改进双幂次指数趋近律的滑模控制设计

针对目前系统抖振仍影响滑模趋近律在实际中应用,并导致系统收敛速度缓慢、滑模平面趋近至原点时间长等缺陷,提出一种改进的双幂次指数趋近律。改进趋近律中指数项采用分段设计,指数项分段参数将系统分为两部分进行。当状态绝对值小于1时,系统沿滑模面平滑进入,抖振影响可忽略不计;当状态绝对值大于等于1时,系统的动态响应显著提高,收敛时间缩短,且总时间小于初始状态运动至临界值时间和系统运动至滑模面平衡点的时间之和。在理论上验证了改进后的双幂次指数趋近律能够快速收敛到平衡点且消除了抖振影响,并通过实验验证了该趋近律的有效性。对比多种趋近律,改进的双幂次指数趋近律具有最佳性能且收敛速度最快,并通过实验验证在外界干扰下该趋近律仍可快速收敛于平衡点。     

基于混沌动态随机分组与调制分数阶FFT旋转因子的图像加密

针对分数阶傅里叶变换(FRFT)图像加密中,由于FRFT旋转因子单一性和分组单一性而引起的安全性问题,提出一种新的加密方法——混沌动态随机分组与随机调制FRFT旋转因子。该方法采用3个混沌子系统:用子系统1(密钥)对明文进行无损预加密,得到(一次)密文;然后,用子系统2对FRFT进行动态分组;用子系统3对FRFT旋转因子进行随机调制。接着,用经动态分组、随机调制旋转因子后的FRFT对(一次)密文进行二次加密。相邻像素相关性、像素改变率等测试结果表明,该算法对统计攻击和差分攻击具有较强的抵御能力;实时性、还原性测试表明,一次加密中,采用无损方式与有损相比,其解密用时减少了52.5%,解密后明文相似度提高了4.5%,由此,免除了去噪处理,降低了系统开销。安全性测试表明, 与单纯调制旋转因子方法相比,随机分组与调制旋转因子方法的信息熵提高了1.7%,抵御穷举法攻击的能力提高了10³⁶³⁵倍。由此表明,该方法在实时性、还原性、安全性等方面,均优于混沌密钥单纯调制FRFT旋转因子算法。     

基于半监督学习的动态神经网络结构设计

针对神经网络初始结构的设定依赖于工作者的经验、自适应能力较差等问题,提出一种基于半监督学习(SSL)算法的动态神经网络结构设计方法。该方法采用半监督学习方法利用已标记样例和无标记样例对神经网络进行训练,得到一个性能较为完善的初始网络结构,之后采用全局敏感度分析法(GSA)对网络隐层神经元输出权值进行分析,判断隐层神经元对网络输出的影响程度,即其敏感度值大小,适时地删减敏感度值很小的神经元或增加敏感度值较大的神经元,实现动态神经网络结构的优化设计,并给出了网络结构变化过程中收敛性的证明。理论分析和Matlab仿真实验表明,基于SSL算法的神经网络隐层神经元会随训练时间而改变,实现了网络结构动态设计。在液压厚度自动控制(AGC)系统应用中,大约在160 s时系统输出达到稳定,输出误差大约为0.03 mm,与监督学习(SL)方法和无监督学习(USL)方法相比,输出误差分别减小了0.03 mm和0.02 mm,这表明基于SSL算法的动态网络在实际应用中能有效提高系统输出的准确性。     

基于改进混合灰狼优化算法的无人机三维路径规划

针对传统灰狼优化(Grey Wolf Optimization, GWO)算法求解无人机三维路径规划问题时会出现收敛速度慢、容易陷入局部最优等问题,提出一种改进混合灰狼优化算法——CLGWO。基于Cat混沌映射和反向学习策略初始化灰狼种群,为算法全局搜索过程中丰富种群多样性奠定基础;提出新型非线性收敛因子的改进策略,提高算法全局搜索能力。在灰狼位置更新中提出引入狮群优化(Lion Swarm Optimization, LSO)算法的扰动因子和动态权重,使灰狼具有主动的搜索能力,避免因灰狼失去种群多样性而陷入局部最优。为验证改进算法的有效性,进行了8个国际通用的标准测试函数收敛性对比实验和无人机三维路径规划仿真实验。实验结果表明,CLGWO算法在单峰、多峰函数上均有较好的收敛性、较高的寻优精度;三维路径仿真环境下,CLGWO算法的平均路径长度、平均迭代次数、平均运行时间相比于GWO算法分别优化了33%、31%、52%,且路径转折少,能较好地得到全局最优值,验证了CLGWO算法的有效性。     

