基于改进粒子群算法的PMSM多参数辨识

针对标准粒子群优化算法对永磁同步电机多参数辨识精度低与收敛慢的问题,设计了一种自适应自治群组粒子群优化算法进行辨识,并在Matlab/Simulink中搭建参数辨识模型.仿真结果表明:改进后的算法对永磁同步电机多参数辨识的整体精度更高,收敛速度更快.     

基于LM算法神经网络的PMSM转子位置估算

针对永磁同步电机控制中传统机械传感器容易故障或失效,常规无传感器转子位置估计方法实现复杂、计算量大、易受干扰等问题,提出了基于LM算法神经网络的永磁同步电机转子位置估算器.通过采集两相静止坐标系下电压、电流以及与转子位置相关联的数据集来创建估算器模型,针对标准BP神经网络算法收敛速度慢、效率低的问题,将采用LM算法对数...     

基于云模型的改进粒子群PMSM参数辨识算法

针对永磁同步电机传统参数辨识方法存在的缺陷,提出了一种基于云模型的改进粒子群参数辨识算法.该算法首先采用高频电压注入法建立高频电压方程,通过滤波处理获取高低频信号构建四阶满秩实时电机辨识模型;将云模型理论与粒子群算法相结合,采用正态云发生器对粒子进化变异操作建模,实现了自适应动态调节粒子的搜索范围,有效克服早熟收敛,保证了辨识参数为全局最优解.实验表明该辨识方法寻优能力强,搜索精度高,稳定性好,具有良好的动态性能.     

扩展卡尔曼滤波法在12相发电机定子参数辨识中的应用

利用新型电源12相发电机精确的数学模型,得到其离散状态空间方程,在此基础上,应用扩展卡尔曼滤波算法首次实现了其定子参数辨识.利用PSCAD和MATLAB软件分别实现了电机的仿真与辨识;辨识程序分无噪声和有噪声2种情况,且2种情况辨识结果误差均控制在9%以内,证明了此方法的有效性.     

基于扩展卡尔曼滤波器的PMSM无传感器矢量控制仿真设计

提出了一种基于扩展卡尔曼滤波器(EKF)的PMSM转子速度和位置的估算方法。利用α-β坐标系下的电机状态方程,进行EKF算法的实现,并在Matlab/Simulink平台设计仿真模型并进行仿真验证,经过仿真表明基于EKF的PMSM无位置传感器矢量控制系统具有较高的估计精度、良好的动态性能和稳态性能,且鲁棒性较好。     

基于输出响应的识别结构参数的神经网络方法

讨论了输出未知时结构模态参数基于频率响应函数的神经网络识别方法,并研究了不同的噪声水平和网络输入层结点数目的变化对网络输出误差的影响。讨论了网络对不同阶数模态参数的识别精度。数值结果表明该方法是可行的。     

头盔显示器伺服系统动平台参数辨识方法

分析了头盔显示器伺服系统动平台参数的不确定性与时变性, 推导了连续-离散扩展卡尔曼滤波(CDEKF)与连续-离散平方根无味卡尔曼滤波(CDSR-UKF)的辨识过程, 结合头盔显示器伺服系统的动力学模型建立了系统动平台参数的辨识模型, 并通过仿真试验对比分析了CDEKF和CDSRUKF的辨识效果。设计了动平台参数的突变试验过程, 通过试验对CDSR-UKF的实用性进行了检验。仿真结果表明: CDEKF与CDSR-UKF的标准误差比值范围为1.9~6.3, 收敛时间比值范围为1.0~27.7, 均方根误差的比值范围为1.4~11.0, 后者的计算精度、稳定性和收敛速度均要优于前者, 且后者的平均收敛时间约为0.002s, 具有较好的在线辨识性能; CDSR-UKF的辨识误差小于10%, 对大幅度突变和一般幅度突变参数的辨识收敛时间分别约为0.30s和0.04s, 能较好地跟踪参数的变化过程, 可满足正常使用情况下的头盔显示器伺服系统动平台参数辨识要求。     

基于灰色-神经网络的大跨度斜拉桥参数识别

为解决大跨度斜拉桥施工过程中观测噪声对结构参数识别的影响,以苏通大桥为工程背景,提出了基于灰色-神经网络的施工全过程参数识别方法.灰色系统理论与人工神经网络相融合,在小样本和数据不完备的情况下可以进行结构参数识别,并具有预测功能.苏通大桥参数识别的结果表明,参数识别后的计算值与实际结构挠度响应间的最大误差减小77%,与传统识别方法相比,灰色-神经网络方法的识别精度提高50%.     

