基于Poincaré映射的单相并网逆变器非线性动力学分析方法研究

近年来,并网逆变器作为电力系统与新能源的接口迅速发展,但目前线性化思想分析其稳定性问题的方法存在准确性不足的风险。为此,提出了一种基于Poincaré映射的单相并网逆变器非线性动力学分析方法。首先,考虑锁相环与电路的拓扑结构,建立系统的非线性状态空间模型;其次,根据系统的拓扑切换方式求解系统的Poincaré映射,并对系统雅可比矩阵进行特征值求解;最后,对不同电容参数下的系统进行了特征值计算与仿真分析,仿真结果证明了分析方法的有效性。所提方法可以准确预测系统的非线性动力学行为,为并网逆变器的参数设计与理论分析提供帮助。

Poincare映射的数值算法及其在永磁同步电机混沌分析中的应用

给出了Poincare映射的一个数值算法 ,并在提出的永磁同步电机 (PMSM )混沌模型的基础上 ,应用Poincare映射分析了PMSM的混沌现象 .仿真结果表明Poincare映射可以更直观地反映其相应的状态空间图形 ,而从一个新的角度证实了PMSM的混沌运动的存在性 .

Poincare型胞映射分析方法及其应用

本文用Poincare型胞映射方法对平衡及不平．衡轴承转子非线性动力系统的全局特性进行了分析研究，同时求得了一定状态空间内系统存在的周期解及其在各不同Poincare截面上的吸引域，得到了一些新的现象和规律，并通过对平衡及不平衡轴承转子系统的全局特性异同的比较。

非线性周期非自治系统的 Poincare 型胞映射方法及其应用

通过引入Ｐｏｉｎｃａｒｅ映射的思想，给出一种适用于高维非线性周期非自治动力系统全局特性分析的基于Ｐｏｉｎｃａｒｅ映射的胞映射方法，并通过分析比较，说明传统的胞映射方法实质上是新方法应用中的一个特例．为说明新方法的有效性，用它对不平衡轴承转子非线性动力系统进行了全局特性分析，同时求得了系统存在的周期解及其在各个不同Ｐｏｉｎｃａｒｅ截面上的吸引域，得到了一些新的现象和规律，为建立适用于不平衡轴承转子系统的非线性稳定性准则提供了参考．

一种带高光处理的无缝纹理映射方法

纹理映射作为三维重建的重要步骤,直接关系到生成模型的视觉效果。传统的纹理映射方法通常使用简单的混合方法来获取表面纹理。通过将模型表面投影到每个纹理图像上来获取相应的纹理区域,然后将它们混合在一起以获取表面纹理。然而,由于相机位姿的不准确性,纹理映射结果存在明显的模糊和鬼影等问题。此外,在高光环境下获取的纹理图像很容易包含高光区域,最终导致纹理颜色的丢失,降低纹理的真实性。为了解决这些问题,提出了一种无缝纹理映射方法,可以有效消除高光反射。通过衡量纹理图像的质量,为每个模型表面选择最佳的纹理图像,并利用色度一致性约束优化的相机位姿以消除明显的纹理错位。针对高光问题,提出了一个高光处理模块,使用多视图图像信息并基于双色反射模型定位和处理高光纹理。最后,对纹理图进行纹理颜色一致性调整,以处理纹理之间的颜色差异。实验结果表明,与现有方法相比,提出的算法可以有效消除高光反射的影响,从而获得更好的纹理映射结果。

基于NXMCD的虚实映射实验交互系统设计与实践

该文基于数字孪生理念,结合NX MCD机电概念设计、PLC编程与控制和LabVIEW的图形化编程手段,完成了基于NX MCD的虚实映射实验交互系统设计与实践。以LabVIEW设计的UI界面为控制监测端,物理对象与MCD虚拟模型为执行端,实现了物理对象与MCD虚拟模型的虚实映射,同时MCD虚拟模型能够输出控制信号进而控制物理对象。在此基础上,设计了步进电机往复运动与MCD虚拟模型虚实映射实验案例。该实验案例可为本科生和研究生相关课程的实践教学提供虚实映射交互实验方法和手段,可显著提升学生的创新实践能力与水平,是对数字化实践教学研究的一次探索。

