自组织映射神经网络量化机器人强化学习方法研究

强化学习一词来自于行为心理学 ,这门学科把行为学习看成反复试验的过程 ,从而把环境状态映射成相应的动作 .在设计智能机器人过程中 ,如何来实现行为主义的思想、在与环境的交互中学习行为动作 ?文中把机器人在未知环境中为躲避障碍所采取的动作看作一种行为 ,采用强化学习方法来实现智能机器人避碰行为学习 .为了提高机器人学习速度 ,在机器人局部路径规划中的状态空间量化就显得十分重要 .本文采用自组织映射网络的方法来进行空间的量化 .由于自组织映射网络本身所具有的自组织特性 ,使得它在进行空间量化时就能够较好地解决适应性灵活性问题 ,本文在对状态空间进行自组织量化的基础方法上 ,采用强化学习 .解决了机器人避碰行为的学习问题 。

电网运行断面的自组织临界态辨识和量化分析

电力系统自组织临界性表现在电网演化的长期过程和某个静态运行断面的运行过程2个方面。针对电网演化的长期过程进行连锁故障建模研究较为成熟,而针对静态运行断面进行连锁故障建模研究则较少。建立了一个基于去除慢动态过程的OPA模型,用于电网静态运行断面连锁故障的仿真计算。该模型不考虑电力系统的慢动态过程,而是基于某个静态断面进行仿真计算,单次仿真完成后系统重新恢复至原始运行断面,完成多次仿真后得到该运行断面下的大停电负荷损失分布数据。采用极大似然估计法和K-S检验法对大停电分布数据进行负荷损失累积概率分布律参数估计和检验,进而判断该运行断面下电网是否处于自组织临界态。然后针对处于不同自组织临界态的系统,建立了自组织临界态风险评估指标,将自组织临界态风险进行了数值化表征。

喷气燃料中硫化物对银片腐蚀的量化表征

银片腐蚀主要受喷气燃料中硫化物的影响,不同种类、结构的硫化物对银片腐蚀的影响不同,从喷气燃料中硫化物系统角度来研究对银片腐蚀影响是很有意义的.采用量化自组织神经网络从定性、定量两个方面研究喷气燃料中硫化物对银片腐蚀的影响,研究结果表明,能够从喷气燃料硫化物的存在情况来预测银片腐蚀结果.

红外光谱评价内燃机油抗氧化性能的研究

红外光谱快速检测石油产品性能是近年来发展的新技术,目前国内外在该领域的研究仅限于测试燃料油性能,由于润滑油组成、结构复杂,红外光谱技术测试润滑油性能的研究还未见报道。文章研究了润滑油组成、结构的红外光谱特征,提出了根据内燃机油组成、结构对抗氧化性能的贡献来提取其光谱信息的技术路线。结合BP神经网络和自组织神经网络的优点,发展了量化自组织神经网络数学模型,该数学模型具有自组织神经网络的定性聚类功能和BP神经网络的定量分析功能,与BP神经网络相比较,量化自组织神经网络具有更好的鲁棒性,测试结果优于BP神经网络,该论文的研究为润滑油性能的快速检测提供了一种新的技术手段。

基于GMAPM和SOM-LVQ-ANN的输电线路故障综合识别方法

现有输电线路故障识别方法大多不能同时识别输电线路的低/高阻抗故障和发展性故障以及电力系统的异常工况(包括低频振荡、铁磁谐振和PT/CT饱和等)和此工况下的故障,故不能满足除继电保护领域外的继电保护测试领域及大电网事故分析和预警防御领域的新的应用需求.因此,提出一种基于广义改进自适应Prony方法(generalized modified adaptive Prony method,GMAPM)和自组织映射-学习向量量化-人工神经网络(self-organizing mapping-learning vector quantization-artificial neural network,SOM-LVQ-ANN)的输电线路故障综合识别方法,以期能同时识别以上输电线路故障和电力系统异常工况及异常工况下的故障.其中,作为信息提取环节的GMAPM实现了多路信号的并行处理和同时分析,作为特征识别环节的SOM-LVQ-ANN继承了SOM-ANN的强自主学习能力和泛化能力以及LVQ-ANN可预先指定故障类型且便于类型编码和拓展的优点.仿真实验结果初步验证了本方法的优良性能.