基于特性增加变换的错误矩阵方程构建及求解

基于错误矩阵方程XA′=B,给出了增加变换矩阵的定义,针对特性要素的增加变换,给出了特性增加变换矩阵方程的构建及求解.研究了基于特性增加变换的错误矩阵方程的求解方法、解的存在性、解的形式.以期从基于特性增加变换的错误矩阵方程求解的角度对错误转化规律进行探索研究.     

基于错误矩阵方程的消避错专家系统

提出消避错专家系统的结构.基于错误矩阵方程,分析了如何创建消避错专家系统中数据库、规则库及模型,并给出错误矩阵、错误矩阵方程模型在消避错专家系统中的存储及推理实现形式.给出结合交通管理问题的基于错误矩阵方程的消避错知识推理实现案例.     

液压挖掘机作业循环状态智能识别方法

为实现液压挖掘机作业循环阶段状态的自动识别,提出采用时窗滑移特征提取与PCA-SVM相结合的方法. 以液压挖掘机2个主泵压力信号为研究对象,采用时窗滑移截取各阶段状态的小段波形,提取所有截取波段相应的时频参数并进行特征值归一化,经PCA降维处理后作为输入特征集,采用SVM进行状态分类,并分别讨论时窗宽度与重叠率对识别准确率的影响. 引入即时校正策略,对直接识别结果进行自动检验校正,纠正不符合挖掘机循环作业逻辑规则的误判结果,从而使识别准确率由80.85%提高到89.36%. 实验结果表明,所提方法能准确有效地实现液压挖掘机作业循环各阶段状态的自动识别.     

电力系统状态估计中错误数据的“同时估计识别”方法

本文利用线性代数和卡尔曼滤波理论,提出把电力系统状态估计中的错误数据的修正值Δz也作为状态量连同原来的状态量x一起,同时进行迭代求解的方法。并在理论上严格证明了:即使对于非线性的电力系统,这个方法与直接除去错误数据的方法也是等价的。文中还严格论述了,“同时估计识别”方法与“再估计识别”方法的关系。再估计识别公式是同时估计识别方法中的一次特殊迭代结果。     

基于Markov链的隧道围岩破碎状态模拟研究

提出了间隔钻孔数据修正的Markov链隧道围岩破碎带分布预测模型,将隧道围岩的分布统计规律转化为随机转移状态矩阵,采用间隔钻孔信息修正的方法,进行模拟计算,得到隧道围岩破碎状态分布图.结合张石高速某隧道工程勘察资料,建立隧道右洞(里程RK73+450~RK77+450)沿隧道走向的地质剖面围岩破碎带分布图,对比开挖数据验证改进的Markov围岩破碎带预测模型的真实可靠性,经统计准确率80.7%~89.6%.为隧道及地下工程设计施工提供数据支持.     

一类Lipschitz非线性系统的状态观测器设计

采用Lypunov方法,结合Lypunov方程的求解讨论了一类更为普遍的Lipschitz非线性系统的状态观测器设计问题,给出了观测器误差渐近收敛的充分条件,改善和扩展了有关文献的结果。研究表明:稳定观测器的存在不仅与线性稳定性矩阵的特征值有关,还与其状态转换矩阵的条件数及增益矩阵的范数有关。仿真结果验证了结论的有效性。     

正交变换法电力系统状态估计

本文提出用豪斯霍尔德正交变换算法,求解电力系统的状态估计问题。它是通过豪氏变换阵,直接对量测方程的加权雅可比矩阵和加权残差向量进行正交变换,降低了采用法方程算法的条件数,提高了解的数值稳定性,适合于求解运行在病态条件下的电力系统的状态估计问题。     

分阶段成形结构无应力状态控制法基本静力平衡方程研究

为在严格意义上建立普遍适用的分阶段成形结构无应力状态控制法的基本静力平衡方程,基于势能驻值原理,得出了分阶段成形结构无应力状态控制法基本静力平衡方程,方程适用于平面和空间杆单元、梁单元、壳单元、三维实体单元的线性和非线性计算分析.根据方程提出了无应力状态量影响矩阵和广义力的新概念,揭示出在外部边界条件一致的前提下,结构单元的无应力状态量是决定分阶段施工桥梁内力和位移的主要因素,为传统分阶段施工桥梁结构计算静力平衡方程做了补充.最后以分阶段成形平面梁单元结构为实例,验证了所得出的基本方程的可靠性和正确性.     

带状随机非线性系统的状态估计

讨论了系统噪声和测量噪声为非零均值并且互为相关情形下的广义随机非线性系统,利用广义逆矩阵和矩阵的奇异值分解,给出了奇异矩阵为带状的广义随机非线性系统的奇异值标准形式,得到了该系统状态的最优预测和滤波递推方程．     

染液流动状态下上染率动力学模型

针对染液流速对上染速率的影响,根据菲克定理,结合实际染色过程的初始条件与边界条件,建立了染液流动状态下染料在纤维中的扩散方程,并利用分离变量法对该扩散方程进行求解,得到了染液流动状态下上染率动力学模型.染色实验表明,所得到的模型与实际染色过程相符,该模型能正确地反映染液流速与上染速率之间的关系.     

