基于云模型和余弦跳跃权重的改进蛙跳算法

标准蛙跳优化算法(SFLA)有寻优精度低和易陷入局部收敛区域的缺点, 为提高其性能, 提出一种基于云模型局部搜索和余弦跳跃权重更新位置的改进蛙跳算法(CSFLA). 首先通过Tent混沌映射和反向学习生成种群, 使种群的分布更均匀, 利用云模型的正态特性对子群中的优秀个体的所在区域进行探索. 同时, 对种群中其他个体引入基于余弦函数的跳跃步长权重, 使该权重在整个迭代过程中由高以不同的速率下降, 提高种群的全局搜索能力. 最后, 将CSFLA与多个优化算法在不同类型的测试函数上进行了比较. 结果表明, CSFLA具有更好的收敛速度和精度, 能有效找出全局最优解. 并且将改进算法应用至旅行商问题, 该算法可以找到总路程更短的路线.     

改进遗传算法整定自抗扰控制器参数及应用

非线性自抗扰控制器策略(ADRC)耦合参数众多,单一机制优化算法在进行参数整定时易陷入局部最优解,极大地降低了自抗扰控制器的控制精度。针对此问题,该文提出了一种改进遗传算法(KFC-2PMGA)进行自抗扰控制器参数整定,将核模糊聚类算法应用到遗传算法双种群划分中,并针对聚类所得双种群,分别采用不同的自适应交叉及变异策略,有效地避免了传统遗传算法易产生"早熟"的现象。并以永磁同步电机为例进行仿真验证。结果表明,优化后的自抗扰控制器具有良好的系统响应及控制精度,改进后的遗传优化算法适用于复杂非线性自抗扰控制器参数整定。     

永磁同步电机的自抗扰控制方法研究

针对永磁同步电机速度控制中存在超调量大,抗负载扰动能力差,采用负载转矩补偿和自抗扰相控制结合的方案,给出一种改进的自抗扰补偿方式,不仅可以发挥经典自抗扰的优点,同时也对负载扰动进行补偿。通过对所给方法的仿真和试验结果分析可得,与传统的PID控制器相比,改进的线性自抗扰补偿控制系统具有较小的超调和稳态误差、较快的响应速度等性能,同时具有好的抗负载扰动能力,提升永磁同步电机的鲁棒性的同时使得动态性能与静态性能也提高很多。     

永磁同步电机的分数阶建模方法

将永磁同步电机(permanent magnet synchronous motor,PMSM)整数阶模型推广到分数阶,构造结构相同的分数阶电机模型。针对整数阶电机模型,基于遗传算法设计最优PID控制器,将所设计最优PID控制器作用于分数阶模型。通过调节分数阶模型分数阶次可得到电机调速系统的一簇阶跃响应曲线,选取该簇曲线中动静态特性相对最好的曲线所对应的分数阶次作为永磁同步电机的分数阶模型阶次,从而构造出永磁同步电机的分数阶模型。通过软件仿真和结果分析可得本文所构造的分数阶永磁同步电机模型具有更好的动静态特性和描述效果。     

独立分量分析在图像去噪方面的应用

独立分量分析(independent component analysis,ICA)是基于信号高阶统计量的盲源分离方法。在分析独立分量分析的基本模型及方法的基础上,讨论了有噪信号的独立分量分析(Noisy ICA),结合传统有噪图像分离方法与结合改进FastlCA算法有噪图像分离仿真研究进行对比。结果表明,该算法即使在高水平噪声图像中,也能够分理出比较清晰的图像。     

基于源信号之间统计独立性的ICA方法的等价性研究

引入了基本ICA问题的发生模型；通过对基于源信号之间统计独立性的三种基本ICA方法(极大似然法、最大信息法和最小互信息法)的推导结果的对比，得出了这三种算法是完全等价的结论；并通过仿真实验。验证了这些算法的有效性。     

α稳定分布噪声中谐波恢复的非线性变换方法

本文研究α稳定分布噪声中谐波恢复的问题.文中首先引入α稳定分布作为模拟脉冲性噪声的模型,然后采用非线性变换方法使噪声得到抑制,并证明了变换后的含噪观测值具有二阶统计量.对变换后的矢量空间进行预白化处理后结合噪声子空间的MUSIC方法恢复谐波信号参数.本文使用了两种非线性变换方法,分析了它们的变换性能、讨论了变换参数对谐波恢复效果的影响以及两种非线性变换间的关系,分别给出了仿真结果.最后得出非线性变换Sigmoid函数在α稳定分布噪声中恢复谐波信号具有较强的韧性.     

基于随机变量相似度的ICA方法

从随机变量(微分)熵的概念出发,定义了随机变量的相似度,讨论了用求相似度极点的方法实现观测数据线性组合非高斯性最大化,从而串行估计独立分量分析(ICA)模型中的独立分量的原理和算法。对非多项式矩定理进行了更为一般化的证明,以此定理为根据阐明了以一般的非二次型光滑偶函数的数学期望近似代替相似度的可行性。给出梯度算法中的符号因子计算公式,避免了现有的相应算法中符号因子计算公式与目标函数之间的矛盾。通过与极大似然ICA方法对比,表明所定义的相似度就是在预白化条件下单个源变量的极大似然函数。     

多感知兴趣区域特征融合的图像识别方法

针对自然图像识别过程中不同深度学习模型关注兴趣区域不同的现象,本文引入深度卷积神经网络融合机制,结合深度迁移学习方法,给出了一种基于多感知兴趣区域特征融合的图像识别方法。本文将迁移学习方法引入牛津大学视觉组网络模型(visual geometry group network,VGGNet)和残差网络模型(residual network,ResNet),通过对单个分类模型进行热力图可视化及特征可视化,得到了不同网络模型关联的特征区域不一样的结论。然后在此基础上分别设计特征拼接、特征融合加特征拼接及融合投票方法将不同模型特征进行融合,得到3种新的融合模型。实验结果表明,本文方法在Kaggle数据集上的识别准确率高于VGG-16、VGG-19、ResNet-50、DenseNet-201模型。