多变运行工况下混合励磁轴向磁场永磁电机自适应模型预测电流控制

针对多变运行工况下混合励磁轴向磁场永磁(hybrid excited axial field permanent magnet,HE-AFPM)电机中电励磁磁场与电枢磁场之间矢量耦合、端部漏磁等导致的电机参数非线性变化问题,该文提出一种混合励磁轴向磁场永磁电机自适应模型预测电流控制方法。详细分析HE-AFPM电机拓扑结构及参数变化特性;引入多矢量模型预测电流控制,理论推导分析HE-AFPM电机参数对控制系统的敏感性。在此基础上,将多矢量预测模型作为自适应控制的可调模型,降低了控制算法的复杂度和控制系统的计算负荷,提高了控制系统响应速度;依据波波夫(Popov)超稳定理论,引入3个不等式稳定判据设计各参数的自适应律,可实现多变运行工况下的HE-AFPM电机磁链、自感、互感等参数的有效识别,提高了控制模型的准确性和电流跟踪性能。最后,通过实验验证所提出的自适应模型预测电流控制的有效性。

基于模型参考自适应的水肥一体化控制系统设计

针对水肥混合过程中水肥EC值精准控制的问题,设计一个基于模型参考自适应的水肥一体化决策和控制系统。建立母液动态调控模型,并通过该模型设计模型参考自适应控制器。仿真试验结果显示,模型参考自适应控制相较于模糊PID控制,在跟踪试验中超调量降低1.2%,调整时间减少12.6 s,阶跃试验中超调量降低14.4%,调整时间减少超过2 s,抗干扰能力优于模糊PID控制。通过3种方式进行田间试验,对比模糊PID控制和人工灌溉方式,采用模型参考自适应控制能够使番茄株高分别提高15.7%和35.6%,茎粗分别增长11.1%和18.6%,产量分别提升23.3%和48.1%,结果表明,模型参考自适应控制优于模糊PID控制和人工灌溉方式,从而验证模型参考自适应控制的有效性,为精准施肥灌溉提供技术支持。

基于高斯混合模型和自适应簇数的文本聚类

针对海量文本难以精准聚类问题,提出了一种基于高斯混合模型和自适应簇数的文本聚类算法(TCA)。首先,采用无意义符号去除、基于齐次马尔科夫假设的文本分词和停用词去除方法,实现数据分词和清洗;其次,提出权衡关键词频率和普适性的关键词权重,选择关键词和进行文本向量化;再次,在高斯混合模型的基础上,引入文本相似度,提出权衡条件概率和相似度的文本权重;最后,通过轮盘赌初始化聚类中心,更新多维高斯分布模型参数,实现分簇数量确定的文本聚类。同时,为了自适应文本分簇数量,在肘部法则的基础上确定最优分簇数量,从而提高聚类效果。仿真结果表明:TCA能自适应文本聚类数量和获得其分布,提高聚类的准确率和召回率,有助于更好地实现海量文本的精确聚类。

自适应编码与混合模型联合改进图像压缩算法

为准确描述残差图像的概率分布特征,以实现图像的自适应无损压缩,提出了一种自适应算术编码与有限混合几何模型相联合的分块无损图像压缩算法。算法首先对图像的残差图像进行非重叠分块,并通过联合分布估计各分块的统计模型;然后通过最大似然估计对分块的混合参数进行估计;最后在预测误差块中使用直方图截断算法减少算术编码中的符号数量,从而减少零次符号的出现概率。实验结果表明,在实验图像集基础上,所提图像压缩算法的压缩比优于常用的标准JPEG-2000和JPEG-LS。

基于自适应SVR-ELM混合近似模型的镁合金差温成形本构参数反求

为提高差温成形有限元模型的精度,提出自适应SVR-ELM混合近似模型和量子遗传算法相结合用于参数寻优的反求方法。基于镁合金差温成形有限元模型,建立Johnson-Cook本构模型关键参数与成形件温度之间的SVR-ELM混合近似模型,采用启发式算法求解混合模型权系数。基于自适应方法,利用优化过程中的局部解,更新样本库并重新拟合近似模型,通过改进的量子遗传算法寻优以实现镁合金AZ31B差温成形中本构参数的反求。与采用单一近似模型相比,自适应SVR-ELM混合模型精度更好,效率更高。以2011年国际板料成形数值模拟会议(NUMISHEET2011)中提出的十字杯形件差温成形为研究对象,利用该反求模型对本构参数进行反求,基于反求参数进行数值模拟,将获得的温度与试验数据值相比,温度误差为0.39%,说明反求方法有效。研究结果表明利用SVR-ELM获得的本构参数建立的有限元模型能更有效地对实际生产中成形件的缺陷进行预测。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

