PMSM矢量控制模型及其关键参数研究

分析了PMSM转子和定子的内在机理,构建PMSM矢量控制模型,研究影响PMSM稳定性和可靠性的关键因子为q轴电流iq以及d轴电流id,在Matlab/Simulink环境下搭建单个永磁同步电动机的矢量控制模型,仿真显示改变该模型中的关键参数可以改善PMSM的转矩响应特性曲线和稳定性。     

基于PVM的三维矢量场流面构造

文章提出一种三维矢量场自适应粒子跟踪快速算法和基于ＰＶＭ的流面并行计算策略。该算法采用改进的单元搜索方法,消除了原算法计算精度不高和流动特征容易丢失的缺陷。其自适应步长技术,在保证计算精度的前提下,大大减少了流线上的点数,提高了流面的生成速度。实践证明,这种基于ＰＶＭ的并行计算策略进一步加快了算法速度。     

矢量网络模型中最短距离算法的研究

本文在对矢量网络模型讨论的基础上,结合几何学特点,给出了求解两点间最短距离的VNSA算法,该算法从建立两点间排序的过程实现两点间的直线距离向两点间的最短距离逼近,从而求解两点间的最短距离。本文给出了VNSA算法的正确性证明,对算法的实用性和效率加以讨论,该算法在实际中已经得到应用。     

基于复合矢量场的改进ACM模型与医学图像分割

提出了一种基于复合矢量场的改进ACM模型分割算法。采用广义模糊理论对图像进行处理,得到较理想的边缘映射图,在此基础上构建一个复合矢量场替代原有的力场,使得图像的分割结果有了较大的改进。实验结果证明,该算法能在较大范围内捕获图像的特征、较好地处理深度凹陷区域和大曲率边缘的能力。     

爆炸场参数探测头抗电磁干扰性研究

针对炸药爆炸的强电磁干扰影响实际测试的问题,改进毁伤威力场参数测试系统中探测头外壳的机械结构和连接方式,并对改进后的结构进行Ansys电磁仿真验证;结合现有的研究基础和测试要求,成功实现了探头对爆炸引起的强电磁脉冲的屏蔽,对3 kg TNT药柱的爆炸毁伤威力冲击波进行多点实测,捕获数据完整可靠,给出了屏蔽干扰后测量到的冲击波参数曲线,该数据对比表明改进后的系统很好地屏蔽了爆炸场产生的电磁脉冲干扰。     

机器人臂的模型参数识别及其仿真

本文提出了一种识别机器人臂动力学方程的模型参数的方法.通过重组机器人臂的拉氏函数,使得臂的动力学方程中的模型参数个数最少;进一步形成了上三角块形式的机器人臂的模型参数识别公式.通过使用最小二乘法和龙格-库塔方法,对一个两连杆操作臂的模型参数的识别进行了仿真,得到了高的仿真精度.本方法有助于机器人的控制算式中有关操作臂的参数的确定和机器人的机械设计.     

基于CA的交叉口模型的仿真研究

结合我国混合交通流的实际情况,建立了二维细胞自动机交叉口交通流模型,并用VC开发了相应的仿真系统.仿真系统可以对平面十字交叉路口的多种交通流相进行了模拟分析,还能够根据交通密度变化,通过实时改变信号灯控制方案改善交通流运行状况,从而找出一种最优的交叉口信号控制方案.     

元模型输入参数筛选方法研究

针对传统的灵敏度分析方法应用于元模型输入参数筛选时存在的突出问题,基于信息熵理论提出了元模型输入参数筛选方法。以条件熵为基础,提出了用于元模型输入参数筛选的参数体系,包括不确定度、不确定度浮动、不确定度累积浮动,以及元模型输入参数筛选分析过程;采用贝叶斯网络技术研究了多个子模型构成的组合模型描述问题,以及相应的条件熵计算问题;针对航空兵轰炸对于装备的损伤仿真问题,对单一模型和组合模型的输入参数筛选问题开展了案例研究。     

城市中观交通仿真的交通流车簇模型

为了解决城市交通仿真模型仿真速度和仿真精确度的平衡问题,针对城市交通流运行特征,同时考虑影响交通流运行的若干因素,如车辆数目、红绿灯控制等,提出一种中观交通仿真车辆群体模法.该模型结合了宏观模型和微观模型的优点,同时对应的交通流配流算法解决了传统模型的不足,城市交通仿真实验结果表明了车辆群体模型和分配算法的合理性和有效性.     

基于可变形模型提取肿瘤区域的方法研究

为了减少计算机分析乳腺肿瘤影像的数据量，提高肿瘤病灶计算机辅助探测和辅助诊断的精确度，降低假阳性和假阴性，乳腺肿瘤区域的提取是至关重要的。基于乳腺恶性肿瘤和有些良性乳腺瘤(如纤维性瘤)的边缘模糊不清和凹凸多变的特性，传统的边缘提取算子和阈值法分割乳腺肿瘤区域很困难，该文提出应用基于可变形模型的梯度矢量流的方法提取乳腺X光片肿瘤区域，用基于亥姆霍兹最小能量损耗原理的一种新的外部能量代替传统方法的外部能量，从而解决了传统方法的可变形轮廓线不能收敛于目标边缘凹陷处的问题，并取得了良好的效果，为进行乳腺X光片肿瘤区域的形状特征提取提供了前提。     

基于聚类和支持向量机的话务量预测模型

针对利用单因素时问序列模型进行话务量预测的不足,建立基于模糊C均值(FCM)聚类和支持向量机(SVM)的多元回归话务量预测模型.模型使用FCM算法对话务量的原始样本集聚类,选择与待预测样本特征最相似的样本子集作为训练集.使用SVM训练样本,通过决策回归函数预测话务量.实际话务量数据验证表明,该方法较周期时间序列和神经网络预测方法具有更高的预测精度和泛化能力.     