基于多端口参数提取和主动空间映射法的腔体滤波器设计

为提高微波腔体滤波器的设计效率,文中提出了一种基于多端口参数提取和空间映射法的滤波器快速设计方法。通过添加额外内部端口提取腔体滤波器电磁模型的Y参数,从而计算出耦合矩阵,再结合空间映射法将求解滤波器理想尺寸问题转换为逼近理想耦合矩阵问题。最后设计并加工了一款四阶同轴腔体滤波器,在初值偏差很大的情况下,经过四次迭代即可得到满足指标的滤波器物理尺寸,实物调试结果和仿真结果一致性良好,从而证明了文中方法的快捷有效。

基于映射空间编码的高速运动轨道图像去模糊研究

针对轨道缺陷检测系统因镜头抖动或相机快速移动而导致所采集图像较为模糊的问题,提出一种基于最大后验概率估计思想的映射空间编码的高速运动轨道图像去模糊算法。首先,该算法使用深度编解码器和残差网络分别对数据集中清晰图像到模糊图像的映射关系和模糊核进行编码,为了保证编码时频率信息的完整性,算法在传统的残差模块上引入快速傅里叶变换通道构成双通道残差网络,以补偿多次特征提取带来的频率损失;其次,算法采用深度图像先验(Deep Image Prior,DIP)将潜在的清晰图像和模糊核进行参数化,再利用先验得到的模糊核和清晰图像来调用编码空间中的映射关系;最后,通过交替优化潜在的清晰图像和模糊核,从而去逼近一个真实未知的映射,进而实现真实场景下高速运动轨道图像的去模糊。实验结果表明,双通道残差模块提取的特征图频率信息分量强度普遍高于传统的残差模块,相较于使用传统残差模块实现该算法,采用双通道残差模块可使峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)提升0.84 dB,结构相似性(Structural Similarity,SSIM)提高0.025 1。与现有的深度学习去模糊算法相比,提出的去模糊算法对高速轨道检测系统所采集图像的去模糊效果更佳,在性能方面相较于最好的去模糊算法,PSNR提高了1.84 dB,SSIM提升了0.017 3,显著提升了采集图像的质量。研究结果可为下一步识别轨道部件是否存在缺陷提供清晰图像。

基于映射距离比离群因子的离群点检测算法

针对基于邻近性的离群点检测方法需要花费大量时间过滤正常点,并且在检测全局离群点时难以检测出局部离群点的问题,提出一种基于映射距离比离群因子离群点检测(MDROF)算法。首先,为了减少正常点在检测过程中的时间消耗,给出了差异相似度的概念,通过定义差异相似度剪枝因子过滤掉数据集中的大部分正常点。其次,定义映射k距离,通过映射距离与可达距离的比值刻画数据对象的局部离群程度,通过可达密度刻画数据对象的全局离群程度。最后,结合数据对象相互近邻点的平均排位定义映射距离比离群因子来检测离群点。在人工数据集以及真实数据集上分别对该算法与其他经典的离群点检测算法在精确率、AUC值和离群点发现曲线上进行实验对比分析。实验结果证明MDROF算法在离群点检测的准确性和稳定性上明显优于对比算法。

Poincare映射图计算中的“伪收敛”

讨论了计算Poincare映射图时不同的收敛过程、相应的时间历程图呈现的不同特点和影响映射图准确性的因素,分析了时间分岔和伪收敛现象.

基于多混沌映射算法的图像可逆化加密仿真

原图像经过对矩阵元素随机打乱可得到加密图像,加密后的图像可以有效防止已知攻击。可逆映射可以高效地实现像素置乱,但由于离散混沌序列的初始条件较为敏感,因此像素扩散置乱难度较大。为此提出基于多混沌映射算法的图像可逆化加密方法,在图像加密过程中,采用扩散置乱和Arnold变换置乱图像,通过Logistic映射系统和Chen系统生成离散混沌序列,置乱后图像中红、绿、蓝三基色分别执行异或运算,从而输出加密图像。在图像解密过程中,分别对扩散置乱、Arnold变换以及图像加密执行逆映射,输出解密图像,完成图像可逆化加密。实验结果表明,所提方法密钥敏感性和原图与解密图像像素值分布更均匀、相邻像素相关性更低,鲁棒性更强。

基于增量式等距映射同双重局部密度方法的工业过程故障检测

针对工业过程的非线性和动态性问题,提出一种基于流形学习下的增量式等距映射(IISOMAP)与双重局部密度(DLD)相结合的故障检测方法(IISOMAP-DLD).利用IISOMAP将原始数据映射到低维流形特征子空间和剩余子空间;然后,在两个子空间中分别引入双重局部密度方法构建统计量对过程进行监控;最后,将IISOMAP-DLD方法应用到田纳西-伊斯曼(TE)过程.实验结果表明,IISOMAP-DLD对比其他方法有更高的故障检测率.IISOMAP在保留数据内在特征的同时,解决了过程的非线性问题,而双重局部密度方法可消除过程的动态性.