基于Haar小波求解第二类Fredholm积分方程

给出Haar小波族,函数逼近并建立Haar积分算子矩阵,该矩阵将积分运算转化为矩阵运算.采用Haar小波函数基作为基底,将积分方程转换为代数方程组求解.通过Matlab模拟获取数值解,并与积分方程的精确解进行比较,表明该算法具有较高的精确度.     

基于机器学习的高速列车轴承温度状态识别

通过研究大量的高速列车轴承温度实测历史数据,提出了利用轴承温度关联测点之间的变化相似作为实现轴承温度状态连续性识别的依据.首先,应用无监督学习One-class SVM算法进行异常识别,结果表明该算法虽然可以较好地识别异常即"紧急"状态,但无法实现轴承温度状态的连续性识别.然后,进一步地根据相对温度变化将轴承从正常到故...     

电力系统状态估计的正交介耦算法

最小二乘法应用于电力系统状态估计始于1970年。现在世界上已有不少大电网将它投入实际使用。我国京津唐电网也已应用状态估计对系统运行作监视[14]。本文提出一种电力系统状态估计的新算法。它快速、可靠,而且节省计算机的存储量。新算法不介耦增益矩阵,而介耦雅可比矩阵,接着用正交变换来求介状态估计的加权最小二乘问题。因此这种方法兼有介耦与正交变换的优点。它曾在计算机上对二个电力系统的状态估计进行模拟测试,其中包括IEEE(美国电气电子工程师协会)的30母线的电力系统。从测试结果可见,所建议的算法明显地比一般的标准方程算法和其他介耦算法来得好。如将非线性的系统网络方程线性化,那末雅可比矩阵就是恒定不变的。文末对新算法在线性化模型中的使用作了分析与讨论。     

基于残余力向量的框架损伤直接识别法

为直接识别出基于残余力向量法的框架结构损伤,提出先由灵敏度分析求得结构刚度联系矩阵,再由结构刚度联系矩阵将损伤结构的刚度摄动矩阵展开,得到新的结构残余力向量方程,通过求解此方程即可识别出框架结构的损伤位置和程度,最后运用所提出方法对三层框架结构进行损伤识别,结果表明识别精确度较高,从而验证了该方法的有效性.     

连续系统键图模型状态空间方程的自动实现

利用键图结构化，并将图论引入键图系统，对流结构向图进行扩展，利用深度优先算法构造流连接矩阵及 与结构矩阵的映射关系，从而成功地解决了状态态方程的自动列写。     

改进“峰”方法的多元状态估计技术用于电站风机状态监测

针对风机状态监测问题,提出一种基于多元状态估计和相似性测度的方法。首先建立正常工况下各监测参数之间的关联模型,构造正常工况下的记忆矩阵;然后根据系统当前观测向量与记忆矩阵之间的相似性程度,对当前观测向量进行估计。通过对正常工况下的监测参数的聚类中心的提取,计算估计值与聚类中心的相似性测度值,确定风机工作状态。最后,以山西某电厂送风机为监测对象进行应用研究,结果表明该方法可以准确估计风机振动状况,尽早发现设备异常,实现风机状态的在线监测。     

在线字典学习形变模型的疲劳状态识别方法

针对现有驾驶疲劳状态识别算法中存在疲劳特征维数高、识别效率低下、计算量大等问题,本文提出一种基于在线字典学习形变模型的疲劳状态识别方法。采用红外疲劳人脸图像中关键变形区域LBP特征构建人脸形变模型;将在线字典学习算法引入到形变模型中,采用过完备基函数矩阵代替训练样本整体对待测样本进行线性表示,利用其组合系数的稀疏性进行人脸疲劳状态识别;采用时间窗结合贝叶斯方法对识别算法进行优化。实验结果表明,与传统的识别方法相比,本文所提算法可以降低系统的运算量,提高疲劳状态识别的鲁棒性和准确率,在实际驾驶环境中能够取得良好的识别效果。     

电力系统状态估计的一次算法

本文对电力系统状态估计的一次算法采用两种不同的线性化形式和四种不同的简化方式;在错误数据检测方面,提出一个根据与测量数据Zi有直接关联的结点状态量的收敛程度来决定识别参数αi的识别准则,并且对可疑数据提出了四种不同的处理方法。利用这些方法,以广东省电网作为基本模型进行了模拟计算。计算结果表明,这些方法是具有一定的效果。     

一种广义离散随机线性系统的状态估计

针对目前关于广义系统状态估计的研究现状，即几乎所有的讨论都集中在奇异矩阵为方阵的情况，讨论了广义矩阵及其性质，利用矩阵的奇异值分解理论，给出了奇异矩阵为条形或带形广义离散线性系统的奇异值标准形式，基于标准形式，利用广义逆矩阵的性质，在两种情况下，将系统分解成两个子系统，通过估计子系统的状态，得到了该系统状态的最优预测和滤波递推方程。结果表明，对于广义系统，该方法有效地减少了计算量。     

横向承载桩的状态控制边值分析法

基于横向承载桩初参数方法的解,考虑地基土的层状特性和桩体的刚度变化,依据传递矩阵和子域法理论,以及子域边界处的连接条件,建立了横向承载桩与多层地基相互作用系统子域及体系的状态控制边值方程．根据系统的边值方程,可求得横向受荷桩的各种状态量及桩体侧面的土体抗力．为复杂情况下,横向承载桩的分析提供了一种简便、有效的计算方法．