核电设备无线振动测量冗余滤波算法研究

为解决在核电站环境下,设备运行状况的振动测量存在的传感器故障率增加,噪声更复杂,测量参数和结构更容易变化,安全性要求更高等问题;选择了冗余测量结构进行算法设计。分析不同冗余测量的结构特点,证明了基于多模块处理器的分布式冗余测量结构比一般的集中式冗余测量结构有更高的可靠性;在该结构下结合振动信号变化特征,设计一种基于FFT与互相关相融合的冗余滤波算法;为使该算法具有更好的适应性,利用聚类分析中的距离计算方法和基于特征量的多参数ARMA,增加算法的故障判断能力。算法在MATLAB下进行仿真,并在MC13224V系统处理器,ADXL345传感器,ADUC7060的模块处理器的实际平台下进行了验证;实验与仿真结果表示在有故障情况,系统测量不受影响;而且其测试的相对误差从无该算法的10%以上减低到3%左右。

基于冗余滤波器剪枝-辅助网络蒸馏混合压缩算法优化

针对师生网络差距过大、教师网络复杂度高时,学生网络对图像分类任务的准确率明显下降的问题,提出了一种基于冗余滤波器剪枝-特征相关性辅助蒸馏混合压缩算法。该算法引入了教师辅助网络,充当师生网络的媒介,有效缩小师生网络差距过大的问题;然后利用冗余滤波器结构化剪枝算法(RFSP),对教师网络和教师辅助网络进行剪枝操作;最后对剪枝后的教师网络进行中间层特征相关性蒸馏,挖掘更多教师网络的特征知识,可以更有效的将信息传递给学生网络。实验结果表明,特征相关辅助网络知识蒸馏(GW_RAKD)与RFSP算法的有效结合,能够进一步提高学生网络对图像分类的准确性。

基于混合智能模型的分布式风力发电预测方法

进行准确的多尺度风功率预测对分布式风电机组的可靠和经济运行至关重要。提出了一种基于人工智能算法的混合模型,包括最小冗余最大相关(mRMR)准则的输入变量选择(IVS)模块,以及元启发式随机算法优化的自适应神经模糊推理系统(ANFIS)。所提混合模型将可利用的相关数据,包括历史风电功率时间序列和区域数值天气预报(NWP),利用最小冗余最大相关(mRMR)的滤波方法来自动选择不同预测步长的输入变量;然后对于具备最优特征的输入数据,通过自适应神经模糊推理系统来进行监督学习;模型应用粒子群优化(PSO)算法对ANFIS参数训练以达到最优预测效果;最后通过实际分布式风电机组的运行数据对所提出的混合智能模型进行评估,实验结果证实了模型的有效性。