高程控制网中粗差的检测与定位

本文将粗差检测与定位理论，具体地运用于高程控制网的数据处理中。并且结合某市大型高程控制网，进行了粗差的检测与定位试验，结果证明了粗差检测与定位理论在高程控制网的数据处理中是十分有效的。     

向上查表法在多功能传感器信号重构中的应用

基于最小二乘法的基本原理和Moore-Penrose广义逆矩阵的基本性质,讨论了一种重构多功能传感器被测信号的方法--向上查表法(LUT).该算法可以用来解决三元被测量的重构问题,并考虑了测量矩阵的数据病态可能性.为了证明算法的有效性,建立了多功能传感器模型电路并给出算法应用的理论推导、实验结果和重构误差分析.     

基于抗差估计理论的输电线路故障定位新型算法

针对采样中出现的粗差,提出了一种基于抗差估计理论的故障定位算法.通过等价权原理,将抗差估计理论和最小二乘法有机的结合起来,有效地避免了粗差的影响.算法采用微分方程作为数学模型,并利用相模变换解耦;然后,在模域采用输电线路双端信号列写故障点方程;最后,用抗差最小二乘法求解.经过RTDS实验表明,该算法结果稳定,具有很好的准确性和抗干扰能力.     

基于抗差估计理论的输电线路故障定位新型算法

针对采样中出现的粗差,提出了一种基于抗差估计理论的故障定位算法。通过等价权原理,将抗差估计理论和最小二乘法有机的结合起来,有效地避免了粗差的影响。算法采用微分方程作为数学模型,并利用相模变换解耦;然后,在模域采用输电线路双端信号列写故障点方程;最后,用抗差最小二乘法求解。经过RTDS实验表明,该算法结果稳定,具有很好的准确性和抗干扰能力。     

压阻式差压传感器的迟滞非线性建模与补偿

压力是关系飞行试验的飞行品质与安全的重要测试参数,差压传感器由于自身特性和系统误差等原因,在测试校准过程中引入的迟滞非线性对传感器的精度有很大的影响。根据飞行试验中使用的压差传感器的原理,对其迟滞非线性进行了分析。根据传感器校准过程表现出的迟滞特性,构造迟滞逆算子,建立 T-S迟滞逆模型,并对传感器联校数据进行补偿。实验仿真结果表明,该迟滞逆模型具有良好的逼近能力,在一定程度上补偿了传感器的迟滞误差,对提高压差传感器的测试精度具有重要意义。     

磁浮控制系统的传感器非线性校正方法研究

磁浮控制系统采用涡流传感器检测其运行状态.由于控制系统对精度和实时性有较高要求,涡流传感器输入输出特性的非线性和模型随环境的变化需要快速准确的补偿.为此,采用径向基函数网络建立涡流传感器逆模型,使加入逆模型后涡流传感器输入输出映射单位线性化.采用本文提出的简化自适应隐层结构和中心学习算法能够快速准确得到网络结构和参数.实际测量说明,该方法在精度和实时性方面满足要求,校正误差小于0.7%,能够补偿涡流传感器模型的变化.该方法能够用于精度和实时性要求高的其他传感器校正中.     

基于改进型BP神经网络的瓦斯传感器的非线性校正

提出了一种基于改进型BP神经网络的瓦斯传感器的非线性校正方法,利用神经网络良好的非线性映射能力,逼近反非线性函数完成非线性校正.仿真实验结果表明:与分段线性校正和传统BP算法相比,改进型的BP神经网络收敛速度快、逼近精度高,准确度由原来分段线性校正的±5.02%提高到现在的±0.130%,且易于动态调校.     

基于RBF神经网络的燃气轮机转速传感器故障诊断研究

提出基于径向基函数RBF(Radial Basis Function,简称RBF)神经网络的转速观测器,利用迭代增加神经元的方法解决了传统RBF网络神经元位置调整范围小和神经元数量固定带来的逼近不精确问题,并通过估计相对差和阀值的比较检测传感器故障。以某型燃气轮机转速试验数据为例进行了验证,证明RBF神经网络能准确进行转速传感器的故障检测,具有较好的工程应用价值。     

基于径向基函数神经网络的涡流传感器非线性补偿方法研究

为了解决数字式涡流传感器的非线性问题,提出利用径向基函数神经网络进行非线性补偿的方法。介绍非线性补偿原理以及算法,并将其与BP神经网络法进行比较。从实测数据出发,建立了涡流传感器的非线性补偿模型。结果表明,这种非线性补偿模型误差小、有良好的鲁棒性、能实现在线软补偿,比用BP神经网络有更快的训练速度。     

基于非线性状态观测器的无刷电机故障诊断

为了对无刷直流电动机的非线性系统实现快速、精确的故障检测,采用精确的无刷电机非线性系统模型,并应用RBF神经网络,设计了一种非线性状态观测器,通过观测器的估计值与实际输出值之间的残差来判定无刷电机故障与否,并将无刷直流电动机非线性模型在某一工作点附近线性化,采用线性观测器的方法对其进行故障诊断的仿真并与非线性故障诊断方法相比较。结果表明,对于在多工作点工作的无刷直流电机,该方法能获得更精确的故障检测结果。     

机床热误差建模及检测系统模块设计

提出了基于模糊神经网络的数控机床温度与热变形的数学模型,该模型根据输入输出样本自动设计和调整模糊系统的参数,并使传统神经网络中没有明确物理含义的权值被赋予模糊逻辑中推理参数的物理含义。将模糊逻辑理论和神经网络结合,提高了网络的泛化能力。文中给出了模糊神经网络结构、算法的具体实现过程。并通过一个仿真实例说明模型可以将20μm内的热变形补偿到1．7μm内,补偿效果明显。针对补偿技术研究与应用中需要快速采集大量的温度及热变形信号问题,以MSC1210微控制器为核心进行模块化设计,温度采集模块通过SPI接口与上位机DSP连接组成数据采集系统。可以方便、灵活的完成数据采集任务。     

