基于矩阵式变换器电机系统仿真研究

电气传动的未来发展是电机与变频器一体化以用来减少成本，增加系统效率与可靠性。矩阵式变换器电机系统可以实现四象限运行，输入功率因数为1，没有直流环节，可运用在高温场合下，并且解决了矩阵式变换器电压传输比较低的限制。在基于矩阵式变换器矢量调制的分析上，对矩阵式变换器电机系统进行了仿真。理论研究与仿真结果表明了矩阵式变换器电机系统的可行性，解决了传统电机系统输人功率因数低、对电网有谐波污染等问题。     

基于单纯形优化学习算法的前向神经网络电机模型辨识

研究了基于单纯形优化学习算法的前向神经网络，并将其用于无刷直流电动机数学模形的动态辨识，在实现全局最小和改善学习性能方面获良好效果。     

压缩机用稀土永磁无刷直流直线电动机

提出了一种压缩机用稀土永磁(REPM)无刷直流直线电动机(BLDCLM)可逆控制系统。介绍了系统的工作原量、电机末端冲击方法、无位置传感器检测方法、PWM速度反馈方法及其相关电路。分析表明，该方法可实现电机往复运动下的恒推力控制     

基于模糊PI控制的无刷直流电机调速系统仿真

针对传统PI控制方法在对稀土永磁无刷直流电动机进行控制时鲁棒性差、精度低等缺点,提出了一种参数自整定模糊PI控制方法,即采用传统的PI控制与模糊控制相结合的新型控制方法。将方法应用于永磁无刷直流电动机双闭环调速系统的转速闭环中,并利用MATLAB软件中的模糊控制工具箱进行了系统的辅助设计与仿真。仿真结果表明,参数自整定模糊PI控制方法改善了电机的动静态性能,系统的鲁棒性和精度也大大提高。     

磁处理的防垢除垢试验和机理探讨

通过中试研究表明,磁处理能使循环冷却水的水质达标,炭钢A3和炭达96.5%和97.4%.对磁处理防垢除垢的机理进行探讨,认为磁处理防垢除垢的实质是同晶异构现象生成同晶异构体,使碳酸钙生成能量较高的胶体碳酸钙、球霰石和霰石,不易结垢,并通过水溶液传递能量,老垢脱落,并用此机理解释了磁处理的"记忆"效应.     

类金刚石薄膜的激光损伤特性及工艺优化

采用脉冲真空电弧沉积(PVAD)技术制备了类金刚石(DLC)薄膜,并对其抗激光损伤特性进行了研究,优化了制备工艺.对DLC薄膜激光损伤阈值(LIDT)的测试结果表明,随着厚度的增加,薄膜的LIDT开始呈下降趋势,当厚度达到100nm以上时,则趋于一个稳定值.正交实验结果的处理和分析表明,在所给定的工艺参数范围内,主回路电压是影响DLC膜抗激光损伤性能的最主要因素,基片温度、清洗时间和脉冲频率则影响较小.为得到较好的抗激光损伤能力,采用PVAD技术制备DLC薄膜的最佳工艺参数为:清洗时间20 min、基片温度150℃、脉冲频率5 Hz、主回路电压150 V.退火处理会使DLC薄膜的激光损伤阈值明显提高.     

合同战斗计算机辅助决策系统的体系结构

系统体系结构是计算机辅助决策系统设计中需要首先解决的问题之一,对系统的开发具有重要的指导意义.针对合同战斗领域的需求特点,以计算机辅助决策的概念为基础,运用系统分析方法,首先从整体结构上确定了辅助决策系统是作战指挥信息系统中的重要组成部分,分析了各部分之间的关系和具有的功能.在此基础上确定了合同战斗计算机辅助决策系统的总体结构,给出了直接支持指挥人员决策活动的情况分析子系统、方案评估子系统和计划推演子系统的基本结构.     

基于小波降噪的DSP准实时实现研究

针对信号小波降噪处理的实时性要求,提出一种基于小波降噪理论的准实时降噪算法的DSP嵌入式实现方案;给出使用MATLAB对准实时小波降噪方法与离线小波降噪方法的仿真分析,并依据准实时小波降噪方法设计了DSP嵌入式平台;将噪声水平为σ_orginal=1.0的含噪信号通过上述DSP嵌入式平台,采用准实时小波降噪方法,取得了σ_orginal=0.65589的降噪效果;同时,将上述方案应用于对液体流速信号降噪,降噪效果明显。     

无线传感器网络的一种多层数据融合方案

对一种无线传感器网络路由协议定向扩散作了分析,并针对其局限性提出了一种多层数据融合方案.多层数据融合方案采用多层结构,在数据传输过程中建立节点的属性并进行父亲选择融合和数据分发.实验证明:多层数据融合方案较之定向扩散节约了50%的传输能量,而没有危及网络的可靠性和传输效率.     

一种朴素贝叶斯分类增量学习算法

朴素贝叶斯(Nave Bayes,NB)分类方法是一种简单而有效的概率分类方法,但是贝叶斯算法存在训练集数据不完备这个缺陷。传统的贝叶斯分类方法在有新的训练样本加入时,需要重新学习已经学习过的样本,耗费大量时间。为此引入增量学习算法,算法在已有的分类器的基础上,自主选择学习新的文本来修正分类器。本文给出词频加权朴素贝叶斯分类增量学习算法思想及其具体算法,并对算法给予证明。通过算法分析可知,相比无增量学习的贝叶斯分类,本算法额外的空间复杂度与时间复杂度都在可接受范围。