基于修正因子的无速度传感器PMSM模糊控制器研究

针对基于矢量控制的无速度传感器永磁同步电机(PMSM)调速系统提出了一种智能型的模糊控制器,阐述了采用自调整修正因子的算法分析设计模糊控制器的方法,利用该控制器对无速度传感器PMSM进行控制,在simulink环境下进行了仿真.采用TMS320LF2407A实现算法并进行了实验验证,取得了良好的效果.     

大跨度桥梁施工过程中参数识别的BP神经网络方法

针对预应力混凝土大跨度桥梁的主梁参数反馈分析，改进和调整了传统的BP神经网络算法，结合斜拉桥工程实例，介绍了将BP神经网络方法应用于大跨度桥梁施工过程中的主梁物性参数的识别修正。     

基于EKF的神经网络在网络流量预测中的应用

在网络资源有限的情况下,建立合理的网络流量预测模型,并根据其预测结果及时做出控制决策或调整措施,对网络性能和服务质量的提高均有重要意义.根据网络流量的时变、非线性特点建立一个时间相关的流量预测模型,预测和分析网络流量状况,并利用人工神经网络在非线性建模方面的优势,给出了基于EKF算法的前馈神经网络的结构设计及学习算法.最后在Matlab环境下使用该预测模型对网络流量进行了仿真,结果表明该模型具有较好的自适应性和较高的预测精度.     

����Elman������ĵ�·����ʱ��ͨ��Ԥ�ⷽ��

以道路子网为研究对象,采用Elman神经网络实现道路网多断面交通流短时预测. 首先通过提取交通流空间特性对道路网进行划分,降低道路网整体分析复杂度及解空间维数,提高交通流预测的计算精度和效率;其次以实时采集的交通流数据为基础,并以重构的交通流时间序列作为输入,采用Elman神经网络实现道路网多断面交通流同时预测;最后,基于城市快速路多断面交通流量数据对短时交通流预测方法进行验证,并与BP神经网络预测结果进行对比分析. 验证结果表明,本文提出的道路网划分方法能够划分出满足预测需求的子路网,在划分的子路网上,应用Elman神经网络能够实现道路网多断面同时预测,且预测效果优于BP神经网络.     

Adaptive Identification of Logging Lithology Based on VPSO-ENN Hybrid Algorithm

Particle swarm optimization (PSO) was modified by variation method of particle velocity, and a variation PSO (VPSO) algorithm was proposed to overcome the shortcomings of PSO, such as premature convergence and local optimization. The VPSO algorithm is combined with Elman neural network (ENN) to form a VPSO-ENN hybrid algorithm. Compared with the hybrid algorithm of genetic algorithm (GA) and BP neural network (GA-BP), VPSO-ENN has less adjustable parameters, faster convergence speed and higher identification precision in the numerical experiment. A system for identifying logging parameters was established based on VPSO-ENN. The results of an engineering case indicate that the intelligent identification system is effective in the lithology identification.     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练。并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明：所建的Elman模型比EBP模型的预测精度高,效果好。     

基于神经网络的公交客流预测

公交客流量具有动态性,受多种因素的影响,不能或无法用精确的数学模型进行预测。通过对公交客流量预测的Elman和BP神经网络的建立、学习和训练,并以前三年的公交客流量、国内生产总值、工业总产值、城市人口数作为两种神经网络的输入神经元,第四年的公交客流量作为输出神经元,同时以合肥市公交客流量为例进行分析,结果表明:所建的Elman模型比BP模型的预测精度高,效果好。     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

基于神经网络的斜拉索损伤识别研究

以一模型桥为背景,探讨了斜拉索损伤定位以及损伤程度确定的方法.基于ANSYS有限元模型,采用RBF网络,模拟了斜拉索的损伤情况.以不同损伤程度下自振频率和局部模态作为神经网络的训练与测试输入样本,由神经网络的输出来指示损伤位置和损伤程度,并与BP神经网络的识别效果进行比较.     

Identification Simulation for Dynamical System Based on Genetic Algorithm and Recurrent Multilayer Neural Network

Introduction　　Inpracticalapplication ,thereexistmoreorlessnonlinearphenomenainamajorityofphysicalsystems .Inordertostudythesekindsofphysicialsystems ,anonlinearsystemmodelmustbesetupfirstofall,andthensomeparametersidentificationofthepredefinedmodelmustb…     

永磁直线同步电机递归神经网络补偿器仿真研究

针对永磁直线同步电机驱动系统没有机械阻尼、抗扰动性能差的缺点,为了抑制参数及负载变化对控制系统影响,采用扰动观测器进行补偿,该观测器能较好地补偿参数及负载在小范围内的变化,但不能有效地处理过大参数变化量.为了加大永磁直线同步电机驱动系统在参数变化和负载干扰时的控制性能,提出以递归神经网络作为补偿器来取代扰动观测器.仿真表明,当系统参数动态变化或受到负载变化的影响时,利用递归神经网络来在线动态地调整网络的参数,系统仍将具有很好的动静态性能.