基于生产的炼钢过程数据库及其应用研究

炼钢过程积累了大量的原始数据，引入数据库技术对这些原始数据进行处理和研究是一种新的尝试，可获取对生产工艺具有指导意义的信息。本文对此进行了研究，形成了基于练钢过程数据库的工艺分析和指导软件，具备数据查询、统计分析、工艺计算和分析、过程参数回归和线性规划等功能。     

基于特定谐波消除的矩阵变换器性能优化方法

针对矩阵变换器输入LC滤波器容易引起输入电流谐振的问题,选择输入侧谐振点附近的特定谐波作为抑制对象,提出基于特定谐波消除的输入滤波器参数优化与谐振抑制方法,以提升输入性能.分析输入LC滤波器及常规谐振抑制方法的工作原理,采用多个约束条件对滤波参数进行最优设计,以谐振点附近特定谐波的抑制效果作为阻尼电阻的选择依据,给出具体的优化设计步骤.将特定谐波消除的思想引入主动谐振抑制方法中,提出采用陷波滤波器采集滤波电容中特定谐波量反馈到控制回路的策略.搭建基于Matlab/Simulink的仿真模型,仿真实验表明,利用所提的输入滤波器参数优化方法和主动谐振抑制方法,使得输入电流总谐波畸变率分别下降了98.5%和99.3%.抑制处理后的系统具有良好的稳定性.     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

双稳态随机共振系统参数选择快速算法及应用

针对双稳态随机共振(SR)系统参数选择困难的问题,提出了基于龙格库塔数值算法的随机共振参数选择快速算法,并将其应用于目标线谱检测.首先对双稳态SR系统进行参数归一化,在此基础上提出了由输入信噪比来选择系统步长,并根据归一化频率和谐波估计幅值和来计算SR系统参数的参数选择快速算法.该算法能够对不满足绝热条件下的高频或大尺...     

基于PSO算法的电力系统稳定器参数优化

针对电力系统稳定器的参数优化问题,提出一种基于微粒群优化算法的整定方法。算法选择Δω作为输入信号,以ITAE指标作为微粒群优化算法的目标函数,对电力系统稳定器增益Ki和时间常数T1i、T3i三个参数进行优化设计。仿真结果验证了算法的有效性和优越性。     

基于支持向量机和遗传算法融合的入侵检测

为了研究网络异常入侵检测问题,将支持向量机(SVM)和遗传(GA)算法融合并应用于入侵检测领域,区分正常和异常的用户行为,实现对网络系统的入侵检测。传统SVM算法易产生训练参数选择不当,难以获得较高的检测效率和分类精度等问题。针对此问题,提出了一种优化的基于SVM-GA融合的入侵检测方法,首先对网络入侵数据进行归一化处理简化输入,然后通过遗传算法对SVM训练参数进行同步优化,最后采用SVM算法对网络数据进行检测,分类识别得到网络入侵结果。仿真实验结果表明,该融合算法训练时间短、检测精度高、误报率和漏报率低,是一种有效可行的入侵检测方法。     

基于平均密度的孤立点检测研究

为了使孤立点检测更为自动化,减少用户对参数选择的困难,提出了平均密度的定义,并给出基于平均密度的孤立点检测方法。该方法提出了孤立点对象的密度要小于数据集的平均密度;非孤立点对象的密度不应因为封闭区间的收缩而减少。采用企鹅图像边缘检测对该方法进行验证,实验结果表明,该方法能够有效地检测出图像边缘孤立点,同时简化了孤立点检测时对用户输入参数的要求。     

多输入多输出非线性参数系统的鲁棒自适应控制

如何有效地处理输入输出之间的复杂耦合和系统的各种不确定性对多输入多输出非线性参数系统的控制至关重要.通过引入辅助动态信号来刻画未建模动态,采用自适应非线性阻尼的方法抑制参数和非线性不确定性、未知有界扰动、未建模动态和输入输出之间的耦合对系统性能的影响, 并基于控制李亚普诺夫函数法来设计多输入多输出非线性参数系统的鲁棒自适应控制器.所提出的鲁棒自适应控制法不必对系统的未知参数进行估计.理论证明,所提方法保证闭环系统的所有信号一致有界,且通过选择适当的设计参数,可使跟踪误差任意的小.仿真结果例证了所提出控制法的有效性.     

遗传算法在入侵检测中的应用

介绍了基于模型推理和基于模型两种入侵检测系统,提出了一种新的基于智能体技术的入侵检测系统体系结构,解决了传统集中式入侵检测系统的弊病,将任务处理和数据分布到网络各个结点上,充分利用网络资源协同完成入侵检测任务;介绍了遗传算法在该系统中的应用,因系统安全的先验知识体现在对原始数据中有价值特征属性变量集的选择上,故利用遗传算法对特征属性变量子集的选择进行优化,找到相对最优的由特征向量表示的特征属性变量集,以降低入侵检测系统的负荷。     

一种改进的基于密度聚类的支持向量机

运用OPTICS算法能发现任意形状的聚类,且对输入参数不敏感的优势,提出一种基于OPTICS密度聚类的支持向量机算法,通过对原始数据进行预处理,利用可达图得到约简样本代替原始训练样本用支持向量机进行训练,降低了SVM训练所需的时间及空间复杂度.实验表明,该方法在保持分类精度的同时,大大缩短了训练时间,提高了分类效率.     

基于Gabor滤波器和改进BP神经网络的人脸检测方法

提出一种基于Gabor滤波器和改进BP神经网络的人脸检测方法.该方法首先利用Gabor滤波器空间位置与方向选择特性,采用8种方向Gabor滤波器提取人脸样本图像特征;然后把基于Gabor滤波器的特征向量作为人脸/非人脸分类器输入,并用PCA方法对特征向量降维;最后利用已降维的特征训练改进的BP神经网络.仿真实验表明,该方法比单一使用Gabor滤波器和单一使用BP神经网络检测率高.     

