基于Logistic混沌映射的自适应粒子群无功优化研究

针对自适应粒子群算法在无功优化中引入交叉变异等算子后出现收敛速度变慢的问题,将Logistic混沌映射引入到自适应粒子群算法之中,通过计算粒子适应度值,将具有较好适应度值的粒子位置即最优位置进行Logistic混沌优化。通过对IEEE 14节点及IEEE 57节点系统进行仿真计算,以网损最小为优化目标,验证了该算法可以提高粒子取值的有效性和多样性,能使无功优化的控制变量较快地跳出局部最优,加快了算法的收敛速度,对解决电力系统无功优化问题具有一定的参考意义。     

BP学习算法在CNN发电机建模中应用

在应用混沌神经网络(CNN)进行同步发电机的建模过程中,对于CNN的学习,网络训练过程的收敛性很难控制。在研究了BP学习算法及其一些改进方法进行人工神经网络训练的轨迹收敛特性后,观测到运用梯度下降动量与自适应学习速率相结合的BP学习算法的神经网络训练轨迹的收敛特性良好。在用基于Aihara混沌神经元构成的3层反馈CNN进行同步发电机建模的应用中,用该BP学习算法对CNN进行了训练。结果表明:用该BP算法进行CNN发电机建模具有学习速度快和均方误差曲线轨迹收敛性好的特点,而且所建立的CNN同步发电机模型运行的动态过程误差小。     

一种基于混沌序列的改进自适应差分进化算法

差分进化(DE)算法被认为是一种可靠、鲁棒性好且快速的优化算法,在许多领域得到广泛的应用,并取得了良好效果。为提高DE的寻优性能,提出了一种改进的自适应DE算法。改进后的算法采用Logistic混沌序列产生初始种群,用自适应的变异、交叉参数代替标准DE固定参数,并引入子种群内部搜索策略,使算法具有较好的全局搜索能力。采用经典测试函数对算法进行验证,结果表明,改进后的算法寻优精度和收敛速度得到了有效的提高,具有较好的实用性。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练。该算法使BP神经网络学习速率和稳定性得到提高。将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性。     

改进BP网络算法在配电网故障诊断中的应用研究

针对BP网络学习收敛速度慢和易陷入局部最小点的不足,提出利用一种自适应学习速率动量梯度下降反向传播算法对BP神经网络进行训练.该算法使BP神经网络学习速率和稳定性得到提高.将这种改进的BP网络算法应用于配电网诊断实例,用这种改进的网络算法进行分类,采用VB语言作为开发工具调用神经网络工具箱建立了一个简化的故障诊断系统,验证了该算法的有效性、正确性.     

基于RBF神经网络非线性预测模型的开关磁阻电机自适应PID控制

开关磁阻电机的非线性和变参数特性使得采用传统的PID控制很难取得较好的控制效果。人工神经网络在一定的条件下可以任意精度逼近任意非线性函数且具有较强的自学习、自适应、自组织能力。故将其与传统的PID控制相结合构成神经网络自适应PID控制策略，应用于非线性严重的开关磁阻电机，可实现对开关磁阻电机的高性能控制。同时，神经网络所具有的非线性变换特性和高度的并行运算能力使得其适合建立非线性预测模型进行参数预测。通过对被控系统参数的预测，可提高系统的动态响应性能。该文采用两个神经网络-BP神经网络和RBF神经网络来分别构成神经网络NNC和神经网络NNI。神经网络NNC进行自适应PID参数调节；神经网络NNI用来建立非线性预测模型进行参数预测。为进一步加快神经网络的学习收敛速度，该文采用变学习速率的神经网络学习算法，学习速率随收敛过程误差的大小而自适应地进行调整，这可大大加快神经网络学习训练的收敛速度，进一步提高系统动态响应速度。实验结果表明，系统的动态响应快，超调小，稳态精度高，鲁棒性强，有较强的抗扰动能力，具有较好的控制效果。     

基于补偿滑模神经网络的某炮控系统位置控制

针对某炮控系统存在较强的非线性和不确定性特征,提出了基于补偿滑模的自组织神经网络控制策略。引入了补偿滑模面设计方法,构成了自组织神经网络控制器和辅助补偿器。自组织神经网络控制器由Hermite多项式、变结构神经网络和神经元参数自学习算法构成,其减小了计算复杂度,提高了自适应能力;梯度下降法对神经网络的参数进行自学习,提高了系统的收敛速度;辅助补偿器的引入进一步减小了系统稳态误差,满足了该炮控系统的基本指标要求,保证了系统在Lyapunov意义下的稳定性和鲁棒性。半实物仿真试验表明:该控制策略有效地提高了系统的控制精确度和鲁棒性,减小了外界干扰对系统性能的影响。     