CEEMDAN-CNN-BiLSTM混合模型矿区地表沉降预测

为了进一步发挥全球卫星导航系统(GNSS)实时监测优势,对时序数据中的潜藏特征与隐藏信息进行深度挖掘,提高地表沉降预测精度,提出基于自适应噪声完备集合经验模态分解(CEEMDAN)、卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的CEEMDAN-CNN-BiLSTM混合地表沉降预测方法:以皖北某大型煤矿开采工作面与工业广场区域为验证对象,对比分析稳定区域和重点监测区域数据形态;然后基于CEEMDAN重构监测站高程数据分量,输入CNN模型提取分量隐含信息;最后构建BiLSTM模型,实现对沉降监测点位数据的短期预测。实验结果表明,相较于传统的CNN和长短期记忆模型,CEEMDAN-CNN-BiLSTM混合模型可有效降低预测误差,其中平均绝对百分比误差(MAPE)的降低范围为40%~90%,而均方根(RMS)误差的降低范围为52%~87%;该模型在时空特征捕捉和泛化能力方面表现性能较好,可为GNSS时间序列短期预测提供更为精准和可靠的解决方案。

基于局部-全局混合自适应替代模型的地下水污染源反演识别

为了提高地下水污染源反演识别的精度及计算效率,综合运用最优解准则及交叉验证-维诺图准则,提出了局部-全局混合自适应替代模型.将局部-全局混合自适应替代模型与遗传算法结合,应用于地下水污染源反演算例中,并与局部自适应替代模型及全局自适应替代模型进行对比.结果表明:基于局部-全局混合自适应替代模型的遗传算法得到的污染源反演结果精度最高且计算耗时最少,其反演结果与实际污染源特征基本一致,最大相对误差仅为3.51%.证明了所提出的局部-全局混合自适应替代模型在提高地下水污染源反演精度及计算效率方面的有效性.

基于自适应GMM阶数与混合特征的说话人识别研究

针对高斯混合模型(GMM)阶数选取缺陷和说话人特征信息不足的问题,提出了基于自适应GMM阶数和多种语音特征融合的说话人识别算法。首先,通过提取梅尔频率倒谱系数(MFCC)和线性预测梅尔频率倒谱系数(LPMFCC),并根据Fisher准则得到一个17维的MFCC和LPMFCC参数组合的混合特征参数,以增强说话人的特征信息。然后,根据自适应思想,在K-means聚类算法中计算簇内误差平方和(SSE)。最后,通过肘部法则自适应调整K值,以获得一个最优GMM阶数,使得系统在已有的声纹特征下获得最优的识别效果。结果表明,该算法不仅完善了说话人的特征信息,并且克服了对GMM阶数选取的缺陷。最终结合LPCC和MFCC两种特征算法,融合得到的混合特征LPMFCC+MFCC的识别率相比于LPCC和MFCC提升了26.34%和12.34%。

我校在利用混合代理模型提高黑箱问题全局优化精度方面取得重要进展

许昌学院电气与机械工程学院李耀辉博士课题组针对目前Kriging代理模型存在建模效果欠佳、优化收敛精度不高等瓶颈问题,提出了一种基于自适应加权混合代理模型(GOAAWHS)的全局优化算法,并应用到黑箱工程问题的仿真优化设计中。在每次迭代过程中,该方法能够自适应选择权重系数来构建基于Kriging和RBF的混合模型;接着,对由预测目标、均方根误差和距离参数组成的两个目标函数进行双目标优化,以生成Pareto前沿;最后,对Pareto前沿数据作进一步筛选来获取价值更大的全局最优解。