基于单边调制映射函数的LCC-HVDC直流侧阻抗精确建模

阻抗模型是电网换相换流器型高压直流输电系统小信号稳定性分析的重要基础,阻抗模型的准确程度直接影响系统小扰动稳定性分析。该文首先从同步触发原理出发,引入基于单边调制产生的映射函数,该函数蕴含控制及换相信息,可以准确建立换相/非换相期间交直流侧的映射关系;其次,考虑换相动态并通过谐波线性化和傅里叶变换建立完整的直流侧电压和交流侧电流的频域小信号动态模型;再次,考虑控制和换流阀阻尼回路,建立整流侧和逆变侧直流阻抗解析模型;最后,以CIGRE高压直流标准测试模型为例,基于PSCAD/EMTDC平台验证了直流侧阻抗模型的准确性及其用于小扰动稳定性分析的有效性。

基于多传感融合的巷道三维空间映射

针对我国煤矿掘进工作面智能感知能力不足的问题,提出了一种基于多传感融合的煤矿巷道三维空间映射方法。该方法利用激光雷达等3D传感器预览煤矿巷道环境信息,并构建实时自主映射模型,为大型煤机装备提供空间感知信息。基于姿态感知理论的多传感融合技术,对扩展卡尔曼滤波器算法进行优化,通过局部误差状态滤波估计和全局状态迭代估计,提出了一种基于距离残差的空间映射方法,实现了在几何退化的巷道环境下全局地图的快速更新和映射的高精度。其主要贡献在于将多传感器数据进行融合,构建出高精度的地下三维地图,并提高了巷道环境的智能感知能力和自主操作水平。首先,采用先进的激光雷达(LiDAR)传感器获取巷道内部的点云数据,提取点云特征,并建立帧间特征映射模型,从而构建出厘米级别的地下三维地图。同时,通过迭代误差状态的卡尔曼滤波器实现激光雷达与惯性导航的数据融合,提高了系统的鲁棒性,确保了地下三维地图的准确性和稳定性。此外,还考虑了井下粉尘和水雾等因素对巷道三维空间映射精度的影响,优化卡尔曼滤波增益调节激光雷达里程计权重,增强了低质量浓度粉尘条件下三维空间映射的环境适应性。实验结果表明,相较于LeGO-LOAM和LINS,笔者提出的三维空间映射方法在轨迹估计准确度、映射地图的点云数量以及点云密度等方面均表现更优。笔者所提出的方法可用于高精度、快速更新三维地图的自主掘进装备,提高煤矿掘进工作面的智能化水平,为巷道环境的智能化感知和自主作业提供了数据支持。

无等待与时隙映射复用结合的时间触发流调度方法

工业控制系统中众多应用的正常运行依赖于确定性低时延的网络传输,这一需求推动了时间敏感网络的发展。为保证工业控制系统中流量传输的确定性,提出了无等待与时隙映射复用结合的时间触发流调度方法。首先,对工业控制系统时间敏感网络的通信要素进行建模,通过分析时间触发流的特性,简化了链路、流传输、流隔离和帧隔离等约束条件;其次,使用基础周期作为调度循环时间,实时流采取无等待调度,循环流采取时隙映射复用,从而缩短了门控列表长度;然后,提出了基于数据帧传输区间中点的冲突判别方法,降低了时隙冲突判断的时间复杂度;最后,设计了时间触发流调度优化函数,并基于改进的多目标遗传算法进行求解。实验验证了该方法的正确性与可行性,平均门控列表长度缩短了59.7%。

基于三维超混沌映射的图像加密及其FPGA实现

随着信息技术的不断发展,确保信息安全已成为重要问题,而图像作为被广泛使用的多媒体工具,时常面临着泄露的风险,针对该问题提出一种基于三维超混沌映射的图像加密算法。该算法首先构造一个离散三维超混沌系统,此系统相较于传统的混沌系统拥有更好的混沌特性,所生成的序列具有更强的随机性。然后在此序列的基础上对图片进行置乱和扩散:在置乱阶段,通过混沌序列对原始图片的像素点进行索引排序,实现像素置乱;在扩散阶段,使用处理后的混沌序列对置乱图像的像素值进行分层异或,实现像素扩散。软件仿真和性能分析表明,该算法具有较高的安全性和较强的抗干扰能力,最后通过FPGA硬件平台完成图像加密。整个算法包括软件仿真和硬件实现两个部分,能够有效提升学生将理论和实践相结合的能力,增强学生对非线性理论的理解。