基于IGSA-BP网络的瓦斯涌出量预测模型

为提高煤矿瓦斯涌出量预测的精度和效率,提出一种基于改进的万有引力算法(IGSA)的BP神经网络IGSA-BP瓦斯涌出量预测模型。由于BP神经网络的初始权值和阈值对网络的预测精度和收敛速度有较大影响,采用改进的万有引力算法训练BP神经网络的初始权值和阈值,引入粒子群算法记忆与社会信息交流的思想,对万有引力算法(GSA)的速度与位置更新公式进行改进,采用Tent混沌映射增加GSA种群的多样性,使算法避免陷入局部极值并增强GSA的遍历搜索能力。结果表明,改进的万有引力BP神经网络预测结果的误差在0. 20 m~3/min以内,与未经改进的万有引力BP神经网络和粒子群BP神经网络相比,预测精度分别提高了近5倍和10倍,说明该方法对煤矿瓦斯涌出量具有更好的预测精度和收敛速度。     

基于多策略改进哈里斯鹰算法的过热汽温模型参数辨识

为了进行控制器的设计和整定参数,建立精准的过热汽温模型,获得更好的控制效果。由于哈里斯鹰算法存在易陷入局部最优和收敛精度低的问题,提出多策略优化的哈里斯鹰优化算法。在探索阶段利用Logistic混沌映射,优化种群的初始化问题,从而改善哈里斯鹰算法收敛精度低的问题;然后通过随机收缩指数函数非线性化能量方程,使得算法在寻优过程更加协调;最后引入了自适应权重因子更新猎物的位置,提高算法的准确度。通过与其他算法比较,证明了本文算法的精准度。多策略优化的哈里斯鹰优化算法应用于现场数据辨识,对某600 MW超临界机组的过热汽温系统进行辨识,验证算法的准确性和优越性。     

直驱式伺服系统的神经网络自适应滑模控制

针对直接驱动(DDV)伺服系统中由于参数变化、齿槽效应以及液动力负载扰动所造成的跟踪性能降低的问题,提出一种神经网络自适应滑模控制策略,采用径向基函数神经网络(RBFNN)取代滑模切换控制部分,利用其在线学习功能,对系统的不确定因素进行自适应补偿,并通过与比例微分算法(PD)的并行控制,改善神经网络参数的收敛,降低局部极小现象发生的可能性,增强系统的稳定性.仿真结果表明该方法不仅使系统具有良好的跟踪性能和强的鲁棒性,还有效地消除了高频抖振现象.     

基于混沌理论并引入时变参数的图像加密技术

针对单一离散混沌映射在计算机有限精度下存在的退化问题以及密钥空间小、安全性低等缺点,提出了一种基于时变参数的混沌图像加密算法。该算法由Chebyshev映射和Log istic映射级联而成,利用一级Chebyshev混沌模型生成的混沌序列作为二级Log istic映射的控制参数,进而生成混沌二维变换矩阵并完成图像的置乱和像素替换。方案中利用系统时钟信息作为时变密钥来锁定两个混沌映射的初始参数,达到了"一次一密"。由于采用一级混沌序列扰动二级混沌参数,使二级混沌序列在不同的状态空间来回迁移,以此解决了数字化混沌序列有限精度效应问题。仿真实验表明该算法具有良好的加密效果,密钥空间大,速度快,安全性高。     

Investigation for Improved Artificial Intelligence Techniques for Thyristor-controlled Series-compensated Transmission Line Fault Classification with Discrete Wavelet Packet Entropy Measures

A new transmission line fault-classification algorithm based on half-cycle post-fault current data is presented for an advanced series-compensated transmission line equipped with a thyristor-controlled series compensator. The proposed scheme was developed with the signal feature enhancement tool of discrete wavelet packet entropy measures. The Chebyshev neural network is presented as network-growing technique for protective classification, the single-layer structure of which is a more powerful classifier that eliminates the need for complicated network design. A comparative implementation study of the multi-layer perceptron and Chebyshev neural network authenticates benefits gained by the Chebyshev neural network. To demonstrate the advantage gained by Chebyshev neural networks compared to support vector machines, a comparative study is presented with a support vector machine based classification technique. The fault datawere obtained by dynamic simulation of a sample system using the real-time power system simulator PSCAD (Manitoba HVDC Research Centre, Winnipeg, Manitoba, Canada). Extensive testing reveals the effectiveness of the Chebyshev neural network for fault classification; a comparative study brings out the superiority of the Chebyshev neural network for neural network design and implementation against the multi-layer perceptron. The Chebyshev neural network proved advantageous against support vector machines as being insensitive to the classification parameter.     

