一种用于模块化CPC均衡充电的最优化策略

随着锂电池在工业及生活中的广泛应用,锂电池组均衡充电策略的高效性及快速性也变得愈发重要,因此构建单体电池与电池模块间CPC(cell-to-pack-to-cell)的均衡充电系统,以解决锂电池组快速均衡充电问题。首先,对均衡系统进行模块化处理,建立模块内和模块间的均衡电路;然后,提出1种用于均衡充电的最优化策略,对所提策略模型进行分层求解,顶层通过二分法来计算充电时间,底层通过梯度下降法来优化充电电流;最后,通过与非模块化均衡充电策略下的充电时间、均衡时间、单体电池端电压及均衡器承担电压进行仿真对比,验证了所提策略的可行性和有效性。

基于卷积神经网络去噪正则化的相位恢复算法

相位恢复问题是指仅从幅值测量中恢复原始信号.由于幅值测量中缺少相位信息,精确恢复原始信号困难,因此需要加入正则化项确保高精度重建原始信号.结合交替投影和卷积神经网络提出了基于卷积神经网络去噪正则化的相位恢复算法(NrPR_DnCNN).所提算法将相位恢复问题转化为去噪和约束优化两个子问题,并利用l 1正则化快速梯度下降法交替求解.仿真结果表明:与BM3D_PRGAMP算法相比,所提算法重构图像的峰值信噪比在二种高斯噪声水平上分别提高了2.08 dB和3.20 dB,验证了所提算法的有效性和鲁棒性;误差-迭代仿真结果验证了所提算法具有良好的收敛性.

位场向下延拓的迭代最小二乘法

将位场向下延拓作为一种反问题,结合正则化方法和快速傅里叶算法的优点,本文提出了一种解决位场向下延拓问题的迭代最小二乘法,新方法将位场向下延拓问题转化为最小二乘问题,采用梯度下降法对最小二乘问题进行迭代求解,在迭代过程中,利用快速傅里叶变换方法解决了计算量大的问题,新方法对延拓数据中的噪声具有很好的抑制作用,利用不合噪声和含有噪声的模型数据对新方法进行了验证,结果表明新方法快速、稳定、抗干扰能力强,向下延拓距离大.

基于自适应RBF神经网络预测堆芯热工水力参数的方法研究

反应堆堆芯热工参数的变化直接影响反应堆的安全,准确预测反应堆堆芯在各种工况下的关键热工参数变化趋势,能够大幅度提高反应堆的安全性,有效防止核电厂事故的发生。堆芯内热工水力特性参数受诸多因素的影响,为对其预测方法进行初步研究,确定神经网络预测的可行性,本文选用中国实验快堆(China Experimental Fast Reactor,CEFR)为研究对象,以燃料包壳表面最高温度、质量流量为预测量,通过子通道程序Subchanflow生成数据样本后,使用目前应用较为广泛的两种自适应神经网络方法自行开发预测程序,开展CEFR燃料组件稳态工况下热工参数预测分析,以及选用1/2的CEFR堆芯为研究主体,开展瞬态工况下热工参数的单步与连续预测分析。结果表明:相较于自适应反向传播(Backpropagation,BP)神经网络,自适应径向基(Radial Basis Function,RBF)神经网络具有更强的拟合能力和更高的预测精度,其在稳态工况下最大误差为0.5%;在瞬态工况下,存在个别局部点预测精度较差,但总体上自适应RBF神经网络在温度和质量流量预测良好,温度平均相对误差不超过1%,而流量平均相对误差不超过6%。自适应RBF神经网络模型能够在流动不稳定情况下提供较短时间内的实时预测,其预测结果具有一定参考价值。

图像处理中全变差正则化数据拟合问题算法回顾

全变差正则化数据拟合问题产生于许多图像处理任务,如图像去噪、去模糊、图像修复、磁共振成像、压缩图像感知等.近年来,求解此类问题的快速高效算法发展很快.以最小二乘、最小一乘等为例简要回顾求解此类问题的主要算法,并讨论一个全变差正则化非凸数据拟合模型在脉冲噪声图像去模糊问题中的应用.

基于三角函数神经网络的电动汽车充电电流谐波分析方法

为了快速、准确地检测电动汽车充电的电流谐波,提出了基于三角函数神经网络的电流谐波实时分析方法。利用权重对电流的谐波分量进行估计,建立电流谐波分量参数与权重的关系,在学习中采用负梯度下降法更新权重,求取三角函数神经网络的最优权重,从而快速、精确地估计系统谐波分量的幅值、相角等相关参数。通过MATLAB对所提出方法进行仿真分析,并与快速傅里叶变换(FFT)方法进行对比,结果表明,所提方法鲁棒性较好,能够更加快速、准确地检测电流的各次谐波成分。