基于CMAC网络的异常入侵检测技术

针对入侵检测系统对异常入侵检测的不足,采用CMAC神经网络,将其应用于对异常入侵行为的检测,并给出了基于CMAC的入侵检测模型.由于CMAC网络是一种联想网络,所以它对未知类型的入侵行为有很好的识别能力.同时,它的学习与修正只涉及很少的神经元,所以其速度很快.最后通过试验证明,应用CMAC神经网络的入侵检测系统相对于传统检测技术,在检测率及误判率上都有所提高.     

基于改进万有引力算法的配电网多目标故障重构

针对配电网在发生故障后产生的重构问题,基于改进万有引力算法提出了一种切实、可行的多目标故障重构方案.通过调研配电网的故障重构过程,优化了多个目标的权重系数,提出了综合考虑网络损耗与开关动作数量的故障重构模型.利用反向学习法、共轭梯度法和Tent映射实现了经典万有引力算法的有效改进.软件仿真与实际工程测试结果表明,所提故障重构方法具有较强的实用性、更低的网络损耗和更少的开关动作.     

基于CMAC神经网络的康复机器人的智能控制技术

康复机器人是目前的热点方向之一.建立了五自由度上肢康复机器人的CMAC神经网络控制模型.在此模型基础上,通过对正常人肌电信号的训练学习,修正了网络的权值,得到了较为理想的控制模型.最后,通过病人的肌电信号,得到了良好的输出结果.仿真实例表明,CMAC方法比其他神经网络方法收敛快,学习精度高,且具有更好的网络泛化能力,可以用于五自由度上肢康复机器人的智能控制.     

抑制高超声速飞行器级间分离气动干扰的预置舵偏设计方法

高超声速飞行器级间分离时,飞行速度约为6 Ma,动压约为70 kPa,前后体之间会有较强的气动干扰,造成飞行器出现姿态偏差。为了抑制这种气动干扰,提出了一种基于CMAC神经网络的预置舵偏设计方法。该方法利用CMAC神经网络的非线性映射作用,并对CMAC神经网络结构进行改进,不以网络输出量为网络自适应学习的输入,而是以分离后的攻角为网络学习的输入,计算不同的分离干扰所需的预置舵偏值。通过仿真验证,文中提出的预置舵偏设计能够有效抑制分离气动干扰对攻角和侧滑角的影响,能使角度偏差由4°减小到0.02°。     

基于启发式规则与改进和声算法的配网快速故障恢复网络重构

网络重构是改变配电网运行状态最重要的手段之一,可有效提高配电网经济、安全以及供电可靠性.为此,提出融合启发式规则与网络重构的配电网故障快速恢复方法,采用宽度优先遍历的思想,确定故障隔离后非故障失电区,据此利用提出的启发式规则确定非故障失电区的故障恢复方式,以及实现非故障失电区与非故障带电区的连通;对接入了非故障失电区且除去了主动孤岛恢复部分的配电网络,构建以网络损耗最小为目标,以满足配电网安全运行为约束条件的网络重构模型,利用所提出改进和声算法对模型进行求解.通过69节点系统仿真,表明所提方法相比其他方法具有优越性,同时验证了所提出的配电网故障恢复网络重构模型的有效性.     

考虑供电可靠性的智能配电网优化重构

配电网馈线联络的不断加强和配电自动化的建设使网络重构成为可能,通过对网络开关的调度控制来优化调整配电网的网络结构,从而提高配电网的供电可靠性.在传统经济性重构的基础上,进一步考虑了供电可靠性,提出了一种计及网损和系统停电损失的智能配电网优化重构模型,并采用改进遗传算法对IEEE 33节点配电系统进行优化重构问题的求解,结果表明,所提模型和算法具有可行性.     

基于聚类的超闭球CMAC神经网络改进算法

针对CMAC神经网络的网络节点随输入维数的增大呈几何级数增加的问题,提出了基于模糊聚类的超闭球CMAC神经网络改进算法。该算法通过对输入数据进行模糊聚类确定网络节点数和节点值,并根据输入输出数据通过模糊推理优化算法计算神经网络初始权值。与原算法比较,该算法可有效降低神经网络节点数,提高系统的学习精度。对一个多步时延的非线性系统的辨识仿真结果表明了该算法的可行性与有效性。     

基于CMAC的光电探测系统姿态稳定控制技术研究

将小脑模型关节控制器(CMAC)神经网络应用于动载体光电稳定跟踪控制系统设计,分别构建CMAC学习算法网络和CMAC控制网络,泛化参数取4,采用δ学习算法调整网络权值,为评估所构建的CMAC网络对目标系统的逼近能力,选定一个非线性系统作为对象,以连续方波为输入信号进行仿真。仿真数据显示,输入信号发生跳变经0.15s后输出信号的稳态误差为0。选用直流力矩电机和分辨率为767×10-6 rad的光电编码器构建动载体三轴姿态稳定控制实验装置。结果表明,构建的以CMAC神经网络为核心的控制器在此实验装置上实现的姿态稳定误差为870×10-6 rad。     

基于NFI-CMAC的机器人分布式智能控制

基于牛顿前向插值公式提出一种对多维函数可实现任意阶逼近的新型CMAC神经网络———NFI CMAC,详细讨论了其插值算法、训练规则及寻址机制.与传统CMAC相比,NFI CMAC具有学习精度高、学习速度快及占用内存单元少等优点.基于NFI CMAC设计了一种高性能的机器人轨迹跟踪分布式智能控制方案,仿真研究表明了该方案的可行性与有效性.     