新生儿脑白质损伤时空分布规律的病灶概率映射研究

目的采用基于T1WI的病灶映射方法刻画新生儿局灶性脑白质损伤(punctate white matter lesions,PWML)的好发区域并探究其时空分布规律。材料与方法回顾性纳入PWML新生儿94例,其中轻度损伤60例(早产/足月:24/36),重度损伤34例(早产/足月:20/14)。基于T1WI手动标记病灶,与约翰霍普金斯大学新生儿T1WI模板配准后叠加图谱,最终生成PWML概率映射图并计算病灶在不同区域的分布概率。对轻重度PWML组间以及不同分组内早产与足月儿各脑叶病灶体积进行比较。结果轻度PWML的分布均以颞顶叶为主(病灶体积于颞顶叶>额叶>枕叶,P<0.008),尤其是丘脑后辐射、角回及缘上回;早产儿损伤范围较足月儿增加,且向额叶延伸。重度PWML主要分布于额颞顶叶(病灶体积于额颞顶叶>枕叶,P<0.008),早产与足月损伤分布范围较为一致,共同累及的区域包括丘脑后辐射、角回及上放射冠。结论基于T1WI的病灶概率映射于脑区水平细化了不同程度PWML病灶的时空分布特征,为深入理解PWML的病理生理机制及预后评估提供了解剖基础。

基于流量特征重构与映射的物联网DDoS攻击单流检测方法

针对现有检测方法对物联网(IoT)分布式拒绝服务(DDoS)攻击响应速度慢、特征差异性低、检测性能差等不足,提出了一种基于流量特征重构与映射的单流检测方法(SFDTFRM)。首先,为扩充特征,使用队列按照先入先出存储定长时间跨度内接收的流量,得到队列特征矩阵。其次,针对物联网设备正常通信流量与DDoS攻击流量存在相似性的问题,提出一种与基线模型相比更加轻量化的多维重构神经网络模型与一种函数映射方法,改进模型损失函数按照相应索引重构队列定量特征矩阵,并通过函数映射方法转化为映射特征矩阵,增强包括物联网设备正常通信流量与DDoS攻击流量在内的不同类型流量之间的差异和同类型流量的相似性。最后,使用文本卷积网络、信息熵计算分别提取映射特征矩阵和队列定性特征矩阵的频率信息,得到拼接向量,丰富单条流量的特征信息并使用机器学习分类器进行DDoS攻击流量检测。在两个基准数据集上的实验结果表明,SFDTFRM能够有效检测不同类型的DDoS攻击,检测性能指标平均值与现有方法相比最多提升12.01%。

计算Poincare映射图的收敛过程

讨论了计算Poincare映射图的收敛过程 ,并分析了影响映射图准确性的因素。提出了利用时间历程图呈现的不同特点 ,直观。

基于数据映射和胶囊网络的轴承故障诊断方法

传统深度学习模型自适应提取振动信号故障特征,实现端到端轴承故障诊断。然而,振动监测信号为非常复杂的非稳态时序信号,若深度网络直接以原始振动信号为输入,数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的为降低故障信号之间强非线性耦合作用,解决卷积神经网络对空间约束信息丢失的问题,提升轴承故障诊断性能,方法本文提出一种基于数据映射和胶囊网络(capsule network,CapsNet)的轴承故障诊断方法。首先,将图像处理领域中具有细化颜色特征能力的颜色空间模型(color names,CN)引入故障数据预处理中,将原始低维空间数据映射至高维空间,提升故障数据空间区分度;其次,针对映射后数据维度较高且具有一定冗余,影响故障诊断效率的问题,引入主成分分析(principal compo⁃nent analysis,PCA)法提取故障数据主元信息,降低数据维度;最后,考虑到胶囊网络有效提取空间约束信息的能力,将CapsNet作为故障诊断的骨干网络对故障特征进行识别和分类。结果使用CWRU、XJTU-SY数据集对该方法进行验证,实验结果表明,该方法在两种数据集上故障诊断准确率均达98%以上,与其他基于深度学习的故障诊断方法进行对比,该方法的诊断性能具有一定优势。结论本文方法可对故障数据进行有效解耦,提升数据之间的空间区分度,获得较高的轴承故障诊断精度。