基于节点持续传输准则的认知传感器网络信道分配策略

在异构分级式认知传感器网络中,为提高数据分组的传输成功率,提出将节点划分为具备持续传输条件和不具备持续传输条件两类,两类节点分别以牺牲较多能耗和分配较优信道的方式提高数据分组的传输成功率,并由此得到一种集中式信道分配策略.为了降低节点在信息传输过程中每比特平均能耗,对数据分组自适应调节机制进行了优化,确保不具备持续传输条件的节点得到最优的传输数据分组大小.仿真结果证明,提出的分配策略和优化机制能够有效提高能量的使用效率,改善网络性能.     

配电网单相故障多频带奇异量选线方法

采用3次B样条小波包提取各线路故障奇异量模极值,根据模极值能量分布最大原则,提出各线路特征频带的选取方法.当各线路特征频带一致时,以各线路零序电流模极值的幅值关系、相位关系构造选线判据;当各线路特征频带不一致时,分别在各线路的特征频带上构建各线路零序电流模极值的大小和极性关系矩阵,构造选线判据.解决了现有故障奇异量选线方法中因频带选择不合适而造成的误判问题.通过2组现场实录故障算例验证了选线判据的有效性和实用性.     

基于二进制人工蜂群算法的认知无线电决策引擎

为实现认知无线电系统参数的自适应调整功能,提出了一种基于二进制人工蜂群算法的认知无线电决策引擎。将认知无线电决策问题转化为多目标函数优化问题,并采用加权和方法将复杂的多目标函数优化问题归一化为简单的单目标函数优化问题。采用二进制人工蜂群算法对此优化问题进行求解,实现对无线电系统参数的优化调整。最后,通过一种多载波系统对算法性能进行仿真分析,仿真结果验证了该算法的有效性和实用性。     

基于鲁棒Restless Bandits模型的多水下自主航行器任务分配策略

针对水下监测网络中多自主航行器（AUV）协同信息采集任务分配问题进行了研究。首先，为了同时考虑系统中目标传感器的节点状态与声学信道状态对AUV任务分配问题的影响，构建了水声监测网络系统的综合模型；其次，针对水下存在的多未知干扰因素并考虑了模型产生不精确的情况，基于强化学习理论将多AUV任务分配系统建模为鲁棒无休止赌博机问题（RBP）。最后，提出鲁棒Whittle算法求解所建立的RBP，从而求解得出多AUV的任务分配策略。仿真结果表明，在干扰环境下与未考虑干扰因素的分配策略相比，在系统分别选择1、2、3个目标时，鲁棒AUV分配策略对应的系统累计回报值参数的性能分别提升了5.5%、12.3%和9.6%，验证了所提方法的有效性。     

一种基于校正因子的自适应简化粒子群优化算法

针对已有粒子群算法中全局搜索和局部搜索存在盲目性和滞后性以及粒子的早熟收敛等问题,提出了一种基于校正因子的自适应简化粒子群优化算法。该算法在简化粒子群算法基础上,以粒子间平均粒距大小作为触发条件,对惯性权重、平均个体极值和全局极值进行自适应扰动。校正因子可以根据当前粒子群个体信息和全局信息自适应调整,从而完成对当前粒子状态及时准确的更新,最终使粒子可以准确而快速的找到全局最优解。对3种典型测试函数的测试结果表明该算法具有较高的全局和局部搜索能力、能够有效地避免算法陷入局部极值,是一种实用且高效的粒子群改进算法。     

配电网单相故障多频带奇异量选线方法

采用3次B样条小波包提取各线路故障奇异量模极值，根据模极值能量分布最大原则，提出各线路特征频带的选取方法。当各线路特征频带一致时，以各线路零序电流模极值的幅值关系、相位关系构造选线判据;当各线路特征频带不一致时，分别在各线路的特征频带上构建各线路零序电流模极值的大小和极性关系矩阵，构造选线判据。解决了现有故障奇异量选线方法中因频带选择不合适而造成的误判问题。通过2组现场实录故障算例验证了选线判据的有效性和实用性。     

Lurie控制系统的关联绝对稳定性—双线性矩阵不等式方法

研究任意两个相互独立的Lurie控制系统能否通过关联或协调控制组成绝对稳定大系统的问题,给出两个Lurie控制系统可关联绝对稳定的充分条件,并给出了计算关联矩阵的双线性矩阵不等式方法.研究结果表明:两个非绝对稳定的系统可以通过关联或协调控制来实现关联大系统的绝对稳定性,取消了大系统稳定性分析中对关联的不合理限制.文末给出了本文结果的数值例子.     

基于LS-SVM多分类器融合决策的混合故障诊断算法

故障诊断的关键是特征向量提取和分类器的选择, 提出一种综合运用多特征提取和多分类器组融合决策的故障诊断算法. 多特征提取选择小波包变换、总体平均经验模式分解方法(Empirical Mode Decomposition, EEMD)和改进小波能熵方法, 得到三组不同的故障特征信息; 将这三组特征信息输入由3个最小二乘支持向量机(Least Square Support Vector Machine, LS-SVM)组成的分类器组进行初步诊断; 采用自整定权值的决策模板法(Self-adjusting weighted Decision Templates, SWDT)进行多分类器诊断结果的融合决策. 实验证明, 该方法能实现轴承不同故障类型, 尤其是复合故障的可靠识别, 验证了该算法提取轴承故障特征信息的完备性, 以及分类器组融合决策的可靠性.