一种限制点集的Delaunay网格剖分方法

对血管壁区域进行三角形网格划分是研究计算血管壁弹性的关键。采用基于Delaunay网格划分算法生成接近规则化的三角形网,在确定血管壁内外边缘上点集时,将点对之间的角度和距离作为取点的限制条件,较好的保持边缘形状特征。之后,由三角形中心点与内外膜边缘点的位置关系判断该三角形是否处在血管壁区域进而去除处在血管腔中的三角形。与传统的非限制点集取点方法相比,本方法产生的点集小,且能消除血管腔内产生的无效三角形,并使得血管壁的剖分更趋均匀合理。     

基于去极化电流和扩展徳拜模型的绝缘材料等值电路参数高精度辨识方法

为了提高绝缘材料等值电路参数辨识的准确性,编程实现基于线性拟合和去极化电流的扩展徳拜模型参数辨识方法,发现线性拟合可能存在较大误差。为了解决该问题,对其进行改进,在考虑噪声情况下给出待拟合区域的适应性选择策略,同时将线性拟合改为自适应选择线性或指数拟合的方式,从而提出具有较高精度的绝缘材料扩展徳拜模型参数辨识方法。采用原始算法和所提改进算法进行参数辨识。结果表明：(1)针对理想仿真信号,原始算法和改进算法都能很好逼近去极化电流波形,2种算法拟合相对误差的平均值和最大值仅分别为0.03%和0.30%;参数辨识准确性均很高,2种算法辨识得到电阻和电容相对误差的平均值和最大值分别为1.46%和2.76%。(2)针对实测信号,原始算法得到的去极化电流与目标差距较大,拟合相对误差的平均值和最大值分别为8.00%和37.00%;而改进算法的逼近能力明显优于原始算法,拟合相对误差的平均值和最大值分别为6.08%和17.75%,参数辨识准确性有保障。     

改进的Delaunay剖分在电励磁双凸极电机上的应用

针对电动车用电励磁双凸极电机运用有限元法进行计算时对各个点的磁场的特殊要求,基于Delaunay算法,采用改进的三角网自动生成算法,使其能对各个区域的三角形的疏密和角度变化灵活的进行控制。通过剖分实例显示,该方法能生成高质量的网格,适应能力强,已成功地应用于车用外转子电励磁双凸极电机的有限元计算,并取得了良好的效果。     

视觉约束的增强三角剖分指纹识别算法

针对低质量指纹的真实细节点缺失和伪细节点增加以及典型指纹识别算法对细节点准确性过于依赖的问题,提出了视觉约束的增强三角剖分指纹识别算法。首先根据所提取细节点利用三角形重构获得增强三角剖分集;然后计算三角形特征向量,使用递减验证进行三角形匹配确定匹配细节点对,并使用视觉约束优化;最后根据匹配点对的比例获得相似度从而完成识别。采用国际标准测试库FVC2000DB2、FVC2006DB2和FVC2006DB3进行综合性能比对实验,该算法等错误率（EER）分别为432%、264%和798%,相比改进前的Delaunay 三角剖分降低了128%、171%和283%,相比改进前的扩展三角剖分降低了126%、052%和258%,相比尺度不变特征转换（SIFT）算法分别降低了089%、297%和003%。实验结果表明,所提算法无需校准且对低质量指纹导致的真实细节点缺失和增加的伪细节点有较好的适应能力。     

煤场盘点三维模型的建立

煤场存煤量的盘点是电厂燃料管理的重要组成部分,目前常用的盘点工具是激光电脑盘煤仪,它采用三角剖分算法,对采集到的煤堆表面的三维数据点集进行拟合,使拟合出的曲面能够更好地逼近煤堆表面,采用光照和消隐处理后,使绘出的图形更逼真。针对激光电脑盘煤仪在湛江电厂实际应用中使用的误差问题,对激光电脑盘煤仪的软件部分进行了改进,优化了算法,一是除去封闭点,二是编写了独立的边生长算法作为独立的子程序,改进后的激光电脑盘煤仪在实测中效果良好。     