基于影响模型的短时交通流预测方法

根据复杂交通网络中多个节点之间交通流相互影响的特性,提出一种基于影响模型的短时交通流预测方法。分析交通网络中交通流预测的难点,引入随机过程中影响模型的理论对其进行建模。将每个节点的交通流处理为一个隐马尔科夫过程,整个网络由多个相互交互的隐马尔科夫过程组成,采用EM算法对模型参数进行训练。实验结果表明,该方法具有较高的预测精度,可较好地显示交通网络中多个节点之间交通流的交互规律以及动态演化规律。     

基于深度学习的短时交通流预测

针对现有预测方法未能充分揭示交通流内部的本质规律,提出了一种基于深度学习的短时交通流预测方法。该方法结合深度信念网路模型（DBN）与支持向量回归分类器（SVR）作为预测模型,利用差分去除交通流数据的趋势向,用深度信念网络模型进行交通流特征学习,在网络顶层连接支持向量回归模型进行流量预测。实际交通流数据测试结果表明：文中提出的预测模型与传统预测模型相比,具有更高的预测精度,预测性能提高了18.01%,是一种有效的交通流预测方法。     

基于计算机数据算法模型的交通流数据分析

针对交通流数据分析滞后,交通规划效率不高等问题,提出了一种基于计算机数据算法模型的计算机数据算法数据分析方法,该方法采用基于S3C6410处理器的采集模块对影响交通流的数据进行采集或者分析,在进行数据信息采集时,还通过JZ863的无线传输模块实现数据信息传输,并通过神经网络算法模型提高了交通流数据信息分析能力。实验结果显示,本研究系统检测到发生故障的数据量数高达4735个,交通检测精度较高。     

城市微观交通流模型综述

车辆跟驰模型和换车道模型是微观交通流模型研究的基础。对GM模型、线性模型、安全距离模型、AP模型、模糊推理模型和神经网络的车辆跟驰模型进行了详细的评述,并提出了现有的车辆跟驰模型存在的问题。并且对判断性换车道模型和强制性换车道模型进行了详细地论述,同时对其进行了评价。     

基于多Agent的交通流仿真平台

采用多Agent方法设计并实现交通流仿真平台,仿真钟等步长推进,由调度Agent协调仿真的运行。以MaSE方法对多Agent系统建模,用自动机描述人车单元Agent和路段Agent之间的交互。人车单元Agent采用刺激-反应混合结构,路网采用分层结构分解为路网、路段(交叉口)、车道,信号控制方案分解为入口车道-流向灯色组合,用分叉树表示信号灯组的状态。用Visual C++实现该仿真平台,证明其能有效再现交通流特征。     

一种改进的一维元胞自动机交通流模型

在一维交通流元胞自动机NaSch模型的基础上,考虑到不同车辆的驾驶员在敏感驾驶随机减速行为过程中其延迟概率是不同的,从而提出了一种改进的一维敏感驾驶元胞自动机交通流模型。根据所给出的车辆状态演化的并行更新规则进行了计算机仿真,模拟得到的基本图表明,与NaSch模型、SDNaSch模型相比,道路交通流量有较大的提高,而且还展现了亚稳态、相分离等复杂的实际交通现象。     

非定向军事路网交通流隐蔽性测度及分配模型

为了解决原有军事路网隐蔽性测度模型中存在的不同运量在相同路况下隐蔽性测度值相等的悖论, 以及路网定向性导致分配非最优两方面缺陷, 本文在对隐蔽性测度方法进行修正以及对非定向军 事路网三方面性质(始点终点相连路段的定向性、路网的可转换性、中点相连路段的后定向性) 详细分析的基础上,提出了一个基于隐蔽性测度修正方法的非定向军事路网交通流分配模型, 并针对模型在计算过程中可能出现的循环流现象提出了逐步去环的解决方法.最后,通过算例证 实了非定向路网三方面性质及计算中可能存在的循环流现象,计算过程和结果充分说明新模型的可行性与实用性.     

基于LSTM-BP组合模型的短时交通流预测

为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络（LSTM）和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTM-BP的短时交通流精确预测.通过与LSTM\BP\WNN三种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.     

基于支持向量机的Internet流量分类研究

准确的网络流量分类是众多网络研究工作的基础,也一直是网络测量领域的研究热点.近年来,利用机器学习方法处理流量分类问题成为了该领域一个新兴的研究方向.在目前研究中应用较多的是朴素贝叶斯(naive Bayes,NB)及其改进算法.这些方法具有实现简单、分类高效的特点.但该方法过分依赖于样本空间的分布,具有内在的不稳定性.因此,提出一种基于支持向量机(sulbport vector machine,SVM)的流量分类方法.该方法利用非线性变换和结构风险最小化(structural risk minimization,SRM)原则将流量分类问题转化为二次寻优问题,具有良好的分类准确率和稳定性.在理论分析的基础上,通过在实际网络流集合上与朴素贝叶斯算法的对比实验,可以看出使用支持向量机方法处理流量分类问题,具有以下3个优势:1)网络流属性不必满足条件独立假设,无须进行属性过滤;2)能够在先验知识相对不足的情况下,仍保持较高的分类准确率;3)不依赖于样本空间的分布,具有较好的分类稳定性.