基于FCS-MPC的电压跟踪调制方法

提出了一种利用有限集模型预测控制(FCS-MPC)策略的电压跟踪调制新方法,不使用常规策略中的基本电压矢量,而是直接将桥臂功率器件的开关时间作为主要控制量。通过一个开关时间约束条件,将控制模型转换为约束优化问题,并在此特殊的约束下,控制模型的解满足"有限集"条件。以期望的连续电压矢量为预测模型的控制目标,电压控制误差为价值函数,该优化问题可通过FCS-MPC策略进行求解,得到电压跟踪调制结果。该跟踪调制方法的调制度可达到1,其PWM输出的总谐波畸变率显著减小。仿真和实验结果验证了所提方法的有效性和正确性。     

非线性动态系统的Wiener神经网络辨识法

提出了一种新的Wiener神经网络结构并将其应用于非线性动态系统辨识问题.首先,用Wiener模型对非线性动态系统进行描述,将其分解成线性动态子环节串接非线性静态增益的形式.其次,设计一种新型的神经网络结构,使网络权值对应于相应的Wiener模型参数;并推导了基于反向传播的网络权值调整方法.最后,通过网络迭代训练,可同时得到线性动态子环节和非线性静态增益的模型参数.通过一个Wiener模型的数值仿真来验证方法的有效性,仿真结果表明所提辨识方法切实可行.     

基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。     

一种基于LS—SVM的电子设计竞赛选手选拔与组队方法

在详细阐述最小二乘支持向量机（IS—SVM）回归算法原理基础上，提出一种基于LS—SVM的特征提取方法，并将其应用到全国电子设计竞赛队员选拔问题上。利用所提的特征提取方法对近年在电子设计竞赛中获奖队员平时成绩进行分析，找到了3个关键的评价指标，并以此为基础确定了一套定量的选拔与组队方法。     

基于支持向量机的传感器动态补偿新方法

提出一种基于支持向量机(SVM)的传感器动态补偿新方法,给出相应的补偿过程及学习算法。与常用的神经网络补偿方法比较,其优点是明显的。它采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型的泛化能力;而且将学习算法转换为求解二次规划问题,使得在整个学习过程中有且仅有一个全局极值点,确定了所构造补偿器的唯一性。仿真和实验结果均表明,经过SVM动态补偿器可极大地缩短传感器达到稳定的时间,应用SVM模型对传感器进行动态补偿方法有效。