杂波先验知识未确知场景下 MIMO雷达收发联合优化

针对杂波初始估计误差导致多输入多输出(MIMO)雷达检测稳健性较差的问题,提出了发射波形与接收权联合优化方法以改善MIMO雷达检测稳健性。杂波误差凸集、波形恒模特性和相似约束下,基于最大化输出信干噪比准则,首先构建了改善最差情况下MIMO雷达检测性能的极大极小联合优化问题;而后,为求解所得NP-hard问题,将其分解为内外层子问题,并交替迭代求解。与不相关信号、非稳健及现有稳健方法相比,数值仿真验证了所提方法的有效性。     

基于CLARA算法的考虑时序特性分布式电源规划

针对配电网分布式电源(DG)的优化选址定容问题,以配电网年损耗电量最小为目标,考虑不同类型DG出力的随机性和时序特性,建立多场景多时段混合整数非线性随机优化模型。利用蒙特卡洛方法生成描述DG出力的序列场景,通过考虑各场景需要满足的约束条件近似对随机过程进行约束,将原随机优化问题转化为确定性优化问题。利用CLARA算法对各场景各时段模拟得到的样本进行聚类,以避免全场景下样本规模大、模型求解难等问题。IEEE 14和IEEE 33节点标准系统的测试表明,所提模型和算法能有效利用不同类型DG的时序互补作用,提高配电网对DG出力的消纳能力。与不采用聚类方法全场景代入及采用PAM聚类方法相比,所提算法在保证优化结果近似误差低于3%的同时,能显著降低模型的求解难度和节省计算时间。     

基于遗传算法的正交多相码设计

MIMO雷达能有效地促进现代雷达的性能,由于MIMO雷达发射相互正交的信号,所以设计具有低自相关和互相关的正交信号是MIMO雷达实现的关键问题.本文基于自相关及互相关峰和能量为代价函数,提出了一种混合的优化算法来数字搜索正交多相码集,该算法包括遗传算法及叠代码选择算法.用该算法进行了仿真优化设计,仿真结果显示,提出的算法是有效性和可行的.     

结合改进PSO算法和LSSVM的化工异常工况超早期监测预警研究

针对化工过程采样间隔短、动态性强,短期参数预测不能有效地为现场人员提供充足的操作时间,提出了结合改进粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的异常工况超早期监测预警方法。采用最小二乘支持向量机对归一化处理后的过程数据进行训练,利用改进的粒子群优化算法对最小二乘支持向量机中的核参数和惩罚因子进行快速精确地全局寻优,得到优化的预测模型。在丙烷塔的超压异常工况超早期监测预警案例分析中,能够准确地对未来500 s内的过程数据进行预测,并比DCS系统提前40 s发出异常报警,相比于最小二乘支持向量机预测模型和标准粒子群优化的最小二乘支持向量机预测模型,所提方法有效降低了预测误差。     

基于综合自适应滤波器的在线短期负荷预测

准确地实现小时负荷预测是实施优化控制和动态安全分析的前提.采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测,对影响负荷的因素进行模糊化处理.采用了粒子群(PSO)优化算法解决ELS-SVM学习过程中多参数难以调整的问题.提出分段小批量学习和更新的在线学习方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度.实验结果表明,该方法有效地将预测精度从2.1%提高到了1.29%.     

基于粒子群优化LS-SVM的光伏功率预测

提出一种基于优化最小二乘支持向量机的光伏功率预测方法。该方法采用最小二乘支持向量机(LS-SVM)分别构建春、夏、秋、冬四个预测模型,对光伏功率进行分钟级预测。选取了一组影响光伏功率的重要因素作为所建预测模型的输入特征,然后对所选特征和交叉验证预测误差之间的函数映射关系进行学习,并采用粒子群算法优化LS-SVM模型的参数。宁夏某光伏发电站实测数据的预测结果验证了该方法的有效性。     

基于灰度熵多阈值分割和SVM的火焰图像状态识别

为了进一步提高锅炉燃烧火焰图像状态识别的性能,提出了一种基于灰度熵多阈值分割和支持向量机(supportvector machine,SVM)的火焰图像状态识别方法。对火焰图像进行基于灰度熵准则的多阈值分割,采用改进粒子群优化算法选取最优多阈值,由此快速准确地分割出火焰图像中的背景区域、有效燃烧区域及高温燃烧区域;然后,提取火焰图像的10个特征参数,以此作为训练样本训练支持向量机,最后采用支持向量机依据提取的特征对火焰图像进行分类,并通过上述改进粒子群优化算法优化支持向量机中的2个参数。实验结果表明,提出的方法分割结果正确,与采用将图像像素作为训练样本的方法相比,该方法的分类识别正确率更高,运行速度大大加快。     

