压电叠堆执行器迟滞非线性建模与分析

压电叠堆执行器输出位移具有迟滞非线性特性,在高精度控制和电静液作动器等应用领域,为实现进一步研究和控制,需要针对该特性进行建模。该文首先针对压电叠堆执行器的静态特性,采用改进的非对称BoucWen模型建立压电叠堆执行器的准静态模型;其次,为描述其动态位移输出特性,将执行器输出力分为线性模块和滞后模块,根据系统动力学方程建立压电叠堆执行器迟滞非线性动态模型,进行参数辨识、模型仿真与实验研究。结果表明,在400Hz频率范围内,所建立的模型能够准确描述与预测压电叠堆执行器输出位移的迟滞非线性。     

压电叠堆执行器迟滞建模与前馈补偿研究

针对压电叠堆执行器输入电压与输出位移的动态迟滞特性,结合非对称静态Bouc-Wen迟滞模型,建立了压电叠堆执行器动态迟滞模型,并采用粒子群算法辨识出6个模型参数。为提高压电叠堆执行器动态位移输出精度,进一步推导出压电叠堆执行器迟滞逆模型,最终在此基础上对压电叠堆执行器进行前馈补偿研究。仿真与实验结果对比表明,在0~120V峰值电压与0~500Hz激励频率内,所建立的动态迟滞模型能够较好地描述与预测压电叠堆执行器的动态输出位移。前馈补偿实验研究结果表明,利用所建的迟滞逆模型补偿后,压电叠堆执行器的滞环减小,输出位移非线性度下降约3%。     

压电式气体流量比例阀建模与控制技术研究

针对传统 Prandtl-Ishlinskii(PI)模型不能反映压电式气体比例阀迟滞非对称特性而导致其补偿控制精度难以提高的问题,提出了一种改进的 PI模型,通过添加3次多项式使其能拟合压电式气体流量比例控制阀的非对称迟滞曲线。利用改进的自适应粒子群遗传算法辨识所需的模型参数,模型相对误差为0．0073%,并将模型用于前馈补偿控制。实验结果表明,基于迟滞模型的前馈补偿控制可显著提高压电式气体比例阀输出流量控制的快速性,调节时间降低了60%。     

改进的PSO算法在非线性模型参数辨识中的应用

参数辨识是过程建模的基础,对于参数辨识问题提出了许多不同的方法.针对传统模型参数辩识方法和遗传算法用于模型参数辨识时的缺点,提出一种基于微粒群优化(PSO)算法的模型参数辨识方法,利用PSO算法的强大优化能力,通过对算法的改进,将过程模型的每个参数作为微粒群体中的一个微粒,利用微粒群体在参数空间进行高效并行的搜索,以获得过程模型的最佳参数值,并将其用于对非线性系统模型的参数辨识,可有效提高参数辨识的精度和效率.该方法应用到实际例子中,获得了满意的辨识精度和效率,得到较为精确的过程模型,模型输出与实际输出基本一致,仿真结果令人满意.实例仿真结果表明,微粒群算法为非线性系统模型参数辨识提供了一种有效的途径.     

基于粒子群隐式空间映射算法设计的双频滤波器

将粒子群算法(Particle Swarm Optimization,PSO)用在隐式空间映射(Implicit Space Mapping,ISM)的参数提取中,可以有效改善参数提取过程中算法的不收敛性。首次在参数提取中引入PSO,主要的研究内容是改进了ISM算法。通过改进ISM算法中粗糙模型(Coarse Model,CM)与精细模型(Fine Model,FM)之间的参数映射,可以明显减少迭代次数。以一个双模滤波器为例,利用粒子群ISM算法设计了一个可以工作在无线局域网(WLAN)频段的微带双频带滤波器,中心频率分别是2.45 GHz和5.25 GHz。滤波器经过3次迭代并进行微调后达到了设计指标。由此可见,引入PSO之后显著地减少了在FM中的仿真次数,有效地提高了滤波器的设计效率。     

