一种基于ADSP-2188M的多传感器数据采集系统

在移动智能体的研制中,能够实时地探测周围环境信息的传感器系统是至关重要的.本文介绍了一种以DSP-ADSP-2188M为核心的传感器数据采集系统的软、硬件设计和工作原理,以及与上位机通信的设计和实现过程.该系统可以应用于移动机器人、智能轮椅、自动制导车辆等移动智能系统中.     

一种新的近红外光谱信息区间选择方法

基于间隔策略的信息波长选择是近红外光谱分析中广泛应用的一种方法。针对传统算法忽略非线性因素的缺点,首次考虑将最小二乘支持向量机（least-squares support vector machine,LSSVM）方法应用于间隔选择策略,进而提出了一种新的波长选择方法iLSSVM（interval LSSVM）。该算法克服了传统间隔选择算法依赖于线性模型的缺陷,对存在较强非线性的光谱数据能够准确地选择最优信息区间,极大地减少建模变量并显著改善模型预测精度。应用两组业界标准的光谱数据来验证该算法的性能,并和传统方法进行了比较。实验结果表明,在两组数据集上该算法取得的标准预测偏差（root mean square error of prediction,RMSEP）分别比全谱PLS建模降低了20%和4%,比传统的间隔偏最小二乘算法（interval partial least-squares,iPLS）降低了28%和2%。     

双馈风电机组的自适应神经网络保性能虚拟同步机控制

近年来，可再生能源的电网渗透率逐年提升，电网对可再生能源参与一次、二次调频的需求也愈加紧迫，虚拟同步机技术（VSG）应运而生.VSG能够赋予新能源机组主动参与电网调频的能力，然而当VSG应用于双馈感应风力发电机（DFIG）时，存在动态过程中转子电流超出转子侧变流器（RSC）容量的风险.本文提出一种应用于DFIG的保性能虚拟同步控制器，通过使用误差映射函数将输出受限的系统转化为等价的不受限系统，并使用李亚普诺夫方法设计保性能控制器，保证转子电流在调频、故障穿越等强动态过程中不超过任意人为设定的限制；此外，利用神经网络自适应策略，对发电机组中的不确定动态特性进行补偿，从而获得理想的控制效果.最后，本文通过大量仿真验证了所提控制策略在调频能力、转子电流控制和应对参数偏差等方面的控制性能.     

基于改进高斯混合模型的机器人运动状态估计

针对复杂环境下机器人运动状态估计的精度改善问题, 提出一种面向非线性非高斯系统的改进高斯和容积卡尔曼滤波估计方法. 首先, 引入加权信息量概念来改进期望最大化算法目标函数惩罚项, 使得在优化过程中能考虑更全面的参数信息, 以达到减少期望最大化算法的迭代次数和提高收敛速度的目的. 此外, 以基于马氏距离和Kullback-Leibler (KL)距离的高斯项合并方法为基础, 提出一种能有效联合两类高斯项合并方式的融合模式. 先单独使用马氏距离和KL距离进行高斯混合项合并, 再对获得的高斯混合项进行加权融合处理, 以改善高斯和滤波中多高斯项的合并性能和保真度. 最后, 应用非线性非高斯系统的高斯和容积卡尔曼滤波框架实现对复杂环境下机器人的运动状态估计. 理论分析与仿真结果表明, 该方法能实现对机器人运动更好的状态估计精度, 并具有更强的鲁棒性能.     

基于电气介数的电网故障无功规划选址与定容

无功补偿对电网减少线路损耗、提高故障应对能力和稳定性等有着显著作用.为此,基于电网拓扑电气介数模型,针对有限经济约束的电网输电线路N-1故障,考虑电网系统无功补偿的经济性约束和潮流方程电气约束,建立包括最小发电费用、最大网损降幅和最优裕度提升为目标函数的优化模型,求解输电线路N-1故障情况下的无功补偿策略的最优选址定容.最后,考虑到构建的混合整数非线性模型的复杂性与难以凸化松弛,通过改进的精英策略的自适应遗传算法求解最优潮流问题,并通过IEEE-14节点标准测试系统进行算法验证,从而表明所提出算法的有效性以及策略的可行性.     

限制转子电流的双馈风电机组虚拟同步控制策略

随着新能源的大规模开发利用,其在能源结构中的占比不断提高。为了维持大电网的平稳运行,要求双馈风机等新能源机组参与电网调频。双馈风机的转子侧变流器存在容量限制,而调频过程中转子电流变化可能会超出此限。为应对这一问题,首先分析了双馈风力发电机的数学模型,并得出了额定转速下dq系的转子电流控制模型;然后使用误差转化函数与李雅普诺夫方法,设计了限制转子电流的控制器,并与常规的虚拟同步控制相结合,提出了一种改进的虚拟同步控制策略,可以兼顾风机调频的需求与调频动态过程中转子电流的限制。通过仿真验证了所提出控制器参与电网调频的能力以及对于转子电流的良好控制。     

带有微分项改进的自适应梯度下降优化算法

梯度下降算法作为卷积神经网络训练常用优化算法,其性能的优劣直接影响网络训练收敛性.本文主要分析了目前梯度优化算法中存在超调而影响收敛性问题以及学习率自适应性问题,提出了一种带微分项的自适应梯度优化算法,旨在改善网络优化过程收敛性的同时提高收敛速率.首先,针对优化过程存在较大超调量的问题,通过对迭代算法的重整合以及结合传统控制学原理引入微分项等方式来克服权重更新滞后于实际梯度改变的问题;然后,引入自适应机制来应对因学习率的不适应性导致的收敛率差和收敛速率慢等问题;紧接着,基于柯西-施瓦茨和杨氏不等式等证明了新算法的最差性能上界(悔界)为■.最后,通过在包括MNIST数据集以及CIFAR-10基准数据集上的仿真实验来验证新算法的有效性,结果表明新算法引入的微分项和自适应机制的联合模式能够有效地改善梯度下降算算法的收敛性能,从而实现算法性能的明显改善.     

基于有效风速估计与预测的风电机组自适应最大风能跟踪控制

针对如何在有效风速未知情况下实现风电机组最大风能跟踪(MPPT)的问题,本文使用支持向量回归(SVR)和自适应控制原理,提出基于有效风速估计与预测的自适应MPPT控制方案.首先,使用机组的历史运行数据,训练得到基于SVR的风速估计与预测模型,为MPPT控制提供实时参考输入.其次,结合在线学习估计器(OLA)和减小转矩增益(DTG)控制原理,设计自适应MPPT控制器,该控制器能够较好应对系统未知动态特性和干扰,且能降低传动链载荷.最后,使用李雅普诺夫原理证明闭环系统所有信号都是有界的.仿真结果表明本文提出的方法能够获得良好的MPPT效果,进而提高机组产能.