腕力传感器动态重复性和线性度研究

腕力传感器动态性能对保证机器人系统的动态性能和稳定精度起着十分主要的作用,为此设计开发了腕力传感器动态性能标定系统,采用阶跃响应实验法进行动态性能标定,用相关小波法分析腕力传感器动态性能.标定系统由加载试验台、数据采集系统和性能分析系统三部分组成,各组成部分的误差小,系统标定精度高,标定结果可靠.利用该系统对一个腕力传感器进行动态性能标定,通过试验数据分析计算,得到腕力传感器动态性能标定的重复性和线性度.利用该系统对腕力传感器动态性能及其重复性和线性度进行研究,对腕力传感器的研制开发及性能检测将起到重要的作用.     

改进AFSA-BP神经网络的湿度传感器温度补偿研究

为减小温度对声表面波射频识别(SAW-RFID)湿度传感器测量精度引起的误差,需要对实测的湿度进行温度补偿。通过对人工鱼群算法(AFSA)中鱼群初始化方式、视野和步长以及拥挤度因子的改进研究,得到改进的AFSA。采用改进的AFSA对反向传播(BP)神经网络的初始权值阈值进行全局寻优,再用寻优后的权值阈值建立的BP神经网络对SAW-RFID湿度传感器进行温度补偿。最后将此方法建立的BP神经网络、传统BP神经网络和遗传算法神经网络(GA-BP)的性能及温度补偿结果比较。实验结果显示,改进的AFSA收敛速度快、寻优能力强,建立的网络模型能有效降低温度对湿度测量精度的影响,提高了湿度测量的精度。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

Elman神经网络在非线性模拟电路故障诊断中的应用

Elman神经网络把隐层输出反馈回输入层,是一种动态递归神经网络,改进的Elman网络能逼近任意动态非线性系统。本文研究了Elman网络的结构和学习算法,并把改进的Elman网络应用于非线性模拟电路故障诊断激励信号参数优化中,以提高故障正确诊断率。首先用改进的Elman神经网络建立故障电路和无故障电路系统模型,然后用遗传算法搜索电路故障诊断的最佳激励信号参数。     

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。     

油中溶解气体分析的变压器故障诊断新方法

为克服电气分析应用中BP网络算法遇到的困难,改进基本遗传算法并将其与BP算法相结合构成混合算法应用到基于油中溶解气体分析的变压器故障诊断的小波神经网络的训练中。混合算法先利用改进后的遗传算法优化小波神经网络的4个初始值,再利用梯度下降算法训练小波神经网络。针对实际情况,对所采用的遗传算法运用实数编码,采用通过自适应调整的交叉和变异概率,使遗传算法在广泛的空间搜索,向解的方向尽快收敛。仿真结果表明,该算法有效解决了小波网络若初值设置不合理,极易进入局部极小的区域使网络振荡增大、不收敛及GA算法独立训练神经网络速度缓慢等缺点。用训练过的该小波神经网络模型对456台次的变压器故障进行验证和诊断的仿真结果表明,该算法具有较快的收敛速度和较高的计算精度,证实了该算法应用于电力变压器故障诊断的有效性。     

基于改进遗传小波网络的电机故障诊断研究

用频谱分析方法提取了无刷直流电动机的正常工作状态和几种常见的故障(位置传感器一路故障、A相绕组断路故障和驱动开关断路故障)时的特征信号,进行了诊断算法研究,提出了用改进遗传算法优化小波神经网络参数的调整过程,并用改进遗传小波神经网络对无刷直流电动机进行故障诊断。仿真结果表明,与经典遗传小波神经网络、小波神经网络和BP神经网络等方法进行比较,该方法在无刷直流电动机故障诊断中具有更快的收敛速度和更高的诊断精度。     

传感器动态误差的频域修正方法

本文对传感器动态误差的频域修正方法作了较大的改进,扩大了它的应用范围,采用更为合理的修正传递函数,提高了修正精度。采用复数曲线拟合方法,建立实时修正环节,做到在线修正。对机器人腕力传感器动态信号的修正结果,证明了这一方法的有效性和实用性。     

基于改进DFNN的短期电价预测新方法

提出了一种改进的动态模糊神经网络DFNN(Dynam ic Fuzzy Neural Network)的短期电价预测方法。首先对采集到的信息进行特征提取,然后利用模糊粗糙集理论中的信息熵进行属性简化、去掉冗余信息,最后用得到的属性作为动态模糊神经网络(DFNN)的输入进行训练预测。在模糊神经网络内部引入递归环节,构成了动态模糊神经网络,并采用具有全局寻优能力的遗传算法来训练网络,克服了单纯BP算法易陷入局部最优解的困境。最后以美国加州电力市场公布的2000年数据进行了模型训练和预测,结果表明该方法所建立的预测模型具有较高的预测精度。     

