一种开关磁阻电机建模方法的研究与实现

由于开关磁阻电机的非线性特点,难以建立一个精确的开关磁电机的模型,为了精准建立开关磁阻电机模型,利用径向基函数神经网络良好的非线性映射能力在获取准确磁链样本数据基础上训练神经网络,利用训练的径向基神经网络构建开关磁阻电机非线性模型.在此基础上,采用角度位置控制和电压脉宽调制控制相结合的方法搭建开关磁阻电机驱动控制系统的仿真框架.仿真结果表明:利用径向基函数神经网络的方法可以克服开关磁阻电机的非线性问题,所建立的开关磁阻电机模型可以正常稳定运行.从而证明上述方法的合理有效性.     

开关磁阻电机转子位置软测量建模与仿真

位置检测是开关磁阻电机调速系统中的重要环节。实时、准确的位置信息是开关磁阻电机正确运行的关键。由于其转子位置角是各相磁链与电流的高度非线性函数,传统线性及解析的方法难以精确求得。提出了基于BP神经网络的位置检测方法,采用BP神经网络建立软测量模型,通过离线和在线相结合的方法对网络进行训练,建立开关磁阻电机的电流、磁链与转子位置之间的非线性映射,从而实现SRM转子无位置传感器的检测。仿真及实验结果表明,方法能够实现电机转子位置的准确估计,进而实现开关磁阻电机的无位置传感器控制。     

并行混沌神经网络建模方法应用研究

针对开关磁阻电动机的非线性特点及其现有建模方法存在初始网络权值参数随机给定和易于陷入局部最小点的缺点,提出了一种采用并行优化混沌BP神经网络的建模方法。该方法首先利用混沌系统对神经网络权值向量、阈值向量进行初始优化,然后利用BP神经网络的Levenberg-Marquardt算法进行收敛训练,如果陷入局部最小点则再次使用并行混沌搜索进一步优化模型,使模型具有精度高、速度快的特点。模型训练和开关磁阻电动机调速系统动态仿真结果表明,采用该方法建立的模型运行平稳,系统动态性能好,响应速度快。     

最小二乘支持向量机在开关磁阻电机建模中的应用

针对开关磁阻电机（Switched Reluctance Motors）电磁特性的非线性造成其精确数学模型难以建立的问题,在获取准确磁特性样本数据基础上,采用最小二乘支持向量机（LS-SVM）的方法对开关磁阻电机非线性建模。仿真结果表明,该模型能够较好的反应SRM的磁特性。     

基于dSPACE开关磁阻电机控制器开发方法

本文提出了一种基于dSPACE半实物仿真环境下,开关磁阻电机控制器的开发方法.通过dSPACE系统与实际驱动电路相结合,建立了开关磁阻电机控制器的开发平台,能够方便有效地实现多种开关磁阻电机控制算法.该平台的硬件部分由dSPACE系统的硬件部分结合电机的驱动电路,驱动电路根据不同的电机开发需求设计.开发平台的软件部分包括模块化建模工具MATLAB/Simulink,与综合实验和测试软件ControlDesk.通过开发平台的建立,归纳出一套开关磁阻电机控制器的开发方法.该方法在MATLAB/Simulink下建立的仿真模型通过ControlDesk在线修调参数,同时自动生成控制代码.与传统方法相比,该方法能显著的缩短控制器的开发周期,降低开发成本.     

开关磁阻电机无位置传感器控制系统仿真

该文提出了一种基于滑模变结构观测器的无位置传感器的开关磁阻电机控制仿真模型.滑模变结构观测器主要用于开关磁阻电机的转子位置和转速估计,这种控制模型仅需要测量磁阻电机的端电压和相电流,能在取代传统位置传感器后获得较好的观测效果.该文应用Matlab/Simulink仿真环境建立了开关磁阻电机的非线性模型,设计了控制律,并在三种不同的工作情况下对观测器结构进行了数字仿真.结果表明该方法能够很好地预测电机转子位置,同时在中高速情况下,观测精度可以达到比较满意的效果.     

开关磁阻电机控制系统仿真建模研究

基于开关磁阻电机的基本方程式,利用Madab/Simulink环境下的基本模块,搭建了一个开关磁阻电机驱动系统的动态仿真模型.可以对给定参数的开关磁阻电机的动态特性进行仿真.仿真结果证明了开关磁阻电机建模方法的合理性、有效性,为实际电机控制系统的设计和调试提供了新的思路.     

混沌粒子群优化神经网络算法应用于SRG建模

粒子群算法是解决非线性、不可微问题的一种优秀算法。利用混沌映射的随机性与遍历性,引入防早熟机制,加强了粒子群的全局搜索能力,但该算法仍然容易在进化后期出现速度变慢现象。BP神经网络具有很强的非线性处理能力和逼近能力,但BP算法是基于梯度下降的方法,存在容易陷入局部最优及初值敏感的缺点。将两种算法优势互补,构建了一种混沌粒子群优化BP神经网络（CPSO-BPNN）的算法。该算法应用到开关磁阻发电机（SRG）的非线性建模中,建模效果表明CPSO-BPNN算法的泛化能力很强,可以比较完美地表达开关磁阻发电机的磁链和转矩特性。     

