一种结合PSO及改进BP网络的辨识方法

当辨识神经网络的类型和结构确定后,初始权值等辨识参数直接影响到辨识效果,而依靠先验知识试凑而得的参数值往往难以达到最佳效果。针对这一问题,提出了一种结合粒子群（PSO）算法及引入动量项的改进BP网络的辨识方法,利用PSO对改进BP网络辨识的初始权值/偏置、学习率、动量系数进行寻优,并将优化后的神经网络模型用在控制系统中进行修正,进一步完善辨识模型。应用在热工系统中,仿真结果表明了该辨识方法的有效性。     

KENIS导引头采用第三代红外阵列技术

据Helmoed-Romer Heitman报道,丹尼尔的Kentron分部已经为他们自己的MUPSOW这样的远距导弹研制出一种红外成像导引头。KENIS的这种模块式导引头可以使用大型红外焦平面阵列(FPA)探测器或288×384元二维探测器阵列,也可以使用白天CCD TV摄像机。自动跟踪器可进行末段目标跟踪,自动目标识别(ATR)可用于自主的“发射后不管”作战并有飞行员干预方式作为备用。新型导引头长625mm     

基于遗传算法的过程辨识方法实现与应用

简单遗传算法存在着收敛速度慢和容易早熟的缺点,针对这种情况,通过合理选择编码方式,改进初始种群选择策略、复制、交叉和变异策略提出一种综合的改进遗传算法,并将其应用于系统模型辨识。用基于排序法的新的选择算子和多个交叉、变异概率,能有效维持种群的多样性,克服算法早熟现象。在改进的算法中,同时用到精英保留策略和模拟小生境方法,保护优良个体,使算法的引导性增强。在系统辨识的过程中,结合系统先验知识,对模型的阶次辨识进行指导。最后通过几个系统辨识的实例验证了该算法的有效性。     

基于规则选取和补偿运算的模糊系统建立方法

为了解决模糊系统建立过程中规则数目的选择问题,提出了一种模糊系统建立方法。该方法利用K均值法计算聚类中心,不需要预先给出聚类的数目,聚类的数目根据聚类准则函数的收敛性决定,同时在算法结构中引入补偿因子以增强算法的稳定性,再结合梯度下降法辨识后件参数,从而得到模糊系统。与传统的模糊系统建立方法进行比较,该方法提高了辨识精度且能自动生成模糊规则,避免了规则数目选取的盲目性。最后将该方法用于辨识单元机组的协调控制系统,仿真结果表明了该算法的有效性和快速性。     

基于DenseNet的红外图像热斑状态分类研究

光伏热斑故障对光伏组件的运行会产生严重影响,为从图像数据中进行有效的热斑检测,提出一种基于密集连接网络(DenseNet)的深度学习方法.利用数据增强、改进模型结构和迁移学习的方法,在红外光伏故障图形数据集上训练优化,并针对构建的样本数据集具有分布不平衡性的特点,选择采用Focal损失函数缓解样本的非均衡.实验结果表明...     

基于注意力机制的光伏热斑识别

为解决光伏的红外热图像含有大量噪声且不同状态红外图像分布不均衡导致的热斑难以识别的问题,以Vision Transformer(ViT)模型为基础,利用卷积神经网络改进模型特征提取,利用紧凑多头自注意力机制改进模型结构,提出一种光伏红外图像热斑识别模型ConCViT,利用CIFAR-10数据集对注意力权值进行预训练,以低信噪比小样本光伏红外图像为数据集,训练出高准确率的热斑检测模型。实验结果表明,ConCViT模型比传统卷积神经网络的识别准确率高12.02%,比深度卷积自编码网络的识别准确率高4.14%,并具有更快的收敛速度。     

自适应神经元PID控制器在过热汽温控制中的应用

对比了自适应神经元PID控制器的3种控制算法,在研究了一种采用新型性能指标的自适应神经元PID控制器基础上,提出了新的锅炉过热蒸汽温度串级控制系统,其主环采用了单神经元PID控制器,控制器参数的自适应调整采用了经过加权补偿的性能指标。总结了算法中参数的设置规律。仿真研究表明该方法的有效性。     

基于深度卷积自编码网络的小样本光伏热斑识别与定位

针对传统卷积神经网络训练需要大量数据、而热斑效应图像样本量较少的现状,构建一种深度卷积自编码网络模型用于小样本光伏热斑识别与定位.首先对原始光伏红外图像做预处理得到小样本数据集,然后构建一种以卷积神经网络为基础、结合自编码器的深度卷积自编码网络模型.该模型能自动学习并提取小样本图像中的有效特征,提高识别准确率.实验结果...     

基于现场数据和PSO算法的机组主汽温系统辨识

建立精确的热工对象动态模型是提升系统控制性能的重要基础.针对某1000MW超超临界火电机组减温喷水量扰动下主汽温对象的动态特性,利用现场运行数据和混合粒子群优化算法对主汽温系统进行辨识,建立了过热器喷水量扰动下主汽温的动态数学模型.对所建立的模型进行验证,结果表明模型能够有效地反映主汽温系统的实际运行状况.