基于像素评估与运动补偿预测误差扩展的视频水印算法

目的为了解决当前视频水印技术因忽略了视频像素特性与时间的相关性,从而出现嵌入失真和水印容量较低等不足,设计一种基于像素评估和运动补偿预测误差扩展的自适应视频水印算法。方法首先,引入运动补偿预测误差扩展方法,预估每个视频帧的像素灰度值,从而获取其对应的运动补偿预测误差。再依据预测误差,计算像素的运动补偿局部标准差,将整个视频分割为平滑和非平滑子块。依据运动补偿局部标准差,结合像素选择阈值,从平滑块中选择出合适的像素用于嵌入水印。依据评估的水印容量与选择的视频像素,针对不同的像素,设计不同的水印嵌入机制,将水印信息隐藏到视频特定的像素中,通过完成边信息的嵌入,从而输出水印视频。最后,构建水印提取方法,从水印图像中检测出初始水印。结果测试数据显示,与当前视频水印方法相比,所提算法具有更高的水印容量和更低的失真度,其最大水印容量为2 bits,提取水印信息的PSNR值在40 dB以上。结论所提算法具有良好的不可感知性与较低的失真,在版权保护、信息防伪等领域具有一定的应用价值。

考虑光伏预测误差兼顾平抑波动的双层储能运行策略

为满足新能源发电并网要求、保证电力系统稳定运行,针对间歇性新能源发电的不确定性及波动性给电网设备稳定运行带来的安全问题,文中提出一种以补偿预测误差和平抑并网功率波动为目标的双层规划模型。首先,构建容量与误差满足率特性曲线得出最优储能容量,提高储能系统的经济性。其次,上层规划模型以预测误差最小为目标,建立储能系统充放电功率分配策略,并考虑储能电池循环寿命,设置非必要补偿值以避免其过充过放;下层规划模型以并网波动率最小为目标函数,采用模型预测控制算法对补偿后的光伏出力进行超前滚动优化控制,实现对光伏出力波动的平滑。最后,以上述模型为基础建立模型评估指标函数,以新疆某21 MW光伏电站为例进行算例分析,验证了策略的可行性。

永磁同步电机转矩与定子磁链模型预测控制预测误差补偿方法

针对永磁同步电机有限集模型预测控制过程中对电机参数鲁棒性较差的问题,提出了一种具有预测误差补偿的鲁棒型模型预测控制方法。分别考虑了转矩与定子磁链两个回路,采用延迟补偿的方式,将k时刻的预测值与实际值之间的误差值作为补偿因素反馈到k+1时刻的预测模型中。为了保证预测误差补偿的准确性,重点研究了在一个控制周期内得到所有电压矢量对应的转矩与定子磁链误差的计算方法。仿真和实验结果表明,在电机参数失配情况下,通过该补偿方法能够获得可靠的转矩与定子磁链预测值,提升了电机参数在模型预测控制中的鲁棒性。

数控机床轮廓误差预测前馈补偿技术研究

三轴加工中心是一种可满足复杂轮廓零件加工的机床,为进一步提高其轮廓加工精度,预测前馈补偿是一种经济而有效的途径,对数控机床的误差补偿技术进行了讨论,对误差补偿技术步骤、误差补偿的执行和预测前馈误差补偿方法作了详细的分析和介绍,并在MVC510立式加工中心上做了相关的实验进行验证,取得了很好的效果。67%的直线度以及76%的垂直度误差得到补偿。

数控机床轮廓误差预测前馈补偿技术研究

三轴加工中心是一种可满足复杂轮廓零件加工的机床，为进一步提高其轮廓加工精度，预测前馈补偿是一种经济而有效的途径，文中对数控机床的误差补偿技术进行了讨论，对误差补偿技术步骤，误差补偿的执行，预测前馈误差补偿方法作了详细的分析和介绍，并在MVC510立式加工中心上进行了验证。67％的直线度以及76％的垂直度误差得到补偿。

基于预测补偿模型的绳索并联机构预松弛控制

本文分析了含绳长误差的绳索并联机构运动控制过程,设计了一种基于长短期记忆(LSTM)神经网络预测误差补偿模型的预松弛控制方法,提高了绳索并联机构末端位姿在运动过程中的准确性与连续性。本文基于矢量闭环原理建立了系统运动学模型,得到了绳索末端位姿的非线性误差模型,采用LSTM神经网络进行非线性误差的预测补偿。基于离散控制周期分配主、从控制绳,实现系统的预松弛控制,减小绳索末端的无序晃动。仿真结果表明,误差补偿之后,末端位姿精度有了明显的提高,而预松弛控制的位姿与索力相较于传统控制也更加连续,验证了该方法的可行性。

基于最优滚动控制域的储能控制策略

针对风电场预测功率与实际功率不匹配以及风力发电不确定性问题,提出一种以补偿风电预测误差和平抑风电波动为目标的储能控制策略。该策略以先进控制理论为基础,结合储能补偿预测区间和储能平抑风电波动区间,提取考虑储能运行成本的储能最优滚动控制域。首先,针对储能补偿预测误差目标,制定储能控制策略,提取允许误差内的储能补偿区间;其次,考虑风电功率波动要求及荷电状态(SOC)约束,采用模型预测控制求解出储能滚动控制序列,确定储能平抑区间。最后,考虑储能运行成本,将补偿区间和平抑区间相结合,制定储能最优滚动控制区间,以此为基础确定储能容量。以中国新疆某风电场为例,对该文提出的储能控制策略与传统控制策略进行对比验证,验证所提策略的可行性和有效性。

基于神经网络和遗传算法的生化过程状态预估及优化控制

提出一种基于模糊推理的误差预测补偿系统,用于修正生化过程中预估神经网络模型的预测输出,以提高预测精度,并采用遗传算法建立生化过程的在线优化体系.通过对谷氨酸发酵过程仿真,表明该系统的应用是有效的.

Electrode Wear Prediction in Milling Electrical Discharge Machining Based on Radial Basis Function Neural Network

Milling electrical discharge machining(EDM) enables the machining of complex cavities using cylindrical or tubular electrodes.To ensure acceptable machining accuracy the process requires some methods of compensating for electrode wear.Due to the complexity and random nature of the process,existing methods of compensating for such wear usually involve off-line prediction.This paper discusses an innovative model of electrode wear prediction for milling EDM based upon a radial basis function(RBF) network.Data gained from an orthogonal experiment were used to provide training samples for the RBF network.The model established was used to forecast the electrode wear,making it possible to calculate the real-time tool wear in the milling EDM process and,to lay the foundations for dynamic compensation of the electrode wear on-line.This paper demonstrates that by using this model prediction errors can be controlled within 8%.