基于极值符号序列分析的EMD端点效应处理方法

针对经验模式分解(empirical mode decomposition,简称EMD)的端点效应提出一种新的抑制方法。考虑到极值序列在EMD分解的包络线形成中占有主导地位,将信号局部极值序列进行符号化,根据符号特征进行特征匹配,在信号两端依据符号序列特征匹配结果进行符号序列拓延与对应信号还原,对拓延还原后的信号进行EMD分解以实现端点效应抑制。所提方法对于随机信号与周期信号都有着明显的抑制效果,通过对仿真信号和轴承故障信号端点效应的分析验证了方法的正确性。研究与ARMA模型、BP神经网络、镜像拓延等常见方法进行了对比,所提方法的各分量有效值指标均值为19.64%,低于其他方法,说明对低频分量有着更好的抑制效果。     

采用改进尺度不变特征变换在多变背景下实现快速目标识别

提出一种改进的尺度不变特征变换(SIFT)算法,用于实现多变背景下的快速目标识别。首先,构建目标图像尺度空间,提取SIFT特征点并将其按大小分类,目标识别时只需比较同一类型的特征点。然后,由SIFT特征点子区域方向直方图计算得到4个新角度用于代表特征点的方向信息,并且在目标识别时根据角度信息限制特征点匹配范围,从而提高SIFT算法的运算速度。最后,计算目标图像和待识别图像之间的尺度因子,在尺度因子约束条件下进行目标特征点匹配,从而有效地保证正确匹配数量,提高目标识别的鲁棒性。实验结果表明:当目标在待识别图像中发生局部遮挡、旋转、尺度变化或者弱光照等情况下,改进的SIFT算法能够完成多变背景下快速目标识别任务,平均识别速度提升了40%。     

TDI CCD相机大姿态角推扫成像行频精确匹配

针对大视场TDI CCD相机大姿态角推扫成像过程中像面上像点像速差异较大,行频匹配精度不高引起的相机传函下降等问题,提出一种可支持粗调和精调的高精度行频匹配方法。首先,阐述了大视场遥感相机像速场的主要特点及像速匹配的关键问题;其次,深入分析了大视场TDI CCD相机大角度侧摆和前后摆推扫成像的像速场特性;然后,根据像速场特性制定同速匹配模式和异速匹配模式,分析传函特性,确定各自模式的使用条件;最后,提出了一种可支持粗调和精调的高精度行频匹配方法,并分析已实现行频匹配方法的精度,最终满足给定行频匹配精度要求。实验结果表明：在积分级数为96级,粗调方法使行频精度达到0．999425,精调方法使行频精度达到0．999928,2种方法均能使相机传函MTF优于0．998,从而实现大视场TDI CCD相机在各种大姿态角推扫成像条件下高质量成像。     

一致性特征点匹配在目标跟踪中的应用

为了解决运动目标快速跟踪过程的实时性与稳定跟踪问题,提出了一种新的基于局部特征点匹配的KPM(key points matching) 算法,对图像的局部多尺度特征提取与匹配进行研究。首先,应用SURF(speeded up robust features) 算法在跟踪窗口内提取特征点,生成并匹配特征矢量。然后,结合最近邻提纯法与一致提纯法剔除目标区域以外的特征点对,减少误匹配以提高跟踪精度。最后,生成目标仿射变换矩阵,更新目标运动参数。实验结果表明,本文所提出的KPM算法当目标发生大角度旋转和快速缩放,同时发生光照变化时,仍能够实现稳定的跟踪,且满足运动目标实时跟踪稳定可靠、精确度高、抗干扰能力强等指标要求。     

现行输电塔设计规范可靠度水准的评估与分析

为了对输电线路杆塔结构设计规范进行较为系统且准确的可靠水准评估,基于 DL/T 5154—2002《架空送电线路杆塔结构设计技术规定》,对输电塔不同受力构件设计表达式的可靠度展开相关研究,分析了杆塔构件荷载、抗力的统计参数及其影响规律。考虑风速、结构重要性系数及风荷载重现期的影响,对设计表达式的可靠度水平进行了精细化评估,考察了我国杆塔现行规范的可靠度水平。     