基于自适应SMPC的风-光-储混合微电网实时优化调度研究

针对风力发电、光伏发电的随机性、波动性,研究了风-光-储混合微电网系统中新能源消纳、储能分时电价、联络线阻塞等问题,构筑了风能-光能-储能多能源互补下的微电网实时优化调度模型。首先,探究了风-光-储混合微电网模型,引入了一种自适应随机模型预测方法,将混合整数非线性优化问题转化为二次规划问题,使风电、光电具有一定的可调度性。其次,以经济性和稳定性最优为目标建立了混合系统的实时优化调度模型。最后,通过IEEE-30节点6机组系统仿真分析,验证了所提调度策略及模型算法的经济性与可行性。

自适应空间约束融入混合模型的遥感图像分割

为了降低图像噪声的影响并提高遥感图像分割精度,提出了一种自适应空间约束融入混合模型的遥感图像分割算法。考虑到学生t分布具有重尾特性比高斯分布更具有鲁棒性,利用学生t混合模型(Student’s-t Mixture Model, SMM)建模像素光谱测度概率分布。为了避免图像噪声对分割结果的影响,基于马尔可夫随机场利用局部像素类属概率定义组份权重,将像素空间相关性融入SMM,进而构建出空间约束图像分割模型。为了实现自适应平滑系数的模型参数求解,采用梯度下降方法求解分割模型。采用本文算法对添加噪声的遥感图像进行分割实验,结果表明,所提算法可有效降低图像噪声的影响,同时可准确分割高分辨率遥感图像。

基于多目标加权灰靶决策模型的高模量沥青混合料集料适应性研究

为研究玄武岩、石灰岩和凝灰岩在高模量沥青混合料中的适应性,对比评价了3种集料制备的高模量沥青混合料HMM-13的马歇尔性能、高温稳定性、低温抗裂性、水稳定性,结合雷达图进行综合分析,并采用多目标加权灰靶决策模型综合评价。结果表明,各集料类型的高模量沥青混合料马歇尔稳定度均大于15 kN,动稳定度均高于8500次/mm,-10℃极限抗弯拉应变与水稳性均符合规范要求,各集料类型下雷达图面积石灰岩>玄武岩>凝灰岩,玄武岩-高模量沥青混合料HMM-13高温性能较优,石灰岩-高模量沥青混合料HMM-13水稳定性较优,多目标加权灰靶决策模型下石灰岩-高模量沥青混合料HMM-13综合性能最优。

基于GPR代理模型和GA-APSO混合优化算法的软基水闸底板脱空反演

软基水闸底板脱空是水闸在长期服役期间受水流侵蚀等环境因素影响所产生的一种危害极大且难以察觉的病害。由于其病害部位于水下,传统方法难以检测,该研究提出一种基于高斯过程回归(Gaussian process regression,GPR)代理模型和遗传-自适应惯性权重粒子群(genetic algorithm-adaptive particle swarm optimization,GA-APSO)混合优化算法的水闸底板脱空动力学反演方法,用于检测软基水闸底板脱空。首先,构建表征软基水闸底板脱空参数和水闸结构模态参数之间非线性关系的GPR代理模型;其次,基于GPR代理模型与水闸实测模态参数建立脱空反演的最优化数学模型,将反演问题转化为目标函数最优化求解问题;最后,为提高算法寻优计算的精度,提出一种GA-APSO混合优化算法对目标函数进行脱空反演计算,并提出一种更合理判断反演脱空区域面积和实际脱空区域面积相对误差的指标—面积不重合度。为验证所提方法性能,以一室内软基水闸物理模型为例,对两种不同脱空工况开展研究分析,结果表明,反演脱空区域面积和模型实际设置脱空区域面积的相对误差分别为8.47%和10.77%,相对误差值较小,证明所提方法能有效反演出水闸底板脱空情况,可成为软基水闸底板脱空反演检测的一种新方法。

HSV自适应混合高斯模型的运动目标检测

在目前的计算机视觉应用中,从视频序列中提取出运动目标是一个研究热点。针对传统方法在复杂多变环境下不能很好地检测出运动目标且运算量较大的问题,根据HSV颜色空间的特点,提出了一种基于HSV颜色空间的自适应混合高斯背景建模和阴影消除的方法。首先,在传统的混合高斯背景建模的基础上,引入了一种新的混合高斯模型高斯成分个数的自适应选择策略以提高建模的效率。其次,根据阴影在HSV向量空间的特点,融入了一种新的阴影消除方法,以检测出带阴影的运动目标。该方法能够快速准确地建立背景模型,准确分割前景目标。与传统的阴影消除方法相比,该方法可以在不需要设置阈值的情况下,对运动目标的阴影进行很好的消除,有很好的鲁棒性和实用性。

