基于误差迭代PI和改进重复控制的APF补偿电流控制

针对电网谐波污染日益严重的情况,为提高有源电力滤波器(APF)的稳态补偿精度和动态响应性能,从谐振控制器的角度出发,对传统重复控制进行改进,并针对控制对象优化得到最优重复控制参数。同时,为了克服重复控制延时一个周波响应的动态性能缺陷,提出了一种误差迭代比例—积分(PI)控制法,在提高系统动态响应速度的基础上尽可能保证稳态精度。最后,对重复控制的嵌入形式加以改进,通过设置指令前馈通道优化控制结构,得到了改进复合控制的优化结构,实验和仿真结果验证了所提出控制策略的准确性和有效性。

逼近极值强伪压缩映象唯一公共不动点的带误差迭代序列(英文)

在实一致光滑Banach空间中引入了一类新的逼近三个极值强伪压缩映象唯一公共不动点的带误差迭代序列,以及通过Petryshyn不等式讨论了该带误差迭代序列的收敛性.

一种自动获取端元的RMS误差迭代改进算法

端元提取是混合像元分解算法中的关键技术之一,端元的质量直接影响分解结果的精度。本文对基于均方根(RMS)误差分析迭代提取端元的算法进行了改进,提出在端元选择时,增加像元纯净指数(PPI)、光谱矢量距离以及RMS误差值作为约束条件。利用南京地区2002年TM遥感影像作为试验数据,用本文提出的方法提取各组分丰度图,结合V-I-S模型以及研究区的实际情况,分析所提取的各组分丰度空间分布合理性,参考同期IKONOS影像解译结果,对改进前后的分解算法进行精度比较。试验结果表明:基于改进法得到的各组分结果精度较好,其与实测值的回归曲线在相关系数、斜率以及截距方面均得到了较明显的改善,但对于光谱非线性混合现象较严重的地物仍存在一定局限性。

具随机误差迭代序列的强收敛定理

介绍和研究了一类具随机误差的迭代序列,并在Banach空间中证明了此迭代序列的强收敛性,改进和推广了以往文献的相关结果.

基于误差迭代的时空分组软测量技术在加热炉中的应用

针对三钢一高线加热炉炉温控制效果不理想,响应性慢,超调量大的情况,提出了基于误差迭代的时空分组软测量技术的燃烧控制方式。经过实践证明,该控制方法具有很好的炉温控制效果,尤其在热负荷急剧变化时,加热效果有明显改善。

基于跟踪偏差角和改进迭代误差修正的光伏功率预测优化策略

随着光伏发电逐渐接入电网,电网对光伏功率的预测精度也提出了更高的要求。针对双轴太阳能自动跟踪系统实际运行中存在的跟踪偏差角以及采用传统迭代误差修正思想进行多模型预测时存在的误差异常值,提出一种基于跟踪偏差角和改进迭代误差修正的光伏功率预测模型。首先,建立改进迭代误差修正模型;然后,利用改进迭代误差修正模型对功率预测进行一层优化;最后,结合跟踪偏差角完成对光伏功率预测的二层优化。仿真结果表明,所建立的光伏功率预测模型能使功率预测精度提高5%左右,弥补了单一模型存在的不足。

解变分包含的增生算子方程带误差的三重迭代的收敛性分析

研究了Banach空间中一类Φ-强增生型变分包含问题,在实的自反的光滑Banach空间中,证明了这类变分包含问题解的存在唯一性及修改的具误差的三重迭代序列{x_(n)}的收敛性。所得结果是曾六川教授等人的早期与最近结果的改进和推广。

不动点问题和零点问题的公共元的具误差的迭代算法

在自反的严格凸的具有K-K性质的光滑Banach空间中,设计了一种新的具误差的投影算法,用以逼近拟φ-非扩张映射的不动点集和极大单调算子的零点集的公共元素,并利用所设计的算法证明了公共元的强收敛定理.作为应用,给出寻找凸泛函的极小值问题.

非自渐近非扩张型映象具误差的Reich-Takahashi粘滞迭代逼近

在具一致Gateaux可微范数的Banach空间中研究非自渐近非扩张型映象具有误差的Reich-Takahashi粘滞迭代序列的收敛性,在没有任何有界条件下,建立了具误差的Reich-Takahashi粘滞迭代序列的强收敛于非自渐近非扩张型映象的不动点定理.

迭代误差分析方法在高光谱异常检测中的应用

提出了一种基于迭代误差分析法(IEA)的异常检测算法。IEA算法能够提取图像中有代表性的光谱信息,可为异常检算子的构造提供端元信息。对基本的IEA算法进行了改进,使它能够区分背景端元和异常端元。算法适合在没有先验光谱信息条件下检测高光谱图像中的小目标。

有限个渐进非扩张非自映射的带有误差的Ishikawa迭代的收敛性(英文)

介绍了有限个渐进非扩张非自映射的带有误差的Ishikawa迭代,并且证明了在一致凸Banach空间中这种带有误差的Ishikawa迭代在一个新的条件下的强收敛性.

