软开关Buck变换器混沌现象的研究

鉴于软开关DC／DC变换器的应用越来越广泛，由于谐振元件的存在使得变换器的混沌现象变得复杂。该文以BuckZVSPWM变换器为具体研究对象，建立了其精确离散数学模型，并基于此模型分析了BuckZVSPWM变换器的混沌现象。利用稳定性判据求出给定系统的临界稳定值，通过电路仿真证明了混沌图与变换器运行状态基本一致。该文建立的精确离散数学模型是在数学通用公式的基础上建立起来的。因此可以应用于其它软开关DC／DC变换器混沌现象的研究。     

基于小波和LS-SVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线检测的问题,提出了一种基于小波和最小二乘支持向量机(LS-SVM)的软测量建模方法.首先通过小波变换把样本数据序列分解为不同频段的子序列,然后对这些子序列分别采用LS-SVM进行建模,最后通过小波重构得到主导变量的估计值.其中采用量子粒子群算法(PSO)来优化选取LS-SVM参数.通过仿真实验验证此方法,实验结果表明所提出的方法具有估计精度高、泛化能力强等优点.     

一种新型软开关Buck变换器的研究

针对传统ZVT-PWM变换器的辅助开关硬关断的不足,提出了一种新型PWM控制的软开关Buck变换器方案,详细介绍了该新型软开关Buck变换器的拓扑结构及工作原理,并给出了具体的设计过程。新型软开关Buck变换器的辅助电路使主开关工作在零电压状态,所有的半导体器件均工作在软开关条件下,从而减小了开关损耗。仿真结果证明了该新型软开关Buck变换器方案的有效性。     

基于小波域数据的Hammerstein模型参数估计

针对非线性离散Hammerstein模型的输出存在随机噪声情况下,提出直接利用小波域的输入输出数据,估计出该模型的参数的方法。最小二乘法是时域参数估计的主要方法,随着对小波理论的深入研究,它在信号处理方面起着重要的作用。信号经过小波变换后,得到具有时频特征的小波域的信号,提高了信号的信噪比,去噪结果比时域和频域更有效。通过小波最小二乘法估计出模型的参数,与时域最小二乘法的估计参数相比较,仿真结果表明波域方法是可行的,有效的。     

基于小波域数据的线性ARMAX模型参数估计

线性时不变系统离散ARMAX模型在随机噪声情况下影响输出精度。为此提出直接利用小波域的输入输出数据,估计出模型的参数的方法。最小二乘法是时域参数估计的主要方法,随着对小波理论的深入研究,在信号处理方面起着重要的作用。信号经过小波变换后,得到具有时频特征的小波域的信号,方便进行去噪的处理,去噪结果比时域和频域更有效。通过小波最小二乘法估计出模型的参数,与时域最小二乘法的估计参数比较,仿真表明改进方法是可行性和有效性。     

基于ARMA和小波变换的交通流预测模型研究

基于小波变换理论和自回归滑动平均(ARMA)时间序列模型的相关知识,研究了智能交通优化控制系统中的交通流量的预测问题。首先,在对实际监测的交通流量数据进行小波变换处理的基础上,建立交通流量的预测模型;然后,利用最小二乘法理论对ARMA模型的参数结构进行了详细地分析;同时给出基于小波变换和ARMA模型的交通流优化控制系统的运行机理并设计出相应的网络拓扑模型和数据传输模型;最后,用某交通观测站的实测数据对模型进行实际仿真。仿真结果表明,文中所设计的模型和算法是有效的。     

基于光伏储能系统的软开关Buck变换器设计

针对光伏储能系统在使用传统Buck变换器为储能电池充电时效率不高的问题,提出将新型有源缓冲电路应用到Buck变换器,电路中所有半导体器件均可实现软开关,降低了开关损耗,提高了变换器的效率.本文详细分析了变换器的工作原理和过程,对变换器中的关键器件进行设计,并给出开关管以及二极管的选型依据.最后,通过仿真和搭建变换器实验...     

硬件的软开关

用软件方法来控制硬件的开和关在实际应用中有重要意义。下面介绍几种硬件功能的软开关,希望对读者有所帮助。所有功能的实现均用C/C++inline行间汇编制成函数,经编译后能产生简洁、高效的代码,可在应用程序中直接调用,且不受编译模式的限制。     

基于小波神经网络的定子电阻参数辨识的研究

提出了基于小波神经网络的定子电阻在线检测方案 ,小波神经网络采用递推正交最小二乘法训练之后 ,可用于对定子电阻的辨识 .仿真实验结果表明该辨识器能够精确辨识定子电阻值 ,从而有效地改善了直接转矩控制系统的低速性能 .     