基于混合动力工程机械全功率模糊匹配设计

针对液压工程机械受剧烈变化的负载而导致的高油耗问题,提出了基于混合动力工程机械的两级模糊控制方法。首先根据泵的需求功率与发动机的负荷情况进行第一级模糊判断,给出电机应提供的助力力矩。其次,根据超级电容的能量状况,对泵和电动机助力力矩进行第二级模糊处理,调整助力力矩与泵的批量,从而实现发动机低油耗下的整机功率匹配。随后,在MATLAB与AMESIM中构建混合动力挖掘机这一特定模型,并将这一控制策略应用到所建模型,对比于传统的液压泵控系统,进行仿真,仿真结果表明,不仅能够有效的实现泵,发动机与超级电容之间的能量匹配,而且能够达到较好的整机作业效率与低油耗目标。应用到混合动力挖掘机的整机上进行试验,试验结果表明,具有较强的实用性与节油性。     

A power‐efficient 600‐mVpp voltage‐mode driver with independently matched pull‐up and pull‐down impedances

In this study, a large‐swing, low‐power voltage‐mode driver with independently matched pull‐up and pull‐down impedances is proposed. To achieve large swing and constant impedances during a transition, a P‐over‐N structure is implemented with regulators calibrating the impedances. Two regulators are dedicated to matching the pull‐up and pull‐down impedances by regulating the supply voltages of the driver and predriver, respectively. Because background impedance calibration loops are adopted to track the process, voltage, and temperature (PVT) variations, the proposed driver can operate properly without additional calibration time. To reduce the power consumption of the calibration loops, scaled replicas of the actual driver are used. Moreover, an analysis of design optimization for the proposed driver is presented. The proposed driver was fabricated in 65‐nm CMOS technology and verified at a 5‐Gb/s data rate. Measurement results show that the proposed driver has a voltage swing of 600 mV_pp and a horizontal eye opening of 0.5 UI. The prototype chip consumes 6 mW at a 1.0‐V supply. Copyright © 2014 John Wiley & Sons, Ltd.     

具备恒转矩特性的PMSM驱动系统功率匹配方法

针对传统功率匹配方法中存在的转矩脉动问题,提出一种具备恒转矩特性的永磁同步电机(PMSM)驱动系统功率匹配方法。该方法利用PMSM无功功率特性,在不影响输出机械功率特性的基础上,实现整流、逆变侧功率的有效平衡。通过在定子无功电流上叠加一个高频正弦小信号,实现逆变、整流侧功率匹配,同时高频无功分量的注入并未对PMSM转矩输出造成影响。为了求解电流分配时的高阶、复杂方程,迭代搜索算法的使用保证了方程的可求解性。最后,搭建了一台35 kW的PMSM调速系统实验样机,对所提恒转矩功率平衡方法进行实验分析。结果表明,在该方法下PMSM系统可实现功率平衡和转矩恒定两项指标的综合控制,有效降低了系统对直流母线电容的选型要求,降低了PMSM调速系统的整体体积和设计成本。     

按时序特征优化模型后在线选配的超短期风电预测

讨论超短期风电功率预测(USTWPP)模型的适用性。提出的USTWPP方法,从历史数据的风电功率时间序列(WPTS)中筛选特征量,选择门限值,并将短窗口内的WPTS划分为不同形态的子集,以及一个囊括所有不具有排他性分类特征的"非形态子集"。然后在离线环境下,分别按对应的训练样本优化各子集专用的预测模型及参数。在线应用时,将当前时刻前一个短窗口的WPTS与各子集的分类判据比对,以归入上述子集之一,然后调用相应的预测模型完成USTWPP。最后,以实际算例验证了该方法的有效性。     

A review of closed-loop reservoir management

The closed-loop reservoir management technique enables a dynamic and real-time optimal production schedule under the existing reservoir conditions to be achieved by adjusting the injection and production strategies. This is one of the most effective ways to exploit limited oil reserves more economically and efficiently. There are two steps in closed-loop reservoir management: automatic history matching and reservoir production optimization. Both of the steps are large-scale complicated optimization problems. This paper gives a general review of the two basic techniques in closed-loop reservoir management; summarizes the applications of gradient-based algorithms, gradient-free algorithms, and artificial intelligence algorithms; analyzes the characteristics and application conditions of these optimization methods; and finally discusses the emphases and directions of future research on both automatic history matching and reservoir production optimization.