基于ICPSO-BP神经网络的光纤SPR传感器开环系统优化研究北大核心CSCD

表面等离子共振(SPR)传感器开环系统的弊端,对全局搜索粒子群算法(PSO)的早熟收敛问题进行改进,提出了一种动态信息调整且速度可控的改进型合作粒子群算法(ICPSO)。该方法通过在粒子飞行状态控制的迭代方程中引入子群最优信息,较好地保持了粒子多样性,有效地避免寻优飞行中粒子的早熟收敛。进一步将该算法作为BP神经网络的训练算法,建立了更为优化的ICPSO-BP神经网络。最后,利用ICPSO-BP神经网络对光纤SPR开环系统的内部非线性模型进行辨识补偿,分别建立单输入、双输入、三输入的ICPSO-BP神经网络补偿模型,实验及仿真结果表明新算法在测试线性精度和速度上均具有较好的表现,从而保证了光纤SPR良好的线性测试效果,为光纤SPR传感器进一步应用打下一定基础。     

一种改进粒子群优化算法

作为群集智能的代表性方法之一，粒子群优化(PSO)算法通过粒子之间的合作与竞争以实现对多维复杂空间的高效搜索。提出了一种改进粒子群优化(MPSO)算法。MPSO同时采用局部模式压缩因子方法和全局模式惯性权重方法以获得相对较高的性能。针对PSO算法可能出现的停滞现象，MPSO引入了基于全局信息反馈的重新初始化机制。数值仿真结果显示了该算法的有效性。     

基于自适应粒子群优化算法的限速标志识别

针对经典的粒子群优化算法收敛性能不足的问题,提出了一种自适应粒子群优化算法。该算法对进化过程中的收敛方向进行动态调整,通过学习因子对参数选取过程进行调节,使收敛的初期趋向全局最优,后期趋向局部最优。采用自适应粒子群优化算法对支持向量机模型参数进行优化,并应用于限速标志的识别,实验结果表明,文中基于自适应粒子群优化算法的方法拥有较高的识别率,同时算法收敛性显著高于经典的粒子群优化算法。     

反演蒸发波导的改进粒子群优化算法

雷达利用携带的海杂波信息可以反演出海面蒸发波导参数.为了提高蒸发波导反演性能,提出了一种改进的粒子群优化算法.当实测雷达海杂波功率与蒸发波导模型计算所得杂波功率之间建立的目标函数取最小值时,可反演得到最接近实测蒸发波导剖面参数.根据这一思想,在基本粒子群算法基础上通过对惯性权重和学习因子进行自适应调整,引入自适应压缩因子来确保算法快速收敛,并获得高精度的蒸发波导参数.算法仿真实验证明,改进粒子群优化算法相比于基本粒子群算法具有较好的全局收敛性,在处理较大规模数据时反演速度明显提高.     

基于改进WFPSO算法的无刷直流电机模型分析

针对传统的无刷直流电机控制无法在线调整参数、难以精确控制的问题,提出一种基于改进的粒子群优化(PSO)算法的模糊PID控制器设计。通过对粒子群优化算法的参数进行分时段更新,实现模糊PID控制器参数动态全局优化,来确定使用双闭环控制模型的无刷直流电机的最优参数。Matlab仿真结果表明,该研究方法较传统方法可使得转速无超调、减少调节时间,同时启动时转矩脉动较小。     

基于改进粒子群优化算法的摄像机标定

本文在充分研究多种摄像机标定方法和粒子群优化算法（PSO）的基础上,针对传统PSO算法存在早熟和局部收敛的问题,提出了一种改进的新型粒子群优化算法在摄像机标定中的应用。该算法在基本PSO惯性权重部分加入了收缩因子,很好的改善了算法的收敛性;为了进一步提高优化的速度和可靠性,引入了多适应值函数策略。最后在OpenCV上实现了基于该改进方法的摄相机标定。实验结果表明：该摄像机标定方法有效提高了原有张正友平面标定法的标定精度,结果稳定可靠,具有一定的工程应用价值。     

雷达干扰资源的粒子群分配技术研究

粒子群算法是一种群智能的优化算法,其理论来源于人工生命和演化计算理论.该论文建立了雷达干扰资源分配的数学模型,基于粒子群算法,采用了交叉策略.为了避免陷入局部最优,该论文还采用了进化策略,从而改进了粒子群分配技术.最后,仿真实现了干扰资源的优化分配并详细分析了仿真结果.     