基于BP神经网络的配电网项目建设效果后评价方法

针对配电网项目的建设效果,建立了一套科学完备的后评价指标体系;基于BP人工神经网络,建立了具有L个隐含层节点、3层网络的配电网项目建设效果后评价模型,以配电网建设成效指标数据为样本作为输入即可得到建设效果的评价结果.以某省县域配电网为例,利用Matlab软件对BP神经网络进行训练与检验,结果表明所建立的BP神经网络模型对检验样本的模拟输出和期望输出是一致的;应用该模型测试样本得出的评价结果与模糊综合评价结果基本一致,表明所述方法是准确与可行的.     

针对宽带功率放大器设计的人工神经网络算法

为了实现准确快速设计宽带匹配网络的目的, 提出了基于人工神经网络设计宽带高效功率放大器的新方法。通过对匹配网络及晶体管阻抗特性的分析,借助人工神经网络对功率放大器的匹配网络进行建模。结合训练模型与优化方法设计宽带匹配网络初值,在指定的频带内满足晶体管最优阻抗随频率变化的曲线。选择商用的氮化镓高电子迁移率晶体管,分别设计了六阶低通网络为输入和输出匹配网络,实现了一款工作在0.2~1.6 GHz的宽带高效率功率放大器。仿真结果表明,在0.2~1.6 GHz(轴比带比约为156%)的带宽范围内,功率放大器达到64.5%~80.5%的漏极效率,输出功率为40.0~41.6 dBm,频带内增益为11.1~12.6 dB。该方法提升了宽带功率放大器匹配网络的设计速度与准确性。     

中压配电网的网络重构方法研究

主要针对中压配电网运行时在满足可靠性的基础上如何降低线损的问题，提出了改进的多种群遗传算法进行了中压配电网网络优化（即重构），并建立了最小网损配网重的数学模型，最后通过实例分析了配网重构算法的有效性和配网重构的经济效益。     

含多个分布式电源的配电网重构

提出了一种含多个分布式电源的配电网重构算法,该算法在已知分布式电源容量的情况下可以确定各孤岛系统的最优供电范围,利用改进支路交换法对剩余网络进行重构优化,使停电负荷最少且网损最小．根据重构时得到的开关影响因子,修正孤岛划分方案,从而获得全网络的优化．通过IEEE33节点算例验证了该方法对含多个分布式电源的配电网故障恢复的正确性．     

一种拓扑感知的虚拟网络重构算法

针对底层物理网络负载不均衡问题,根据节点和链路的负载状态,动态地选择负载过大的物理节点和物理链路进行重构。通过建立拓扑感知的虚拟网络重构模型,将虚拟节点迁移到距离其邻居映射节点最近的物理节点上,优化底层物理网络中虚拟重构节点的映射位置,降低虚拟网络重构的资源开销。模拟结果表明,TA-VNR算法有效地均衡了底层物理网络的负载水平,降低了虚拟链路的重构路径长度,提高了虚拟网络请求接受率。     

Optimizing neural network forecast by immune algorithm

1 INTRODUCTIONThe forecast of complicated nonlinear relation-ships among multi-factor ti me series can be ex-pressed as a multivariate ti me series analysis ,which si multaneously observes the dynamic processof a group of (multi-di mension) correlative randomvariables as a whole , while traditional linear fore-casting methods such as multiple regression mod-el[1], GM(1 ,N) model[2]seemto have many bar-riers on solvingthis complex nonlinearissue amongthese multi-factor ti me series .Artifi…     

基于神经网络法的配电网状态估计

对配电网状态估计的研究是建立起符合配电网特点的数学模型,本文尝试用神经网络方法对系统确定性部分进行状态估计,将网络不确定部分进行简化计算,从而得出全局的结果。通过并对量测数据进行检测,尽可能的提高数据精度。充分应用了配电网自身的特性生成行之有效的计算方法,从而为电力调度管理提供依据。     

面向有源配电网的DG与网架日前综合调度

为在日前时间尺度上解决有源配电网优化调度问题,实现网架结构与分布式电源(distributed generation,DG)出力的协调调度,采用改进模糊聚类分析对负荷-DG等值负荷曲线进行时段划分,根据DG出力优化值对分段结果进行动态调整;采用机会约束方法处理不可调度DG随机出力问题,采用二层规划模型处理网架结构与DG有功出力协调问题,建立日前协调调度模型.实验结果表明:网络重构与可调度DG的出力调整相互影响.调度DG出力能减少开关动作次数,延长开关设备的寿命;网络重构能增加DG的渗透率,提高能源利用效率,增强配电网消纳DG的能力.所提出的方法能够有效应对负荷变化,在提高配电公司经济效益的基础上,实现配电网资产与DG资源的综合利用.     

平移不变模式变换与神经网络

提出了一种适于模式识别的复合网络,它由三个子网:异联想记忆网、二维局域连接神经网、分类网级联而成,其输入为模式的二维自相关系数,输出为预定的编码。这种神经网络与平移不变模式变换相结合,可以有效的进行平移不变模式识别,而且有很好的容错性和抗噪声能力。     

计及不确定性因素的多目标网架重构策略优化

在电力系统恢复过程中,一些与线路有关的不确定性因素如由外界环境或操作问题等引起的线路投入失败对网络重构过程和结果具有重要影响。在此背景下,首先将线路的不确定性因素引入网络重构问题之中,并借助风险管理的思想考虑了网架重构策略的风险,在此基础上建立了以最大化所恢复的发电节点数目、最小化恢复路径的充电电容和最小化重构策略的风险为目标的多目标网络重构模型。之后,采用场景分析方法将不确定性问题转化为多个确定性问题,并应用差分进化算法和Dijkstra算法求解。最后,以新英格兰10机39节点系统为例说明了所发展的模型和算法的基本特征。