变频调速异步电机场路分析中的动态网格剖分

本文针对变频调速异步电机场路计算中，动态网格剖分的困难性，通过几种常用有限元剖分方法的比较，变形和简化了前推-Delaunay网格剖分算法，根据异步电机的结构特点衍生出了一种可以适用于变频调速电机设计与分析的新的动态网格剖分算法。该算法就是把要剖分的区域划分成几个带状小区域，根据距离最短原则生成网格。并且编程实现了有限元剖分模块。该方法与经典的ANSYS软件剖分进行了比较：有效剖分节点数、单元数，以及所占用的计算机CPU时间、内存，都远远小于ANSYS软件的剖分结果。从而证明了该方法的有效性。     

基于VC的三角网自动生成算法在外转子双凸极永磁电动机中的应用

针对电动车用双凸极永磁电动机运用有限元法进行计算时对各个点的磁场的特殊要求,采用改进的三角网自动生成算法,使其能对各个区域的三角形的疏密灵活地进行控制,并采用独立的三角形所在的区域判断和边界判断法.剖分实例显示,该方法能生成高质量的网格,适应能力强,并已成功应用于车用外转子双凸极永磁电动机的有限元计算,取得了良好的效果.     

变频调速异步电机场路分析中的动态网格剖分

本文针对变频调速异步电机场路计算中 ,动态网格剖分的困难性 ,通过几种常用有限元剖分方法的比较 ,变形和简化了前推 Delaunay网格剖分算法 ,根据异步电机的结构特点衍生出了一种可以适用于变频调速电机设计与分析的新的动态网格剖分算法。该算法就是把要剖分的区域划分成几个带状小区域 ,根据距离最短原则生成网格。并且编程实现了有限元剖分模块。该方法与经典的ANSYS软件剖分进行了比较 :有效剖分节点数、单元数 ,以及所占用的计算机CPU时间、内存 ,都远远小于ANSYS软件的剖分结果。从而证明了该方法的有效性。     

基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型

针对波动大且具有非平稳性的负荷序列预测问题,建立了基于卡尔曼滤波和粒子群优化算法的灰色神经网络预测模型(R.E Kalman-G(1,1)-PSO-BP)。利用了卡尔曼滤波算法能够剔除非平稳序列中的随机误差,以获得逼近真实情况的有效信息的特点,对负荷测量序列进行滤波处理,根据GM(1,1)模型算法对滤波后的量测序列进行拟合预测。利用基于粒子群优化算法的BP神经网络算法对残差进行修正,得到了新的预测值。实践表明新预测值的整体精确度远高于GM(1,1)模型及Kalman-G(1,1)模型的预测精度。因此,所建模型具有较高的使用价值。     

基于TV正则化算法的电容层析成像自适应剖分方法

针对电容层析成像逆问题解的不适定性及重建图像分辨率较低的问题,提出一种基于总变差(totalvariation,TV)正则化的图像重建算法,并由该算法提出一种自适应剖分方法。同常见的Tikhonov正则化算法相比,这种新算法不仅保证了逆问题求解的稳定性,而且提高了对介质非连续分布区域成像的分辨能力,具有良好的保边缘性。基于该算法的自适应剖分方法能够根据介质分布自动对剖分网格进行局部细分。相比全区域细分方法,这种剖分方法在保证图像分辨率的同时减少了计算量,提高了图像重建速度。实验结果表明,该算法在重建图像质量和实时性两方面均具有优势。     

遗传算法在前向神经网络参数估计中的应用

人工神经网络在很多领域有着成功的应用,神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解,遗传算法是一种随机优化技术,它可以发现全局优解。本文介绍了遗传算法在前向多层神经网络参数估计中的应用,并对标准遗传算法进行了适当的改进。结合具体例子给出了算法实现的操作步骤和实验结果。实验数据表明采用遗传算法得到的神经网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

基于改进粒子群算法的小波神经网络在变压器 故障诊断中的应用

针对变压器故障征兆和故障类型的非线性特性,结合油中气体分析法,设计了一种改进粒子群算法的小波神经网络故障诊断模型。模型采用3层小波神经网络,并用一种改进粒子群算法对其进行训练。该算法在标准粒子群算法的基础上,通过引入遗传算法中的变异算子、惯性权重因子和高斯加权的全局极值,加快了小波神经网络训练速度,提高了其训练的精度。仿真实验证明这种改进粒子群算法的小波神经网络可以有效地运用到变压器故障诊断中,为变压器故障诊断提供了一条新途径。     