基于计算机视觉的食品中大肠杆菌快速定量检测

利用大肠杆菌能发酵乳糖产酸从而使伊红美兰混合液产生沉淀、溶液变色的特性,设计了一套基于颜色特征识别技术的食品中大肠杆菌快速定量检测系统,通过16 h培养后溶液颜色的变化程度来判断待测液中大肠杆菌的数目。系统自动提取发酵后溶液图像的H、I、S颜色分量作为输入向量,自动调用训练好的BP神经网络模型得到大肠杆菌数。试验结果表明:该方法的检测结果与传统方法的相关性好,检测时间在18 h以内,远少于传统方法的6天,有效提高了产品的销售品质。     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

一种神经网络和模式匹配相结合的入侵检测系统

构造一个基于BP神经网络和模式匹配技术的网络入侵检测系统模型.神经网络和模式匹配在检测类型上是互补的，BP神经网络需要数值化的输入，适合检测基于网络数据包流量特性的入侵行为；模式匹配技术是通过在数据包中搜索特征字符串来检测入侵的.将网络数据包分析处理后分别按神经网络和模式匹配检测模块的输入数据格式生成输入实例，再分别予以检测.该系统可以检测出已知的入侵行为，同时具有一定的对未知入侵的检测能力.实验证明两者结合起来构成的检测系统性能更全面.     

深度学习辅助上行免调度NOMA多用户检测方法

针对上行免调度非正交多址接入（NOMA）场景中多用户检测的问题,通过结合传输数据的符号特征,提出基于深度神经网络（DNN）的联合活跃用户检测和数据检测框架. 考虑更一般化的实际场景,即用户在每个时隙中随机活跃. 将DNN求解结果作为改进的正交匹配追踪(OMP)算法先验输入,修正提升活跃用户检测和数据检测性能. 仿真结果表明,提出的多用户检测方案比传统的贪婪追踪及动态压缩感知（DCS）多用户检测算法具有更好的用户活跃性及数据检测性能.     

基于数据筛选的无人机测绘数据异常检测

为降低无人机测绘数据异常检测的误检率、漏检率,缩短检测时间,文章提出一种基于数据筛选的无人机测绘数据异常检测方法。采用支持向量机对无人机测绘数据进行数据流分块、竖向规范化处理及时间切片处理等预处理;基于卷积神经网络分析数据确定数据潜在规律;采用无监督聚类算法对数据进行聚类,利用滑动窗口处理得到数据流簇心因子并进行聚类;根据判断标准对异常数据分块处理,确定是否存在异常因子;采用重叠累加值计算方法对异常数据点进行筛选,完成无人机测绘数据异常检测。实验结果表明:与传统卷积神经网络方法相比,采用该方法对异常数据检测,其误检率降低了约11%、漏检率降低约8.1%,并且检测时间缩短了11.3 min。     

基于BP网络的数字识别方法

比较了各种数字识别方法,采用BP神经网络设计了一个数字识别系统。首先对数字图像进行二值化处理,构造输入向量矩阵;接着通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练;之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性;最后制作了图形用户界面进行实验。测试结果表明,该系统对噪声系数小于0.85的字符识别率可达96%,且网络训练时间可以接受。     

基于BP网络算法的大地测量误差检测技术

针对大地测量检测时间长、检测过程成本较高,且检测结果准确度较低的问题,提出一种基于BP神经网络算法的大地测量误差检测方法.对大地测量的基本原理进行分析,通过对测量所得数据的综合计算得到待测量目标相对位移及旋转角度相关测量结果,构建基于BP网络的测量误差预测模型;将测量结果输入模型,得到的输出值即为预测误差,利用动态贝叶斯检验算法判断测量结果是否准确.结果表明,所提测量误差检测方法的检测结果准确率在90%以上,且检测过程所需时间与成本消耗低于实验对比方法,证实了所提方法的检测准确率及检测效率.     

基于小波包信息熵和小波神经网络的异步电机故障诊断

采用一种基于小波包信息熵和小波神经网络的方法对异步电机进行故障诊断。将故障信号进行小波包预处理,并在此基础上提取信号的小波包能谱熵和小波包系数熵,构成信号的信息熵特征向量。训练小波神经网络使其在输入特征向量后能有效检测并输出故障模式,以实现对单一故障和复合故障的诊断。通过内嵌的方式把小波变换融入神经网络,具有良好的自适应分辨率和容错能力,可以有效避免局部最小值以及收敛速度过于缓慢的问题。试验表明,基于小波包信息熵和小波神经网络的方法能很好地进行异步电机的故障诊断,且该方法优于同参数下的BP神经网络模型。     

下肢假肢穿戴者跑动步态识别方法

提出基于粒子群（PSO）优化支持向量机（SVM）的下肢假肢穿戴者跑动步态识别方法.将假肢接受腔装配的肌电（EMG）传感器、加速度计和足底的压力传感器采集的假肢穿戴者跑动运动信息进行去噪预处理,对应提取加速度的偏度、均值与肌电信号均方根多个特征参数作归一化处理,结合双下肢足底压力信息组成多维特征向量,作为SVM的输入,解决了单一特征识别步态的低准确率问题.利用PSO优化分类模型参数,建立基于SVM的次序二叉树分类模型对跑动步态进行辨识.与传统BP神经网络的步态识别方法对比表明,利用PSO优化SVM方法能够将跑动步态识别率提高到92.78%,优于SVM和BP神经网络.