基于C8051的误差检测在圆网壁纸机中的应用

基于满足大型圆网壁纸印刷机高精度、高速度和高稳定性等工艺要求的目的,从分析误差的产生、计算误差的方法和误差的处理出发,系统采用了色标检测的方法。通过对光电编码器所产生的脉冲信号进行分析,控制各圆网的同步状态,以C8051单片机为核心的误差检测系统实现了伺服电机的闭环控制,最终达到了对各圆网单元的精确控制。介绍了基于单片机的误差检测在圆网壁纸机伺服控制系统中的工作原理、应用、硬件组成和软件的实现。     

Fixed-time adaptive neural tracking control for a class of uncertain multi-input and multi-output nonlinear pure-feedback systems

This study examines the fixed-time adaptive neural network tracking control problem for a class of unknown multi-input and multi-output (MIMO) nonlinear pure-feedback systems. The introduction of the radial basis function resolves uncertain problems of unknown MIMO systems. The mean value theorem is introduced to overcome the controller design problem attributed to the nonaffine structure in pure-feedback systems. Moreover, a novel fixed-time virtual controller and an actual controller are designed to solve the issue of previous single-input and single-output and MIMO systems that have no solution in the negative domain and at the origin in finite- and fixed-time controls. Furthermore, a design method is proposed. The final designed controller ensures that all signals in the system are bounded. Simulation experiments show that the designed fixed-time controller facilitates smaller tracking error of the system compared with other finite- or fixed-time controllers. Furthermore, the selection of appropriate design parameters allows the tracking error to converge on a small neighborhood of the origin in a fixed time.     

基于相空间重构的神经网络短期风电预测模型

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。通过对风电场发电功率的时间序列进行分析,表明该序列具有混沌属性,并在此基础上,利用相空间重构理论建立了关于风力发电功率的RBF神经网络与BP神经网络预测模型,并进行了实际预测。通过对结果进行对比分析,显示该模型可以得到较高的短期发电功率预测精度,更好地满足实际现场需要。     

Deterministic analysis of sigma–delta modulation for linear and non-linear signal reconstruction

Deterministic analysis is becoming increasingly popular to study the theoretical mechanisms of ΣΔ modulation, as opposed to the classical noise-shaping approach. This paper gives an overview of its application to the specific problem of signal reconstruction. Once an input signal has been processed through a ΣΔ modulator of given specifications, the fundamental question is to know what deterministic information can be retrieved about this signal from the ΣΔ output. The paper summarizes all results obtained in this research under a unified presentation framework. © 1997 by John Wiley & Sons, Ltd.     

模糊神经网络PID和PSO-PID优化的荧光检测控制系统

针对核酸提纯、扩增、检测一体化设备的荧光检测系统多通道检测运动的快速性和稳定性,设计了三种基于PID控制器的控制策略,分别为模糊PID、模糊RBF神经网络PID和PSO-PID。经MATLAB仿真结果表明,模糊PID控制有较大的超调量和调节时间,震荡较大;模糊RBF神经网络PID控制的超调量十分小,调节时间较小,无震荡;PSO-PID控制有小幅度震荡和超调量,调节时间最短,可快速到达稳定状态。模糊RBF神经网络PID和PSO-PID控制步进电机的方式同模糊PID相比,没有了主观经验的影响,反应时间快、稳定性好,具有很好的自学习、自适应能力。     

基于多变量相空间重构和RBF神经网络的光伏功率预测方法

针对光伏功率单变量预测方法的不足,设计了一种新型光伏功率多变量相空间重构预测方法。首先,基于相关性分析,选取实际光伏电站的历史光伏功率和气象因素时间序列组成多变量时间序列;然后,利用C-C法和虚假邻近点(false nearest neighbors,FNN)法重构光伏功率预测的多变量相空间,并以小数据法识别其混沌特性;最后,结合径向基函数(radial basis function,RBF)神经网络强大的非线性拟合能力,建立了基于多变量相空间重构和RBF神经网络的光伏功率预测模型。算例分析表明,相较于单变量预测方法,所提出的多变量相空间重构预测方法性能更加优越。     

OFDM系统中CNN-GRU信号检测自编码器

针对在双选衰落特性下信道时变和非平稳导致OFDM信号检测精度较差的问题,提出了一种基于CNN-GRU神经网络（Convolutional Neural Network-Gated Recurrent Unit Neural Networks,CGNN）信号检测方案。首先使用信道模型生成数据以充分挖掘信道先验知识;然后在离线训练中采用一维卷积神经网络对原始信号进行降维和特征提取,利用门控循环单元的记忆特性恢复受到衰落的信号;最后为减少衰落程度严重的子载波引起的干扰,在网络训练中添加注意力机制,给每个子载波赋予权重,从而进行差异化训练。仿真结果表明,本文所提检测方法的误码性能提升明显,在平坦衰落信道下,CGNN能获得0.3dB~1dB的误码性能增益,在频率选择衰落信道下,CGNN能获得2dB~5dB的误码性能增益,并且拥有很强的鲁棒性。     

基于小波变换与BP网络的舰船磁场信号检测

针对水中兵器探测舰船磁场信号时信噪比较低的问题,提出了一种小波变换结合反向传播(backpropagation,BP)神经网络的检测方法.根据舰船磁场信号的时频特征,首先对信号进行小波分解,提取最后一层的低频分量,滤除高频噪声;再采用BP神经网络对低频分量进行学习,提取舰船目标特征信号.将此算法应用于船模实测实验,结果...