,将YOLOv7目标检测算法改进为面向小目标YOLOv7,在原模型中添加结合多尺度特征自适应融合网络的小目标检测通道,并将原始损失函数的CIOU改进为BIOU,从而提高模型的小目标检测性能。在低照度环境绝缘子故障检测实验中,该算法与5种目前常用目标检测算法相比具有较大优势,并且相较于低光目标检测算法IA-YOLO、GenISP with RetinaNet,m AP提升9.77%、10.35%,检测速度提升7.23%、10.16%,证明该算法适用于低照度复杂环境下小目标绝缘子故障检测任务;在正常光照绝缘子故障检测实验中该算法仍保持出色性能,证明该算法能够实现常规光照条件下绝缘子小目标故障检测。

基于二阶注意力的Siamese网络视觉跟踪算法

为提升基于Siamese网络视觉跟踪算法的特征表达能力和判别能力,以获得更好的跟踪性能,提出了一种轻量级的基于二阶注意力的Siamese网络视觉跟踪算法。使用轻量级VGG-Net作为Siamese网络的主干,获取目标的深度特征;在Siamese网络的末端并行使用所提残差二阶池化网络和二阶空间注意力网络,获取具有通道相关性的二阶注意力特征和具有空间相关性的二阶注意力特征;使用残差二阶通道注意力特征和二阶空间注意力特征,通过双分支响应策略实现视觉跟踪。利用GOT-10k数据集对所提算法进行端到端的训练,并在OTB100和VOT2018数据集上进行验证。实验结果表明:所提算法的跟踪性能取得了显著提升,与基准算法SiamFC相比,在OTB100数据集上,精度和成功率分别提高了0.100和0.096,在VOT2018数据集上,预期平均重叠率(EAO)提高了0.077,跟踪速度达到了48帧/s。

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识,并验证了辨识结果的准确性。以该模型为基础,运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识,两者互为输入输出,实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明:相比原有单一滤波算法,UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%,均方根误差(RMSE)低至0.009 9,提高了SOC的预测估计结果精度,从而提升了能源消耗预判能力和电池使用效率。

基于二阶图卷积自编码器的图表示学习

图卷积自编码器是一类高效的图表示学习模型,在链路预测等任务中具有出色性能。然而现有模型大多依赖图卷积网络对邻接矩阵和属性矩阵进行编码,未充分利用二阶信息等高阶结构特征。针对上述问题,提出了基于二阶信息的图卷积自编码器模型SeVGAE。首先使用图卷积和二阶图卷积生成变分自编码器的均值和方差,然后学习嵌入向量表示原始图的混合概率分布,最后使用内积解码器恢复拓扑结构。在链接预测任务中,SeGVAE表现优于基线模型,Citeseer数据集上的AUC和AP相较原始的VGAE分别提升了3.26%和2.56%。实验结果表明,二阶信息的引入能够在低维嵌入中保留更丰富的图信息,提升模型性能。模型在处理属性信息不足、拓扑信息不准确的图数据时具有较为明显的优势,在边缘和属性均缺失40%的极端情况下,SeVGAE的AUC和AP相较VGAE提升4.79%和3.47%。

快速二阶BP网络及其在城市用水量预测中的应用

针对BP网络收敛速度慢、易导致局部极小值的缺点,提出一种快速二阶BP网络,并以城市年用水量预测为例,与BP网络对比,结果表明,该方法加快了收敛速度,提高了结果的准确度。

基于二阶Adaline网络的滑模变结构控制器

针对一般神经网络滑模控制系统在线训练时间长、实时性差的问题,提出一种自适应神经滑模变结构控制系统。该系统主要由二阶Adaline网络辨识器、滑模控制器和变结构二阶学习算法估值器组成。其中二阶Adaline网络是对原Adaline网络的改进,在其输入样本向量中增广了有关样本的二次项,相当于用时变二次多项式去逼近非线性系统,既有原Adaline网络训练速度快的优点,又具有一定非线性逼近能力;滑模控制器根据辨识误差自适应调整趋近律中的增益参数;而变结构二阶学习算法首先对递推近似Newton法进行简化,然后将其改造成一种新型的变结构算法,具有较快的收敛速度。针对同一非线性系统,采用常规神经滑模变结构控制存在较小的抖振,平均调节误差为0.0913;而采用自适应神经滑模变结构控制很快趋于平稳,几乎消除高频抖振,平均调节误差为0.0109。仿真结果证明了该方案的有效性。

基于二阶Adaline网络的位标器自适应逆控制方法

为了提高导引头成像传感器视轴在系统参数时变时的稳定度,对基于二阶Adaline网络的位标器自适应逆控制方法进行了研究。先是对位标器的动力学模型和机电模型进行了数学推导与分析,接着通过对Adaline网络学习算法的研究,提出了一种不易受噪声影响的变步长LMS算法用于增强其学习能力。在最后设计的位标器双闭环控制系统中,电流环采用变速PID控制,速度环利用系统输出误差,按改进的二阶Adaline网络算法来实现其自适应逆控制的调节过程。内场实验表明,与PID控制相比,所提出的方法显著提高了位标器系统的控制精度,具有很强的鲁棒稳定性。

二阶Hopfield型神经网络的稳定性分析及收敛速度的估计

本文讨论二阶连续Hopfield型神经网络平衡点的全局稳定性问题 ,利用LMI方法和Lyapunov方法得到了网络平衡点全局渐近稳定和全局指数稳定的几个充分条件 ,并对其指数收敛速度进行了估计 .

二阶神经网络映射能力的研究

本文讨论了二阶神经网络的映射能力．主要内容包括：（１）从理论上严格地证明了二阶神经网络能以任意精度逼近任意连续函数．（２）给出了二阶神经网络的ＢＰ算法．（３）模拟实验结果．模拟实验表明：在中间隐层单元数目相同的条件下，二阶神经网络的误差函数比一阶神经网络下降得快；在误差精度相同的条件下。

基于间歇事件触发控制二阶多智能体网络的一致性

针对二阶多智能体网络在无向连通拓扑结构下的间歇控制一致性问题,引入了合适的事件触发控制算法,该算法能够有效地减少控制器的更新次数。同时,模型中的每个智能体具有非线性项,使得多智能体网络更为实际。采用Lyapunov-Krasovskii泛函方法,对网络进行了一致性分析,给出了事件触发控制算法下二阶多智能体网络趋于一致的充分条件,得到了网络通信间隔的要求,并排除了Zeno现象。最后,数值仿真结果进一步验证了理论分析的正确性。

基于二阶BP神经网络的旋转机械故障的智能诊断

针对旋转机械故障的智能诊断问题,提出了结合二阶BP神经网络和模糊网络的集成诊断方法。系统由信号处理子系统和故障诊断子系统两大部分组成。信号子系统负责信号的提取和预处理,诊断子系统则是诊断的核心,不同信号送入不同子神经网络进行诊断,结果通过决策神经网络进行数据融合,做出最后的诊断。该系统具有知识自动获取、识别速度快、鲁棒性及容错能力强等特点。实例证明该系统是有效的。

具有时滞的二阶Hopfield神经网络的稳定性分析

对具有时滞的二阶Hopfield型神经网络平衡点的全局渐近稳定性问题进行了研究。在不要求连接权矩阵的对称性和输入输出函数的可微性与单调性的情况下 ,通过构造适当的Lyapunov泛函得到了网络平衡点的存在性和全局渐近稳定性的若干充分条件 ,这些条件可用于设计全局渐近稳定的二阶人工神经网络。