基于混沌粒子群算法的宽零陷方向图综合方法

自适应阵列天线常需要采用宽零陷技术,以增强阵列天线抗干扰的稳健性。为此,提出了一种基于混沌粒子群算法（CPSO）的阵列天线宽零陷方向图综合方法。该算法首先采用混沌序列初始化粒子位置,以增强搜索多样性,并在对部分非优胜粒子的位置更新时引入混沌扰动项,在每次迭代中对全局最优位置进行变尺度混沌优化,提高了全局和局部搜索能力,加快了收敛速度。仿真结果验证了混沌粒子群算法在阵列天线宽零陷方向图综合时的收敛速度和精度方面均优于标准粒子群算法。     

改进粒子群优化RBF神经网络在短期电力负荷预测上的研究

电力负荷预测的准确性对整个电力系统的安全和经济效能起着很大的作用,为提高短期电力负荷预测的准确性,提出一种改进的粒子群优化RBF神经网络的模型。针对PSO算法其迭代后期极易深陷部分最优,收敛准确度低,容易发散等问题,提出了PSO算法自身的特性结合Levy飞行机制算法的特点进行融合,在保障算法的寻优准确度的同时也保障了寻优的速度,从而实现全局最优。利用改进的粒子群算法优化RBF神经网络,再将训练好的RBF神经网络应用到电力负荷的预测中。将此模型应用到黑龙江省某地区短期电力负荷预测中,结果表明此种方法有效提高了预测精度。     

基于粒子群算法的PID控制器参数优化

粒子群算法是一种智能算法,在PID控制器参数整定的应用中可取得更优的效果。为解决传统的粒子群算法早熟收敛和收敛速度慢的缺点,文中采用了一种基于相似度动态调整惯性权重的方法,即越靠近目前最优粒子的个体被赋予越小的惯性权重值。最后用MATLAB对等温连续搅拌釜反应器仿真。与标准的PSO算法整定方法相比,改进的粒子群算法稳定时间为230.1 s,比传统粒子群算法524.7 s的稳定时间缩小了一半,表明改进的算法对PID控制器的参数优化有着较优的收敛效果。     

PM2.5测量系统中改进神经网络控制算法优化补偿

针对现阶段PM2.5测量系统的测量精度较低的问题,提出了改进的BP神经网络PID控制算法对其进行优化补偿。通过对粒子群优化算法的速度公式进行了改进,采用优化的粒子群算法优化了BP神经网络,将其用于PID的在线参数调节,以PM2.5测量系统作为研究对象,将改进的BP神经网络PID控制算法与传统PID分别作了仿真研究。研究结果表明,基于改进的粒子群优化算法改进的BP神经网络PID控制算法与传统的PID控制相比,提高了测量精度,在一定程度上减少了误差。     

一种改进的混沌粒子群优化算法

粒子群优化算法（PSO）自提出以来,已经被广泛地应用于求解各类复杂的优化问题,过去对粒子群算法的研究主要集中在融入新的优化方法或对其相关参数进行调整,但这样只会使得PSO更加复杂.针对这一问题,文中提出一种改进的混沌粒子群优化算法（ICPSO）,ICPSO从粒子群优化算法的时间与寻优实时角度出发（即在较短的时间内获得较好的解）,对粒子速度更新算子进行了简化,每隔一定代数后,在最优解邻近区域引入混沌扰动以避免种群陷入局部最优解.数值实验结果表明：提出的算法相对于文献给出的PSO改进算法,不仅能够获得较好的最优解,而且还具有较快的收敛速度和较好的稳定性.     

一种精英反向学习的粒子群优化算法

为解决传统粒子群优化算法易出现早熟的不足,提出了精英反向学习策略,引入精英粒子,采用反向学习生成其反向解,扩大搜索区域的范围,可增强算法的全局勘探能力.同时,为避免最优粒子陷入局部最优而导致整个群体出现搜索停滞,提出了差分演化变异策略,采用差分演化算法搜索最优粒子的邻域空间,可增强算法的局部开采能力.在14个测试函数上将本文算法与多种知名的PSO算法进行对比,实验结果表明本文算法在解的精度与收敛速度上更优.