基于PSO-CNN-LSTM的短期热负荷预测模型

为提高短期供热负荷预测精度,减少供热不均与供需失调所造成的能源浪费,提出一种基于粒子群(Particle swarm optimization, PSO)、经验模态分解(Empirical Mode Decomposition, EMD)、卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆神经网络(Long Short Term Memory Network, LSTM)的混合预测模型。首先,针对供热负荷呈现非线性、复杂性等特点,采用EMD对供热负荷分解,从而实现弱化供热负荷复杂程度;其次,分别运用CNN与LSTM提取供热负荷空间特征与时域特征;最后,结合PSO算法对LSTM网络的超参数进行调整,寻找出最优参数。实验表明,结合EMD分解的PSO-CNN-LSTM网络相比LSTM、CNN-LSTM、EMD-CNN-LSTM平均误差分别降低了44%、34%、24%、21%,拥有更高的预测精度和拟合效果。所提模型为集中供热负荷预测提供了一种新的思路,对于制定集中供热能源分配提供了参考意义。     

融合改进小波变换的小型磁瓦表面缺陷检测方法研究

针对磁瓦表面光照不均匀且表面纹理复杂的问题,提出一种改进小波自适应阈值去噪方法来消除磁瓦表面复杂的纹理,同时又能较好的保持边缘;针对传统的阈值分割方法面对磁瓦表面照明不均匀不能较好的分离背景和前景问题,将自适应阈值分割方法进行了改进,经过形态学处理和边缘检测实现了磁瓦缺陷的检测。研究表明,所用的滤波方法运行时间为0.0866秒,检测准确度达到了90.6%,并且改进后的自适应阈值分割更有利于提取缺陷,为磁瓦的缺陷检测提供了一种可实现的解决方案。     

主元分析优化量子神经网络的变压器故障诊断

针对变压器故障检测速率较慢的问题,通过对基于量子神经网络的变压器故障诊断方法的分析,发现该方法有较高的精度,但是速率较慢,不能达到实时性、快速性的要求。因此提出基于主元分析优化量子神经网络的变压器故障诊断方法。利用主元分析进行故障数据降维,选取主成分累计贡献率高于85%的主元代替原有的7个故障气体含量数据,用降维后的数据作为网络的输入,应用量子优势消除数据相关性,最终对变压器的故障做出判断。利用变压器故障实验数据信息库中的故障数据分别对量子神经网络、主元分析优化量子神经网络进行仿真研究,结果表明在故障识别率不变的情况下,所提方法使得诊断速率得到大幅提升。     

半自动追光太阳灶

对于燃料短缺并且经济落后的西部地区,为了解决当地人民能源不足的问题,开发高效清洁的太阳能显得尤为重要。目前,西部地区如甘肃、西藏等地的农牧民应用太阳能主要通过太阳灶实现,而现有的纯机械式太阳灶存在精确度低和操作性难问题,自动跟踪式太阳灶存在结构复杂、成本高等方面问题。针对现有的太阳灶存在费用高、操作难等问题,通过对现有太阳灶的调查研究,设计开发了一种半自动追光太阳灶。基于现有机械式太阳灶增加语音提示调控模块,利用四象限光敏电阻比较法对光线进行定位,将光线照射在不同光敏电阻上的面积和强度产生的电压差信号输入单片机,利用单片机控制语音模块输出具体语音提示,例如:"请向上调节",之后进行人工调节;当调整到最佳位置时,会提示:"调节完成"以示调整结束。设计旨在充分利用清洁廉价的太阳能,降低能耗、解决西部地区能源短缺问题,并弥补现有太阳灶的缺点,实现节能减排的理念。