腕力传感器动态耦合问题分析

动态维间耦合严重影响了腕力传感器的动态精度，本文实验和理论方面对腕力传感器的动态耦合问题进行探讨，指出解决的途径。     

改进 IGABP 模型补偿倾角传感器温度漂移研究

倾角传感器很容易受到环境温度变化的影响,产生测量误差,即温度漂移现象。针对此问题,设计了一种基于改进的遗传算法(IGA)优化反向传播神经网络(BPNN)的温度漂移补偿模型。其中遗传算法使用了新的选择策略和交叉变异因子,增加了跳出局部最优解机制。实验结果显示,IGABP补偿模型的均方误差(MSE)为0.003 28,经过补偿模型修正后的平均温度漂移为0.039°,远优于未修正时的平均温度漂移0.190°。研究结果表明,IGABP补偿模型与传统的神经网络模型相比,具有更快的收敛速度和更高的补偿精度,能够有效的补偿因温度导致的测量误差,提高倾角传感器的稳定性和精度。     

基于遗传神经网络的电容称重传感器非线性补偿方法

为了解决电容称重传感器的非线性问题,应用遗传算法训练径向基函数神经网络实现其非线性补偿。介绍非线性补偿的原理和网络训练方法。从实测数据出发,建立了电容称重传感器的非线性补偿模型。该方法能同时优化网络结构和参数,具有全局寻优能力,补偿精度高、鲁棒性好、网络训练速度快、能实现在线软补偿。实验结果表明,本文所用的电容称重传感器非线性补偿方法是有效和可行的。     

基于小波分析和智能补偿的三相电力混合滤波算法

在分析传统电力滤波方法的基础上,针对检测电网侧谐波分量和负荷侧谐波分量的复合滤波控制方法无法抑制电网参数对滤波和无功补偿影响的不足,引入智能补偿因子。提出基于小波分析和智能补偿的三相电力混合滤波算法。利用小波算法检测电网电流和载荷电流谐波分量,该结果作为样本利用遗传神经网络进行训练,预测当前电网参数对滤波效果的影响程度,计算智能补偿因子,对混合滤波控制进行补偿。实验结果说明,基于小波分析和智能算法对混合滤波控制进行补偿,是提高其动态性和降低谐波量的有效途径。     

基于演化博弈的无线传感器网络入侵检测研究

针对无线传感器网络易遭受内部节点攻击的问题，本文提出了一种基于演化博弈的无线传感器网络入侵检测方法。将传感器网络的攻防对抗映射到博弈过程中，建立恶意节点和簇头节点之间的攻防博弈模型，改进传统复制动态方程，使得簇头节点在演化博弈过程中考虑到其他节点的历史策略，预测恶意节点的攻击策略；同时将改进复制动态方程应用于入侵检测算法，提高算法响应时间。实验表明，与传统方法的复制动态方程相比，采用该算法使得演化博弈能够快速达到均衡，收敛速度相比传统方法提高了80%,保障了网络安全性的同时避免了传感器网络检测能量的消耗。     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

优化动态递归小波神经网络短期负荷预测模型

提出了优化动态递归小波神经网络(dynamic recurrent wavelet neural network,DRWNN)短期负荷预测模型.与常规小波神经网络相比,DRWNN有两个关联层,关联层节点起存储网络内部状态的作用;模型构造过程中增强了网络的前馈与反馈联接,形成多层次的网络递归.采用分布估计算法和遗传算法相融合对DRWNN进行优化,融合实质是在解空间"宏观"和"微观"两个层面进行寻优,可克服DRWNN陷入局部最小,提高DRWNN的泛化能力.对两类不同负荷系统日、周预测仿真测试,验证了模型能有效提高预测精度.     

基于小波神经网络的电容层析成像图像重建算法

电容层析成像(electrical capacitance tomography,ECT)技术是一个复杂的非线性问题,针对图像重建问题的病态性,提出了基于小波神经网络的图像重建算法。利用主成分分析法对输入变量(电容测量值)进行降维处理,利用小波神经网络建立电容测量值与成像区域介电常数分布的非线性映射。小波神经网络的神经元激励函数由伸缩和平移因子决定的小波基函数,采用BP算法对网络进行训练,并引入学习率与动量因子的自适应调整方法以加快网络训练的收敛速度。实验结果表明,与典型的反投影及Landweber迭代算法相比,该算法所构图像质量有明显改善。