混沌扩频序列在CDMA通信系统中的应用

混沌是非线性系统中出现的确定性的、类随机的过程.混沌系统最基本的特征是对初始条件极端敏感,这些独具特色的性质使得混沌在通信应用领域尤其在伪随机码的产生方面有着很好的应用前景.本文首先分析几类混沌动力学模型-Logistic、Kent、chebyshev、logistic-chebyshev混沌序列,随后以MATLAB的Simulink为仿真平台,把混沌扩频序列应用到DS-CDMA系统中.分析不同混沌扩频序列在多址环境和多径环境下的误码率,验证了混沌扩频技术应用于CDMA通信系统中的可行性和优越性.     

Inverse general Chebyshev bandpass filters

In this paper, the synthesis of inverse general Chebyshev bandpass filters is discussed. Unlike general Chebyshev filters that flexibly place transmission zeros to mainly control the performance of the filters in the stopband and keep constant ripple in the passband, inverse general Chebyshev filters are featured by flexible placement of reflection zeros in the passband and keep constant ripple in the stopband. Two approaches to directly derive filtering polynomials of inverse general Chebyshev bandpass filters in the bandpass domain are discussed in detail. By applying the zero‐extraction method, these filtering polynomials could be realized through appropriate networks. Finally, two examples are presented for demonstration.     

一种基于混沌神经网络的测试生成算法

基于组合电路测试生成的Hopfield神经网络模型，提出了一种利用混沌神经网络的全局搜索能力进行测试生成的有效算法。该算法综合了随机性和确定性算法的优点，通过对有关参数的调节，使网络逐渐由混沌神经网络向Hopfield神经网络过渡。实验结果验证了该测试生成算法的有效性与相关性能。     

Short term load forecasting using a multilayer neural network withan adaptive learning algorithm

A multilayer feedforward neural network is proposed for short-term load forecasting. To speed up the training process, a learning algorithm for the adaptive training of neural networks is presented. The effectiveness of the neural network with the proposed adaptive learning algorithm is demonstrated by short-term load forecasting of the Taiwan power system. It is found that, once trained by the proposed learning algorithm, the neural network can yield the desired hourly load forecast efficiently and accurately. The proposed adaptive learning algorithm converges much faster than the conventional backpropagation-momentum learning method     

基于切比雪夫多项式的HRWS星载SAR成像算法

提出了一种新的适用于高分辨率宽测绘带的chirp scaling(CS)成像算法。该算法通过引入切比雪夫多项式插值代替了传统CS算法中的泰勒级数展开,得到了新的二维频谱信号的近似,并在此基础上推导出了完整的成像流程。详细分析了切比雪夫多项式插值得到的二维频谱近似和传统形式的区别,比较了两者在相同展开阶次下的残余误差大小和空变性,并分析了新的二维频谱近似带来的成像质量和距离向分块数方面的性能差异。分析表明该算法具有精度高、误差小、误差空变性弱等特点,能提升成像质量同时减少距离向分块数,适用于高分辨率宽测绘带应用场景。最后,通过仿真实验结果验证了算法的有效性。     

基于遗传算法的有源消声系统设计

建立了基于遗传算法的自适应有源消声模型,介绍有源消声系统原理,自适应控制系统的关键在于其控制算法,用算法来调整滤波器的系数.在消声系统里必须考虑的因素主要有误差、声音的延迟、声音的衰减、在公式中适当的加入相位变化等.该系统结合神经网络算法,遗传算法和BP算法结合并改进提高了精度和准确性,可以用来优化神经网络的结构及其权值.实验分别从单音和复音情况进行,实验结果证明了基于神经网络算法的自适应有源消声系统有良好的消声效果,该系统稳定性较强.     

Novel chaotic behavior in the Muthuswamy–Chua system using Chebyshev Polynomials

In this paper, three kinds of memristors with memristance functions obtained from the Chebyshev polynomials are used in the Muthuswamy–Chua system, which has only three circuit elements: a linear passive inductor, a linear passive capacitor and a nonlinear active memristor. We use multivariable second‐order polynomial functions of current and memristor state for the internal state function of the memristor. This enables our system to generate not only double‐scroll but also four‐scroll attractors. Systematic studies of chaotic behavior in these systems are performed using phase portraits, bifurcation diagrams and Lyapunov exponents. Simulation results show that all these systems exhibit chaotic behavior over a range of control parameters. Copyright © 2014 John Wiley & Sons, Ltd.     

混沌时间序列性态的应用改进

由非线性映射产生的混沌时间序列存在着序列点出现频率不平均的特性,如不改进难于应用在诸如信息保密等领域。针对由Logistic映射产生的混沌时间序列,依据动力学分析方法,提出了改进过程与实现算法。改进后的序列,频率的平均度得到了提高。提出了对三次自映射函数族的构造算法,并可产生与传统Logistic序列性质不同的混沌时间序列。