基于核熵成分分析的工业过程多类型故障诊断

核熵成分分析(KECA)特征提取过程中只保留了数据的最大瑞丽熵(Renyi)信息，没有充分利用数据的类别信息。由于监督学习算法线性判别分析(LDA)能够有效提取特征中的类别信息，因此提出KECA-LDA(KEDA)的特征提取方法。首先KECA依据最小Renyi熵损失策略对数据进行维数约简；然后在KECA特征空间使用LDA算法获取具有判别信息的低维特征并输入到支持向量机(SVM)分类器中，利用天牛须优化算法(BAS)得到最佳性能的SVM分类器，从而建立故障诊断模型。将KEDA-BAS-SVM方法应用于田纳西-伊斯曼化工过程(TE)进行仿真实验，结果表明：当采用基于距离测度的矩阵相似性优化确定KEDA中所选用的径向基函数(RBF)核参数时，相比KECA和LDA算法，KEDA特征提取后多类型故障诊断准确率达到99.7%,验证了KEDA-BAS-SVM在多类型故障诊断领域的优越性。     

基于IPSO-LSSVM的风电功率短期预测研究

风电功率预测的关键是预测模型的选择和模型性能的优化。选择最小二乘支持向量机(least squares support vector machine,LSSVM)作为风电功率预测模型,使用改进的粒子群算法（improved particle swarm optimization algorithm ,IPSO）对影响最小二乘支持向量机回归性能的参数进行优化。在建立了改进的粒子群算法优化最小二乘支持向量机（LSSVM）的风电功率预测模型后,运用该模型对广西某风电场进行了仿真研究。为了对比研究,同时使用前馈(back propagation,BP)神经网络模型和支持向量机（support vector machine,SVM）模型进行了预测。最后采用多种误差指标对三种模型的预测结果进行综合分析。结果表明,使用改进的粒子群算法优化最小二乘向量机（IPSO-LSSVM）的风电功率预测模型具有较高的预测精度。     

粒子群优化–最小二乘支持向量机算法在高压断路器机械故障诊断中的应用

提出了一种高压断路器机械故障诊断的智能算法,该算法采用最小二乘支持向量机(least squares support vector machine,LSSVM)算法,提取高压断路器振动信号的特征熵;为了提高故障诊断的精度,采用粒子群优化(particle swarm optimization,PSO)算法,优化LSSVM算法的参数。算例表明:PSO-LSSVM算法不仅能够取得良好的分类效果,而且诊断速度与精度均高于传统的支持向量机(support vector machine,SVM)算法,适用于高压断路器机械故障诊断。     

基于分布式MIMO雷达的检测前跟踪算法研究

近些年来MIMO雷达技术正在逐步兴起并得到了快速发展.因其能够充分利用空间分集和波形分集,所以对弱小目标和雷达截面积闪烁目标都有很好的检测性能.为达到提升对弱小目标的检测概率,运用动态规划将检测前跟踪思想引入MIMO雷达系统,提出了基于MIMO雷达的检测前跟踪方法.MIMO雷达的空间分集特性能够降低检测前跟踪回波积累的时间,从而提高雷达系统对机动目标的检测概率.仿真实验结果表明,基于MIMO雷达的检测前跟踪方法检测性能良好,有效提升了检测概率,是一种有效检测机动弱目标的方法.     

压缩感知理论在MIMO雷达目标测量中的应用

目前,压缩感知理论和多输入多输出（MIMO）雷达系统得到了越来越多研究人员的关注。压缩感知理论已经成功应用在图像处理、无线通信等领域;MIMO雷达在目标检测中有着重要的应用。主要分析了压缩感知理论在MIMO雷达信号目标检测方面的应用。MIMO雷达系统通过多个发射天线发射一组正交探测信号（例如：频分窄带线性调频信号）,这些信号遇到空间中的运动目标后发生反射,回波被一组MIMO雷达接收天线接收。基于压缩感知理论,实现了从MIMO雷达接收的回波信号中提取匀速运动的目标、测量目标的速度和方位角,并在MATLAB仿真环境下取得了良好的效果。     

基于隐马尔可夫模型的MIMO雷达目标检测

MIMO雷达是一种新体制雷达,相对于传统雷达在目标检测及参数估计性能都有很大提高。本文针对MIMO雷达的发射信号特点及天线阵元布置特点,分析了雷达目标和杂波的散射特点。目标回波的各向异性比杂波更强。因此可以用隐马尔可夫模型（HMM）对目标和杂波分别建模,实现目标和杂波的分离。在检测过程中,首先用样本模型对HMM进行训练,得出它的参数。然后用训练好的HMMs分别对待检测信号进行归类,分别计算它属于杂波和目标的概率,计算概率比值,大于门限判断有目标。仿真实验表明,本文方法的检测性能优于传统的检测方法。本方法在检测时候的计算量很小,有利于信号的实时处理。     