渐近非扩张映象的具误差的粘性迭代逼近

近几年,国内外学者利用一步粘性序列,得到了Banach空间中强收敛到非扩张映像不动点的条件。而非扩张映像一定是渐近非扩张映像。引入渐近非扩张映象的具误差的两步粘性迭代序列,采用迭代和不等式技巧和方法,得出了Banach空间中渐近非扩张映象的具误差的两步粘性迭代序列的收敛性及强收敛于其不动点的条件。进而改进和推广了最新的结果。

基于迭代误差补偿的核极端学习机模型在短期电力负荷预测中的应用

针对BP神经网络方法制约短期电力负荷预测精度的问题,提出一种基于迭代误差补偿的核极端学习机(KELM-IEC)预测模型。首先,建立短期电力负荷预测模型的输入指标体系,选择月份、日期、星期、周数、是否为节假日、日平均气温、前一日的最大负荷量等影响电力负荷的7个因素作为预测模型的输入;其次,基于新型神经网络模型——核极端学习机(KELM),建立负荷预测模型,引入支持向量机(SVM)的核函数映射作为极端学习机(ELM)的隐含层节点映射,有效结合ELM结构简单、训练简便与SVM泛化能力强的优势,提高负荷预测精度;最后,基于时间序列预测中迭代误差补偿(IEC)技术,建立IEC模型,再次利用KELM对负荷预测模型的预测误差进行学习,从而对预测结果进行补偿和修正,进一步减小模型预测误差,提高预测性能。采用两组实际电力负荷数据进行仿真实验,其中,KELM-IEC模型与BP神经网络模型相比,平均绝对百分误差(MAPE)分别降低了74.39%和34.73%,最大绝对误差(ME)分别降低了58.34%和39.58%;同时与KELM模型相比,平均绝对百分误差分别降低了18.60%和4.29%,最大绝对误差分别降低了0.08%和11.21%,说明误差补偿策略的必要性。实验结果表明,KELM-IEC预测模型能够有效地提高短期电力负荷预测的精度,有利于改善电力系统的计划、运营和管理,保障生产和生活用电,提高经济效益和社会效益。

渐近非扩张型映象具有误差的迭代收敛性

本文研究目的是在范数是一致Gateaux可微的Banach空间框架下,研究渐近非扩张型映象具有误差的迭代序列的收敛性,在没有任何有界条件下,使用新的分析技巧建立了具有误差的迭代序列的强收敛定理,最终从多方面推广和改进了有关文献中的结果。

算子方程x+THx=f的带误差的Ishikawa迭代解

给出了L-S-次逆增生算子H的定义.在一致光滑Banach空间中建立了收敛于方程x+THx=f的带误差的Ishikawa迭代序列,其中T是k-次增生算子,H是L-S-次逆增生算子,推广和改进了一些已有结果.

一种改进迭代误差分析端元提取算法

迭代误差分析(IEA)算法是应用比较广泛的端元提取算法之一,针对IEA端元提取算法计算量大的缺点,从减少参与迭代过程中的像元数目进行改进。根据凸面几何理论,混合像元位于其端元构成子空间内部,这部分像元到其端元正交子空间(OSP)投影值理论上为零,在迭代求下一个端元过程中,可以将这部分无用像元去除,从而减少每步迭代过程像元数目。采用模拟数据和真实高光谱数据进行实验,证明改进算法与原算法提取端元精度相同,随着端元提取个数的增多,参与迭代过程的像元数目逐次减少,比原始的IEA端元提取算法减少了计算时间。

有关非扩张映射的带误差的迭代收敛定理

讨论了3个非扩张映射的带误差的迭代格式,在一致凸Banach空间中,在比紧性弱的条件下,通过这种格式,强弱收敛到3个非扩张映射的公共不动点.

关于Lipschitz严格伪压缩映象的带误差的Ishikawa型迭代程序

设K是任意实Banach空间X中的闭凸子集,T∶K→K是Lipschitz严格伪压缩映象,在没有假设∑n=0∞αnβn<∞之下,本文证明了由xn+1=(1-αn)xn+αnTyn+un与yn=(1-βn)xn+βnTxn+vn,n∈N,生成的带误差的Ishikawa迭代序列强收敛到T的唯一不动点,并给出了更为一般的收敛率估计:若un=vn=0,n∈N,则有‖xn+1-x*‖≤(1-γn)‖xn-x*‖≤…≤∏j=0n(1-γj)‖x0-x*‖,其中{γn}是(0,1)中的序列,满足γn≥1/(1+k)min(ε,η-ε)αn。所得结果改进和推广了最新的一些结果。

关于增生算子方程的具误差的Ishikawa迭代序列的收敛率估计

设X是一实的Banach空间,T:X→X是一Lipschitz的增生算子;证明了具误差的Ishikawa迭代序列强收敛到x+Tx=f的唯一解;得到一个一般的收敛率估计式.进一步得到:若T:X→X是一Lipschitz的强增生算子,则具误差的Ishikawa迭代序列强收敛到Tx=f的唯一解.文中结果推广和发展了已有的相关结果.

Banach空间中有限簇非扩张非自映象具误差的迭代逼近

设E是一致凸的B anach空间,K是E的非空有界闭凸子集而且是E的非扩张收缩核.设T1,T2,…,TN:K→E是N个非扩张非自映象.证明了在一定条件下,由xn+1=P[(1-an1)xn+an1T1yn1+un1],yn1=P[(1-an2)xn+an2T2yn2+un2],……ynN-2=P[(1-anN-1)xn+anN-1TN-1ynN-1+unN-1],ynN-1=P[(1-anN)xn+anNTNxn+unN],n≥1定义的带误差的迭代序列{xn}分别弱和强收敛于公共不动点,也推广和改进了一些已知的最新结果.