基于RBF神经网络集成-模糊加权输出的数字温度传感器误差补偿

数字温度传感器存在非线性误差,在高精度测温系统中需要进行误差补偿。提出了一种基于径向基函数神经网络集成-模糊加权输出(RBFNNE-FWO)的数字温度传感器误差补偿方法:首先根据数字温度传感器的误差特征,提取特征阈值,构造三个相互独立的成员RBFNN;考虑到成员网络之间边界误差补偿问题,构建一种RBFNN集成输出权值模糊调节器,获得RBFNN集成输出权值,从而完成数字温度传感器的全量程误差补偿。与多种方法的比较仿真实验表明,这种RBFNNE-FWO方法的性能最佳、各成员网络边界误差最小,补偿后的数字温度传感器误差减少了两个数量级,大大提高了测温准确度。

基于区间适应值交互式遗传算法的加权多输出高斯过程代理模型

融合了用户认知和智能评价的交互式遗传算法(Interactive genetic algorithm,IGA)是解决一类定性性能指标优化问题的有效方法,但是,评价不确定性和易疲劳性极大地限制了该算法解决实际问题的能力.基于用户已评价信息,采用合适的机器学习方法,构建用户认知代理模型是解决上述问题的常用方法之一.但是,现有研究成果均没有考虑用户评价不确定性对学习样本、代理模型的影响,以及模型拟合不确定性对基于适应值的进化操作有效性的影响.针对上述问题,本文提出基于加权多输出高斯过程(Gaussian process,GP)代理模型的交互式遗传算法.首先,在区间适应值评价模式下,提取学习样本的噪声特性,以确定相应学习样本对代理模型的影响度权重系数,构建两输出高斯过程代理模型;然后,利用代理模型提供的预测值及预测置信水平,给出一种新的个体适应值估计方法和个体选择方法;基于模型预测信息,实现模型更新管理.将所提算法分别应用于含噪函数和服装设计问题中,所得结果表明本文算法可更好地拟合和跟踪用户认知,减小对进化搜索的误导,更快找到用户满意解.

单相PFC输出母线电压波动抑制与脉动功率转移技术

采用电解电容抑制单相功率因数校正PFC(power factor correction)输出母线电压波动的方式受到电解电容本身寿命短、体积大等因素限制,难以做到高功率密度以及长时间稳定性。因此,提出一种采用双向升降压电路实现输出母线功率解耦的策略,从而可移除母线处的电解电容。详细分析了解耦电路的基本工作状态,并基于相关参数的设计考虑提出一种新型控制方案,在双闭环的基础上引入输出母线电压波动加权控制,进一步增加在功率解耦支路与输出母线之间转移的脉动功率,减小母线电压纹波,实验结果验证该电路及控制方案的有效性。

人口密度随机森林模型优化实验研究

随机森林模型是精准刻画区域人口分布规律和影响机制的主流研究方法。本文以石家庄为实验区,以综合禀赋分区为建模单元,在公顷网格粒度上分区开展分层采样,系统进行了递增式人口密度影响因子遴选实验,全流程(分区建模、分层采样、因子遴选、加权输出)优化了人口密度随机森林模型。研究表明:①分区建模抑制了模型混淆人口分布法则问题;在栅格粒度上采样,不仅使训练样本数据质量摆脱了MAUP的困扰,而且在形式上尝试降低区群谬误的不良影响;分层采样确保了样本数据集中人口密度标签值的分布稳定性。②利用人口密度随机森林模型,分区开展人口密度影响因子遴选实验,逐步提升了模型的拟合优度R^(2);距聚落距离是各区人口密度的主要影响因子;各区的人口分布影响机制存在显著差异,创新禀赋因子对城镇地区人口密度有较强影响,自然禀赋因子对乡村地区人口密度有较强影响。③对人口密度预测数据集进行优化组合,显著提高了模型的鲁棒性。④所获人口密度数据集具有多尺度叠加特征,大尺度上呈现出平原人口密度高于山区,小尺度上呈现出城镇人口密度高于乡村的“核心—边缘”特征。人口密度随机森林模型优化方案为揭示地方性人口分布规律和人口分布影响机制提供了统一的技术框架。

基于多模型动态矩阵控制的喷氨优化装置及应用

针对PID调节的常规喷氨控制策略难以较好地解决由于大时延、外扰等因素造成的选择催化还原(Selective Catalytic Reduction,SCR)出口NOx浓度大幅波动的问题,设计了一套基于多模型动态矩阵的喷氨优化装置,利用动态矩阵控制算法提高喷氨调节速度以改善出口NOx浓度波动,通过设置多个动态矩阵控制器及加权输出环节提高了该装置的鲁棒性。最后,在某660 MW超临界机组上实现了该装置的整体应用。应用结果表明:各种工况下出口NOx浓度控制平稳,喷氨控制效果得到有效改善。