排序方式: 共有75条查询结果,搜索用时 13 毫秒
41.
42.
针对太阳电池组件参数辨识精确度不高的问题,提出一种采用蜂群算法应用于参数辨识的方法。太阳电池组件模型采用单二极管串并联模型,在确定太阳能组件参数范围后,利用提出的蜂群算法对电池组件参数进行辨识。在蜂群算法中,不同的蜜蜂用不同类型的路径修改自己的位置,从而避免了过早收敛于局部最优解,进行全局搜索最优解。实验结果表明,蜂群优化算法的辨识的均方根差值为0.00241,计算电流(测量的25组电流值)总误差为0.0413,明显优于混沌无性繁殖算法、混沌粒子群算法、模式搜索算法、模拟退化算法,为太阳电池组件的参数辨识提供了一种新的方法。 相似文献
43.
44.
针对匹配追踪(matching pursuit,MP)算法在检测电能质量扰动信号时存在的计算量大、重构信号质量不佳的问题,利用混沌动态多种群粒子群优化(chaos dynamic multi-swarm particle swarm optimization,CDMSPSO)算法对MP算法进行优化,提出了CDMSPSO-MP算法。首先,CDMSPSO算法使用Logistic映射替代伪随机数更新种群,提高信号重构时搜索时频原子的随机性;然后,将种群划分为多个小规模种群并设置相应的重组期,增加信号重构时频原子的多样性;最后,以扰动信号与原子内积的绝对值作为CDMSPSO算法的适应度函数,替代MP算法的遍历计算,提升信号的重构速度。实验结果表明,CDMSPSO-MP算法有效提高了计算速度,减少了无关时频原子作为扰动信号分量的计算,提高了重构信号的质量。 相似文献
45.
在实际工程场景中,轴承故障数据远少于正常数据,不平衡数据下的轴承故障诊断方法存在参数多、模型复杂的问题。因此,提出了一种由带梯度惩罚的辅助分类瓦瑟斯坦生成对抗网络(auxiliary classier Wasserstein generative adversarial network with gradient penalty,ACWGAN-GP)和神经回路策略故障诊断(neural circuit policy-fault diagnosis,NCP-FD)网络组成的不平衡数据NCP-FD(unbalanced data NCP-FD,UDNCP-FD)模型。首先,将轴承故障信号数据转换为二维时频图,利用不平衡的训练集训练ACWGAN-GP生成高质量故障样本,并将其扩充到原始训练集中;然后,将扩充后的训练集输入到NCP-FD网络中进行学习;最后,将训练好的NCP-FD网络应用于测试集进行故障诊断。实验结果表明,所提模型与其他不平衡数据下的轴承故障诊断模型相比,参数更少,存储空间更小,故障诊断准确率更高。 相似文献
47.
48.
49.
为了消除传统算法对数字全息重构过程中会出现0级像、共轭像干扰的问题,将压缩感知理论与数字全息图再现相结合,提出了基于全变差的两步迭代收缩阈值重构算法(TwIST),并应用于数字全息图压缩感知全息图重建。 TwIST算法根据重构成分的特点增加正则约束,对相应的形态进行调整,在满足全变差最小的特性的基础上进行重构,提高了重构全息图的质量。结果表明,TwIST算法可以对数字全息图稀疏重建,利用35%的部分全息图数据进行图像重构,重构图像峰值信噪比为36.46dB,且没有0级像和共轭像等干扰。该研究结果对实现计算全息的实时性具有重要的意义。 相似文献
50.