改进的混合高斯自适应背景模型

混合高斯背景模型是背景建模领域最常用的构建算法,针对该方法在实际应用中的缺陷,提出了2点改进措施:像素过滤方法和按背景演变过程进行划分的自适应学习率方法.像素过滤方法记录某点像素值在一个短时间段内的变化情况,对其进行统计分析,根据均值和方差过滤掉快速运动目标的动态干扰像素,增强算法的鲁棒性;新的自适应学习率方法将背景的形成过程划分为4个阶段,对不同的阶段使用不同的学习率,加速背景的形成和消退.应用改进后的算法在两段街道监控视频中同原算法进行了对比实验.实验结果表明,改进方法在视觉效果上有着显著提高,背景形成迅速、清晰.改进方法增强了算法的抗干扰能力,提高了背景的形成和切换速度,可以作为基础算法应用于相关视觉处理之中.

自适应高斯混合模型球场检测算法及其在体育视频分析中的应用

球场检测在体育视频内容分析中有着重要作用.为了克服由于不同光照、不同相机、不同拍摄角度造成球场颜色的非均一性问题,提出了一种基于自适应高斯混合模型(adaptiveGaussianmixturemodel,GMM)的球场检测算法.该算法首先从视频中任意抽取一些图像,并自动分析这些图像的主要颜色,从中找到主颜色的近似分布,然后,利用GMM拟合主要颜色分布.为提高模型的适应能力,在球场检测过程中,利用当前GMM球场检测结果和增量期望最大(incrementalexpectationmaximum,IEM)算法不断更新模型参数,从而得到更加准确的参数估计,并用于后续图像中球场和非球场像素进行分类.最后,根据球场区域在图像中的分布,对足球比赛场景进行分类.实验证明,提出的算法具有良好的性能.

考虑自适应巡航车辆影响的上匝道系统混合交通流模型

在考虑自适应巡航(adaptive cruise control,ACC)车辆的交通流模型的基础上,建立了考虑ACC车辆影响的上匝道系统混合交通流模型,研究ACC车辆引入对上匝道交通系统交通流的影响.为了描述ACC车辆和手动驾驶车辆在交通流运行中的差异,分别构建了基于常车头时距原则的ACC车辆跟驰子模型和手动驾驶车辆MCD元胞自动机子模型;基于上匝道车辆合流驶入主线的需求,建立了换道子模型,引入了表征驾驶员换道心理的参数λ.通过对混合交通流模型进行数值模拟发现,ACC车辆的混入可以有效改善上匝道系统交通流的运行,降低合流等事件对于交通流运行的影响,抑制交通拥堵的时空范围及拥堵强度,提高交通流的平均速度和流量.此外在混合交通流模型中,ACC车辆期望车头时距Hd的减小与换道心理参数λ的增大均可以提高混合交通流运行的速度和流量,而合流区长度lw对混合交通流影响则因上匝道车辆驶入概率的不同而存在差异.

一种自适应学习的混合高斯模型视频目标检测算法

为解决背景模型的更新问题,提高视频运动目标检测性能,通过定义像素样本对模型更新的有效因子,提出一种自适应学习的混合高斯模型检测算法。用样本有效因子的历史累加量反映背景模型的质量,并用于动态调整模型更新速度。同时,对检测出的前景区域进行目标分析,由分析结果间接控制模型更新,保证更新的准确性和模型的稳定性。实验结果表明,该算法可以快速适应背景变化,同时保证目标检测的完整性。算法性能已在不同监控场景中得到验证。

高斯混合背景模型的适应能力研究

高斯混合背景模型是一种参数化统计模型,观察时间窗内像素样本模式呈现规律决定了背景模型的学习结果。针对背景动态变化的特点,研究了影响背景模型适应能力的模态稳定性与可塑性、模态残留与激活问题。仿真实验表明高斯混合背景模型具有较强的渐变选择性适应能力,而模态残留与激活机制为模型提供了有限的背景结构短时变化适应能力。