基于 FOA 优化的 CSSVM 管道堵塞状态识别研究

针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,提出了一种基于果蝇优化算法的代价敏感支持向量机的管道堵塞状态识别方法。根据排水管道内各运行状态下采集到的不平衡数据集,首先对不平衡数据集进行小波包分解,其次,提取各个分解系数的能量熵、近似熵指标构建特征向量集合;采用果蝇优化算法(FOA)对不同类样本惩罚因子C_m和核函数参数g进行优化选取,即对代价敏感支持向量机(CS-SVM)模型优化,将特征集合输入优化后的CS-SVM模型中,对排水管道的正常和堵塞状态识别,通过增大对少数类样本错分的惩罚代价,结果表明,提升了少数类的识别准确率。     

基于改进动态时间规整算法的终端波形比对方法

为深入挖掘配电终端录波性能分析，提出了一种用于一二次深度融合设备检测终端录波平台的改进型动态时间规整算法。通过分帧及加窗完成对波形的预处理，计算源信号波形与受噪声干扰的终端录波波形的短时能熵比；将两组波形的短时能熵比序列作为输入测试向量，利用DTW对两个波形的能熵比序列进行路径规划并求解相似度；计算两组短时能熵比序列的公共子串长度定义优化匹配系数，修正波形相似度。实验仿真和实测数据分析结果表明，结合能熵比与公共子串的DTW算法提升了算法的计算效率和准确率。实验证明该方法能为配电终端的录波性能评估提供数据支撑。     

变压器铁心磁滞模型参数辨识

针对描述铁心磁滞特性的Jiles-Atherton模型中参数确定较难问题,通过找出各参数对磁滞回线特征量的影响规律,确定各参数比较合理的拟合初始值。参数采用逐个优化算法,以实验获取的磁滞回线与计算得到的磁滞回线之间的均方误差最小值作为优化目标,并以2者之间的均方误差反馈控制每个参数的优化启动、优化停止及变化百分比,从而得到一组最佳逼近的Jiles-Atherton模型参数。研究结果表明该算法简单实用。通过拟合数据与理论数据、实际硅钢片数据及实验数据的对比,验证了该算法的正确性和有效性。     

融合测距修正和哈里斯鹰优化的DV-Hop定位算法

针对传统DV-Hop定位算法在无线传感器网络节点定位时精度偏低的问题，本文提出了一种基于测距修正和哈里斯鹰优化算法的DV Hop改进算法。该算法采用多通信半径调整网络节点最小跳数，利用最小均方差和权重因子优化网络节点平均跳距，采用改进的哈里斯鹰算法替代最小二乘法进行位置计算，引入Tent混沌映射、精英群体制度和正余弦优化策略以避免算法过早陷入局部优化，通过最优解求解得到网络节点近似坐标值。仿真结果表明，在不同条件下，改进算法与传统DV-Hop算法和ABCDV-Hop算法相比能够具有更好的定位能力，节点定位误差平均下降20.13%和7.74%，定位精度较高。     

基于动态滑动模型的加速度传感器数据在线预测方法研究

加速度传感器输出值精确测量是相关数据预测的必要前提,为补偿制造工艺和测量环境影响带来的加速度传感器输出误差并准确预测加速度传感器输出数值,提出了基于自适应归一化奇异谱和神经网络的加速度传感器误差补偿及数值预测方法。首先分析加速度传感器输出误差产生的原因;然后根据奇异熵定阶去噪的方法提出了自适应奇异谱方法用于加速度传感器误差自适应补偿;最后选用基于滑动窗的径向基(radical basis function, RBF)神经网络作为加速度传感器输出数值预测方法,并用粒子群优化算法优化RBF神经网络的初始参数。实验结果表明,自适应奇异谱方法可以有效补偿加速度传感器输出误差,并可以选定不同的自适应参数以满足不同误差需求,并且粒子群算法优化的RBF神经网络可以有效预测加速度传感器输出数值。     

海面舰船目标微多普勒周期快速估计方法

提出一种海面舰船目标微多普勒周期快速估计方法。受海情影响,舰船目标处于微动状态中,导致雷达回波产生微多普勒调制。舰船微多普勒参数与舰船结构、目标动力等密切相关,是舰船目标识别的重要依据。在建立海面舰船目标雷达回波模型的基础上,分析了回波的调制特性,并提出一种微多普勒周期快速估计方法。该方法首先基于最小熵方法实现舰船目标主体平动的补偿,然后根据微多普勒区域与噪声区域的熵差异实现目标多普勒区间定位,最后计算截取区域的时频相关系数实现微多普勒周期的估计。其中微多普勒区间的定位降低了时频相关系数的计算量,使该方法的运算效率相比原有算法有较大的提升。在典型场景和雷达参数下,该方法计算效率获得2.5倍的提升。