基于小波分析的最小二乘拟合及应用

直线是图像分析过程中非常重要的描述符号。在工业控制中,图像处理通常采用最小二乘法对直线进行拟合,但在对估计精度要求较高时,传统最小二乘法往往不能满足要求。将离散小波变换和传统最小二乘法相结合,建立了一种基于小波预处理的最小二乘估计的新方法,获得了比传统最小二乘法效果更好的估计结果。试验证明了该方法的有效性和高精度性。     

基于小波神经网络的非线性系统建模研究

研究了用小波神经网络对非线性系统进行建模问题。提出了用带遗忘因子的最小二乘法训练网络的权值,利用递推预报误差算法训练伸缩因子和平移因子的交互辩识算法。仿真结果证明了算法的有效性。     

基于小波网络和多模块网络的数字识别

本文研究一种新的数字识别方法,这种方法用小波神经网络抽取特征、用多模块结构神经网络作模式分类器。小波分解的函数近似能力和人工神经网络的学习能力结合起来形成的小波神经网络,有着良好的特征描述性能,可用作特征抽取工具。多模块结构的神经网络将一个k类的模式分类问题转换为k个互相独立的2类分类问题。这种结构将一个复杂的分类问题化解为多个简单的分类问题,各个模块互相并联,各自负责一种模式的识别。用这种修改过的多模块结构网络的BP训练方法,可加速训练和提高训练精度,并且各模块可互相独立地进行训练。用美国NIST数字样本进行训练及测试,结果良好。这种方法可用于更广泛的平面图形识别。     

On-line Successive Synthesis of Wavelet Networks

An approach for the on-line synthesis of wavelet network using recursive least square (RLS) training is proposed. It is based on the concept of successive approximation of the system function to be learned. By using the Bayesian Information Criteria (BIC), the optimal number of wavelets is determined in the training process. Simulation results show that the proposed approach can approximate the unknown system function satisfactorily. Moreover, it can adapt to the changes in system parameters that off-line training cannot.     

小波分解及神经网络在海浪预报中的应用

提出采用小波分解与递推平方根法神经网络模型相结合的方法进行海浪预报。采用小波分析方法既能把握海浪的发展变化趋势,又能简化预报模型,同时基于递推平方根法的神经网络模型预报方法不仅收敛速度快,又能很好地提高精度,减少计算量。即先将不规则海浪信号用小波分析方法进行多尺度一维分解,得到相对简单、规则的准周期分量信号,然后用一种基于递推平方根法的神经网络模型对各重构信号进行预报,最后对预报结果进行集成。最终的仿真结果验证了该方法的有效性。     

小波域改进变步长自适应滤波

自适应滤波器可在统计量未知的环境中自动调整自身参数,以满足被控对象的时变要求,是现代信号处理技术的重要研究领域.最小均方算法具有结构简单,运算量小,易于实时处理等优点,被广泛应用于自适应滤波算法.但其收敛速度受输入向量自相关函数矩阵特征值的分布影响较大,且收敛精度及跟踪速度与步长选取相互矛盾,因此提出一种改进的变步长调整函数应用于小波域最小均方自适应滤波.实验结果表明,算法可以有效减小输入信号的条件数,降低输入信号的相关性,并可使信号在自适应滤波中更快达到稳态.     

基于神经网络的实用小波域零水印技术

提出一种基于神经网络的小波域零水印技术。不同于传统的水印算法,零水印技术对宿主图像进行离散小波变换,并在低频子带随机选择一些系数作为提取的特征,将其作为水印用于版权证明,以避免嵌入水印导致的图像变形。通过建立神经网络模型对所选特征系数进行管理、存储和检测,以提高算法的实用性。     

一种基于小波神经网络故障检测方法的仿真研究

文中提出了一种基于小波神经网络一性观测器的故障检测方法。它是一种把信号分析和模型相结合的故障检测方法,通过小波对信号的去噪和神经的神经网络的自学习功能,来获取系统输入输出的非线性动力学特性,进而实时计算出残差并进行逻辑判疡,可提高故障检测的速度和准确率。对同步交流电机的结构损伤故障进行了仿真,结果表明了该方法是可行的。     

基于遗传算法的小波神经网络在电价预测中的应用

在电力市场中边际电价预测得准确与否,对于发电厂的竞价决策具有非常关键的影响。为了克服BP神经网络自身算法的缺陷,得到更高的学习精度和更快的收敛速度,该文建立了基于遗传算法的小波神经网络电价预测模型。该模型结合了遗传算法的全局优化搜索能力以及小波神经网络良好的时频局部性质。经实例验证该模型能有效地提高预测精度,避免了BP神经网络的固有缺陷。     

基于小波变换和ART网络的手写数字识别

由于小波变换能有效地提取字符的结构特征,自适应共振(ART)网络有很好的学习能力。本文将二者结合起来,用小波变换抽取特征、用自适应共振ART网络作模式分类器来识别手写数字。实验证明该方法有很高的识别率,能够有效地进行手写数字的分类,可以满足实际应用。