基于内模解耦的IPMSM矢量控制仿真研究

在永磁同步电机的研究中,针对永磁同步电机的非线性和参数的不确定性以及采用矢量控制后电压与电流之间的强耦合性,为抑制系统非线性影响,消除干扰,采用基于内模控制(IMC)的矢量控制,克服传统的PI控制不能动态解耦以及对电机参数敏感的问题.从同步速d-q坐标系下凸极式永磁同步电机(IPMSM)数学模型及其矢量控制的基本原理出发,对交叉耦合关系进行了理论分析,引入了内模控制方法,设计了转子磁链定向和内模控制的电流调节器.在MATLAB下搭建了系统的仿真模型进行仿真,结果表明,所提出的内模控制器在模型匹配和失配的情况下均能提供良好的解耦效果,为优化设计提供了有效参考依据,可在线调节.     

小电流接地系统的新判据在检测工程应用分析

针对当前在小电流接地系统中,尤其是经消弧线圈接地的系统中,所装设的接地检测(选线)装置正确动作率不高的问题,根据系统的特点,对小电流接地系统的选线设备原理、采样误差等方面问题进行剖析,提出了减小综合测量误差,提高选线准确性、可靠性的措施。     

一种新的P2P系统中基于双ratings的声誉管理机制

声誉系统的效率取决于回馈的质量,现有P2P系统中的声誉模型不能处理合谋、不递交ratings等攻击,并且对无过失节点还存在不公平性,针对这些问题,提出了一个新的基于双ratings的声誉管理机制,采用两个度量来评价节点:服务信任和回馈信任,服务信任反映server提供服务的可靠性;回馈信任反映consumer汇报ratings的可信度.一次交易后,要求服务双方都递交ratings,依据这两个ratings对server的服务信任和consumer的回馈信任进行更新,并且server的服务信任更新与consumer的回馈信任紧密相关.为了防止恶意节点反复实施恶意行为或不递交rating,还提出了一个惩罚机制,作为对声誉模型的补充,仿真表明,提出的声誉管理机制能够抵制上述恶意攻击,减少不公平性.     

SERDES在程控交换机系统中的应用

文章讨论了如何利用SERDES在程控交换机公共控制单元的系统冗余切换功能中实现大量并行数据的传输,详细介绍了程控交换机公共控制单元利用SERDES进行大量并行数据传输的工作原理和具体实现过程以及实际应用中的注意事项。SERDES的应用,大大提高了数据传输的可靠性和稳定性,从而使整个交换机系统的稳定性和工作效率显著提高。     

动态小波在变压器励磁涌流识别中的应用研究

电力变压器的励磁涌流识别一直是变压器保护的一个重要问题。动态小波是小波函数和傅里叶函数的组合,固此与常规小波变换相比。检测故障突变信号的能力更强。文中将动态小波运用于励磁涌流识别中,通过仿真实验证明了该方法提高了勋磁涌流鉴别的可靠性。     

动画演示与算法教学研究

算法南来就是计算机教学中的难点,一般算法教学方法很难有效帮助学生理解算法.通过分析算法动函演示的认知作用,强调只有好的算法动画演示才能有效促进算法学习,然后从认知主体需要出发,提出设计好算法动画演示的四个原则,说明只有认真调查研究每一个算法的演示目标和重点,合理安排演示内容和形式,才能设计出一个好的算法动画演示系统.     

基于Wiki的网络协作学习系统平台研究与设计

本文探讨了在协作学习中运用Wiki平台的可行性,从理论与实践两方面研究在Wiki平台上如何进行有效的协作学习活动.并构建面向协作学习的Wiki系统平台.     

面向不同利益相关者的IT投资决策模型

为了响应不同利益相关者在IT投资决策过程中的不同需求,把备选项目看作一个组合,综合IT项目的战略对应和财务收益为目标,权衡其成本、收益和风险,构建基于模糊多目标规划的IT投资决策模型,其中模糊数用来刻画不确定的项目信息。通过改变各临界值和求解过程中产生的参数,模型支持各种假设分析。最后用案例说明模型的用法和功能。     

多类支持向量机推广性能分析

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式.对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间.研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向.     

基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。