燃煤烟气中汞形态分布的神经网络预测研究

目前对燃煤电站烟气中汞形态浓度的预测模型尚不完善。将BP神经网络和GA遗传算法相结合组成GA-BP神经网络算法,用于燃煤烟气中汞形态浓度分布的预测。使用遗传算法对BP网络的初始权值进行优化,可以在解空间中定位出较好的搜索空间,然后采用BP算法在这个小的解空间中搜索出最优解。对75组燃煤电厂烟气中的汞浓度实测数据进行神经网络算法的训练和预测,结果表明GA-BP神经网络模型不仅可以预测燃煤烟气中汞形态浓度的分布,而且具有较高的预测精度。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

混沌递阶遗传神经网络在组合预测中的应用

分析了几种常见的组合预测方法,针对这些方法的缺点,提出了混沌递阶遗传神经网络的组合预测方法,通过实际应用,并与基于人工免疫算法组合预测和基于标准BP神经网络组合预测进行了比较,表明了方法的有效性和实用性.     

Nuclear reactor diagnostic system using genetic algorithm (GA)-trained neural networks

Several nuclear reactor diagnostic systems using neural networks have been proposed in recent years. Neural networks trained by backpropagation, the standard training algorithm, have certain problems such as local minima and long training times. In this paper, neural networks trained by genetic algorithms are used in a nuclear reactor diagnostic system to solve these problems. The system is tested by simulated data modeled on the experimental fast reactor JOYO, and two categories of abnormality (abnormal control rod vibration and abnormal coolant flow) are identified. The comparisons to networks trained by back-propagation also are discussed.     

基于量子行为粒子群优化-人工神经网络的电能质量扰动识别

提出一种基于量子行为粒子群优化(quantum-behaved particle swarm optimization, QPSO)的改进算法,用于优化人工神经网络(artificial neural network, ANN),实现电能质量(power quality, PQ)扰动识别。采用2个神经子网络,分别用于事件型和变化型PQ扰动识别。PQ扰动信号的特征量通过信号的投影分析、动态测度计算、分形技术获取,作为2个子网络的输入量。改进的QPSO算法主要增加了学习因子、粒子聚集度和进化速度等参数,改进了QPSO算法的参数迭代更新过程,从而优化了神经子网络的训练结果。6种典型现场采集的PQ扰动数据识别结果表明,与加入动量因子的前馈式神经网络的训练方法相比,该算法具有更好的收敛性和稳定性。     

一种改进的神经网络车牌识别算法研究

根据实际应用要求,要求使车牌实时识别系统识别准确率高,提出了一种改进的神经网络车牌识别算法,基于标准的神经网络的识别算法上进行了改进,在标准神经网络算法中增加惯性冲量分批处理的方法进行改进,并通过训练大量样本进行了实验。实验结果表明,改进的神经网络识别算法与未改进的标准神经网络字符识别算法相比其识别率和处理速度有了很大的提高,已在小区停车场应用,达到了应用的要求,证明了改进后的神经网络车牌识别算法与标准神经网络算法相比在实时识别正确率上有了很大提高。     

遗传算法优化的RBF神经网络控制器

为了消除神经网络参数初值对控制器性能的影响,提出了一种改进遗传算法优化的RBF神经网络控制器.该方法设计了基于性能指标的适应度函数,自适应的交叉概率、变异概率,引入移民的遗传算法,保证了得到的控制器为最优参数控制器.该方法可用于非线性对象的控制器设计,仿真结果说明了该方法的有效性.     

Self-organization of neural networks for clustering

Generally, there are many methods of categorizing unknown data in statistics. In many of these methods, we need sample data to determine the borders of the groups to which these data belong. Neural networks are also usable to classify unknown data. In the learning process of neural networks, we must prepare so-called teaching signals, that is, sample data. In this paper, we propose an empirical scheme to organize neural networks for clustering unknown data which belong to two groups. In our scheme, a neural network that satisfies an evaluation function without teaching signals is organized. This evaluation function is determined by a histogram of outputs of the neural network. Generally, neural networks map the input data distribution to the output distribution. Maximizing the evaluation function means separating these two output distributions from each other. As an organizing mechanism, the genetic algorithm is used because of its ability to converge to a global maximum. Some numerical results are presented to confirm the feasibility of the scheme. © 1997 Scripta Technica, Inc. Electr Eng Jpn, 121(1): 51–59, 1997