基于Dymola的开关磁阻电机建模及仿真

该文提出了采用新的面向对象建模工具Dvmola仿真软件对开关磁阻电机(SRM)建立模块化模型并进行仿真的思路。该文采用改进快速非线性法建立了SRM的数学模型，在此基础上，建立了一个包含电机、功率转换电路、电流控制器等部件在内的模型库，并简述了模型的基本结构。最后通过组建简单的电动、发电系统，进行仿真实验来验证本思路的可行性以及模型的实际效能，获得了满意结果。     

SR电动机非线性动态仿真建模的研究

由于开关型磁阻电动机结构与运行原理的特殊性,使得其控制系统的分析和设计与其它电动机相比相对困难。文章针对1台四相(8/6)开关型磁阻(SR)电动机,运用仿真软件Matlab 7.0/Simulink建立了开关型磁阻电动机调速系统(SRD)的非线性动态仿真模型。仿真结果如实反映了SR电动机的运行特性,证明了该仿真模型的可行性和有效性。     

基于BP神经网络的产品造型设计评价

为了对产品的造型设计进行评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价产品造型设计的方法.根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了产品造型设计BP神经网络评价模型,选择某一产品造型设计的13款方案作为样本,利用Matlab软件进行了BP网络的实例训练和验证.实验结果表明,BP神经网络模型可以较准确的对产品造型设计进行评价.     

股票价格预测的建模与仿真研究

研究股票价格准确预测问题,由于股票价格数据具非线性、随机性等变化规律,同时股票市场与国内外经济政治变化有关,传统股票价格预测方法只能对其线性变化规律进行准确预测,无法反映股票价格非线性部分进行有效建模,导致股价预测精度不高。为了提高股票价格预测精度,提出了一种遗传优化BP神经网络的股票价格预测模型。充分利用BP神经网络良好的非线性映射能力,对股票价格变化规律进行建模,并通过遗传算法对BP神经网络模型参数进行优化,从而获最优股票价格最优预测模型。实验结果表明,相对于传统股票价格预测模型,遗传算法优化BP神经网络的股票价格预测模型拟合程度更好,预测精度更高,为股票价格预测提供了依据。     

基于复合正交神经网络的自适应逆控制系统

目前，在自适应逆控制系统中常采用BP神经网络，而BP网络存在算法复杂、易陷入局部极小解等不足。而正交神经网络能克服BP网络的不足，但由于正交神经网络学习算法存在某些局限性，提出了一种复合正交神经网络，该正交网络结构与三层前向正交网络相同，不同的是正交网络的隐单元处理函数采用带参数的Sigmoid函数的复合正交函数，该神经网络算法简单，学习收敛速度快，并能对网络的函数参数进行优化，为非线性系统的动态建模提供了一种方法。仿真实验表明，网络在用于过程的自适应逆控制中具有很高的控制精度和自适应学习能力。该动态神经网络比其它神经网络具有更强的建模能力与学习适应性，有线性、非线性逼近精度高等优异特性，非常适合于实时控制系统。     

级联相关算法在个体定税中的应用研究

网络结构的选择是神经网络建模中的难题.BP算法必须在固定的网络拓扑结构下才能进行样本训练.纳税户信息变更频繁,当训练样本或参数发生改变都有可能导致网络结构的不适性.BP神经网络因其自身原因很难解决这个问题.此外,基于BP神经网络的个体定税预测的精度仍有待提高.文中提出一种具有自适应调整网络结构功能的级联相关算法,并将其引入到个体定税建模中.实验证明,该算法具有自适应性、预测精度高等特点,比BP算法更具建模能力,更适用于个体定税工作中.     

改进型Elman神经网络发酵过程建模研究

依据发酵过程的机理和改进的Elman神经网络动态建模原理,提出了一个新的发酵过程建模分批训练算法。通过发酵过程仿真实验,与传统的BP建模算法比较,改进的Elman神经网络建模算法具有收敛速度快、泛化能力强等特点。此外,利用该算法编制的软件可以内嵌到发酵过程监控系统中,实现发酵过程在线建模与状态参量的在线预估。     

MATLAB7.0中改进BP网络的实现

BP神经网络广泛应用于非线性建模,模式识别等方面,针对BP网络收敛速度慢,计算量大等缺点,介绍了BP神经网络改进训练算法,利用MATLAB7.0中的神经网络工具箱提供的丰富的训练函数,对几种典型的BP网络训练算法的训练速度进行比较,给出了应用实例和注意事项。     

单脉冲雷达天线方向图的BP神经网络建模

为了提高单脉冲雷达仿真速度,提出了应用BP神经网络对单脉冲雷达天线方向图进行建模的方法,并根据这一方法建立了某型单脉冲雷达天线方向图的BP神经网络模型.通过对比BP神经网络建模得到的单脉冲雷达天线方向图和实际单脉冲雷达天线方向图,并考虑到较小的BP神经网络训练均方误差,验证了该方法的有效性.实际的某型单脉冲雷达系统仿真试验表明利用建立的BP神经网络模型能大大地提高雷达仿真速度.     

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络（Convolutional Neural Network）与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。     

基于灰色新陈代谢神经网络的管网末梢水质预测模型研究

针对管网末梢水质环境存在信息不确定、非线性的情况,本文结合灰色预测＂贫信息＂及BP神经网络非线性拟合强的优点,提出了灰色新陈代谢神经网络预测模型。该模型采用灰色新陈代谢GM（1,1）模型对BP网络的输入样本进行预处理,解决了BP网络需要大量学习样本的局限。仿真结果表明,与灰色新陈代谢、BP神经网络相比,灰色新陈代谢神经网络预测精度更高。