住宅小区充电站电动汽车有序充电方法

对充满随机性的电动汽车进行有序充电管理,是当今"绿色出行"时代亟待解决的问题.基于数据挖掘技术首先建立起电动汽车的数学模型,以北京市某小区电动汽车出行历史数据为例,利用模糊C均值聚类算法对车主的行驶行为、入网电动汽车的初始电池荷电状态进行分析,把握电动汽车负荷特性.基于马尔科夫链的思想建立由精炼后的多条典型电动汽车负荷模式转移概率矩阵组成的模型,对电动汽车的随机动态变化过程进行描述,并应用多种群遗传算法求解电动汽车的有序充电问题.以小区充电站为例,并与其他方法进行对比,验证了本文模型和方法的有效性.     

基于全局灵敏度的互联电网阻尼提升策略

针对互联电网中潜在的弱阻尼低频振荡,提出了一种基于索波尔(Sobol')法全局灵敏度的阻尼提升策略,实现低频振荡的早期有效抑制.首先,利用随机子空间辨识(stochastic subspace identification,SSI)算法实现从系统随机响应数据中提取系统的振荡频率、阻尼比等,当系统的区间模式阻尼比小于5％时发出预警,进而利用Sobol'法辨识影响系统阻尼的关键机组,实现参调发电机的选取,并应用优化算法快速确定有功功率调整量,实现区间弱阻尼模式阻尼比的提升.最后,利用IEEE 4机2区系统的仿真结果验证了本文算法的有效性和可行性.     

基于极限过程学习机的储层微观孔隙结构识别

准确分析储层岩石的微观孔隙结构特征是发挥油气层的产能和提高油气采收率的关键.构建一种具有过程式输入的极限学习机模型,并提出基于灰狼优化算法原理改进的混洗蛙跳算法对模型的网络隐层节点个数及网络权值进行优化,利用基于张量乘积矩阵的广义逆求解方法加速极限过程学习机模型的求解.实验结果表明:与5种改进混洗蛙跳算法对比,所提的算法无论在6个高维函数优化还是微观孔隙结构类型识别方面都取得了最好的优化效果,具有很好的实际应用价值.     

基于时频组合特征的PSO-SVM手势识别方法

为了提高基于表面肌电(sEMG)信号的手势识别的准确率,提出了时频组合特征和粒子群算法优化支持向量机(PSO-SVM)相结合的手势识别方法.将手势sEMG信号的时域特征和频域特征进行线性组合,组合后的时频组合特征作为分类特征,采用经PSO优化的SVM分类器对8类手势进行分类.结果显示,基于时频组合特征均方根值-平均功率频率(RMS-MPF)、绝对均值-平均功率频率(MAV-MPF)的手势识别率,优于它对应的时域特征、频域特征的手势识别率,同时也优于时频域特征的手势识别率.表明了基于时频组合特征RMS-MPF、MAV-MPF的PSO-SVM方法对手势识别有良好的分类效果.     

非接触式眼压计人眼跟踪算法研究

非接触式眼压计测量眼压的前提是对人眼瞳孔进行精确跟踪定位.通过对非接触式眼压测量跟踪系统的研究,提出汇聚式双目视觉的人眼瞳孔跟踪方法,采用结合帧差法和Mean-Shift算法的改进算法进行目标跟踪,解决了Mean-Shift算法对瞳孔进行跟踪过程中,有跟踪目标丢失现象的问题,通过下位机驱动三轴电机进行移动,调整系统与人眼的相对位置,以实现人眼瞳孔的精确跟踪.经在样机上实验,其结果表明:系统跟踪定位误差≤0.1 mm,跟踪过程在1s内完成.     

基于遗传模拟退火算法的压缩感知重构方法

将压缩感知的信号重构归结为求解最优l0范数问题,设计了基于遗传模拟退火算法的压缩感知信号重构方法,构造了该信号重构方法的具体算法流程.提出的信号重构方法采用遗传迭代与模拟退火的思想进行问题优化,可精确重构出原信号,避免了遗传算法局部搜索能力差的缺陷.将该信号重构方法应用于一维信号和二维图像信号,实验结果验证了该重构方法的可行性和有效性.与基于遗传算法、卡通-纹理分解的信号重构方法相比,提出的信号重构方法的信号重构精度较高.     

基于SAEM算法对缺失协变量的Logistic模型参数估计

给出了Logistic模型中对缺失协变量数据的一种估计方法.将Marc Lavielle等人提出的SAEM算法进行了改进,引入Samiran Sinha等人提出的一种基于不可忽视机制基础上的NI-机制,以此来尽可能的利用数据中已存在的信息,并将其与现有处理缺失协变量较好的MCAR缺失机制下的半参数方法做对比研究.对Logistic模型的参数分别进行估计,对比分析这两种方法在不同缺失率下的优劣,并对最终结果进行回判,将回判准确率与标准误差作为判别标准.结果表明,当缺失率较小时,两者对缺失数据的处理性能都很好;但当缺失率较高时,半参数方法对数据的处理性能要优于SAEM算法.SAEM算法的运行速度始终快于半参数方法,缺失率较小时,用提出的SAEM算法做线上估计比半参数方法更具有优势.     

基于FPA-VVRKFA的手势表面肌电信号识别

表面肌电(Surface Electromyography,sEMG)信号直接、客观地反映了人体肌肉的活动情况,其作为一种便捷的无侵入式肌电检测方法,被广泛地应用于人体动作识别领域.针对表面肌电信号的手势识别问题,提出了一种基于时域特征和向量正则核函数逼近方法(Vector-Valued Regularized Kernel Function Approximation,VVRKFA)的手势识别方法.首先,对MYO臂环采集到的sEMG数据进行活动段检测以提取出活动段;随后,从活动段信号中提取平均绝对值、波形长度、过零点数、均方根和Willison幅值等五个时域特征;最后,应用VVRKFA分类器对提取到的sEMG进行分类识别,同时采用花授粉算法(Flower Pollination Algorithm,FPA)优化分类器参数以保证最佳分类能力.实验结果表明提出的方法在手势动作模式识别上取得了较高的准确率.     

胶片电影中的快速斑块修复算法研究

斑块是胶片电影中最常见的损伤类型问题,传统的斑块修复算法修复质量较好,但修复速度不够快.针对传统斑块修复算法在修复速度上的不足,提出了 一种改进性的快速斑块修复算法.相比于传统修复算法的改进主要体现在运动估计模块和修复模块.运动估计模块使用权重系数矩阵对二维匹配块矩阵做降维处理,得到两组一维特征矩阵,使用一维特征矩阵代替二维匹配块搜索运动矢量最优值.修复模块使用单参考帧修复算法代替双参考帧修复算法.实验结果表明,快速斑块修复算法与传统修复算法相比,主观评价基本一致,修复速度优于传统修复算法.     

基于变采样率UKF算法的动力锂电池SOC估算

电动汽车处于不同行驶工况时,固定采样率的无迹卡尔曼滤波（Fixed Sampling Rate Unscented Kalman Filter, FSR-UKF）算法不能精确估算荷电状态（State of Charge,SOC）。为克服这一缺点,以传统的UKF算法为基础,针对电动汽车不同行驶状态下电池电流的变化特点,将变采样率采集方法与UKF算法融合,根据受控电压源电池等效电路模型及其参数辨识结果,将变采样率UKF（Variable Sampling Rate UKF, VSR-UKF）算法应用于电池SOC的估算中,并设计估算流程图。最后,通过仿真实验,获得最大相对误差不超过1%的电池端电压仿真结果以及最大相对误差不超过5%的SOC估算结果,验证了本研究的正确性和准确性。