基于DSVM的三相PWM整流器直接功率控制

针对PI调节的滞后性及传统直接功率控制过于简单等不足,将瞬时功率理论与滑模变结构控制理论相结合,提出一种基于离散空间电压矢量的直接功率控制策略.该策略外环采用滑模变结构控制,提高系统的鲁棒性;内环采用模糊控制与离散电压空间矢量(DSVM)调制相结合的方式,优化电压矢量的选择,提高系统的动态性能.仿真实验表明,该控制策略在系统动态性能、稳定性、电流畸变率和功率因数方面都有较好的效果.     

多自由度机械手PLC控制

本文介绍了采用可编程序控制器（PLC）代替GR-1型数学机器人的控制器对机械手动作进行控制,利用光电编码器对电机的转轴转角进行检测,并对机械手6个直流电机进行正反转控制,从而实现了电机转轴的准确定位及机械手抓取物体控制,控制系统编程简单,可实现多任务调速控制。     

基于DSP控制的三相逆变电源设计

提出了由整流模块,逆变模块和控制模块三部分组成的逆变电源系统.采用数字信号处理器(DSP)对电源系统进行全数字控制,透过改变PWM波形的脉冲宽度和调制周期可以达到调压和变频的目的.采用功率MOSFET和IGBT专用驱动芯片IR2136驱动三相桥式逆变电路,取代了传统的模拟驱动电路和模块化桥臂电路设计,降低了开发成本,并融合了多元化的保护功能使逆变电源系统的驱动电路变得简单可靠.     

基于Pro/E和ADAMS的机械手运动学仿真

在Pro/E中完成5自由度机械手及其手爪的三维造型和装配,通过Pro/E和ADAMS的接口Mechanism/Pro将模型导入ADAMSNIEW中,并进行运动学仿真,得到其未端位移和速度的分析曲线,为实际的机器人控制提供了重要的数据.     

基于小波对比度和神经网络的图像隐写方法

为使通信安全在传输过程中提供较大的秘密信息嵌入量,并保持较好的载密图像质量,提出一种基于自组织特征映射神经网络和小波对比度的图像隐写方法。将载体图像分成固定大小的小块,采用小波一级分解并计算其小波对比度,利用自组织特征映射神经网络将小块分为3类,采用模算子技术嵌入秘密信息。实验结果表明,该方法有较大的嵌入量并保持良好的载密图像质量。     

基于变精度粗糙集的粗集神经网络

本文研究了基于变精度粗糙集模型下的粗集神经网络设计,对近似约简条件进行了弱化推广,同时提出了近似约简的选取原则。在对Brodatz纹理图像的分类实验中,比较了经典粗集神经网络RNN和变精度粗集神经网络VPRNN的性能,VPRNN不仅具有更为精简的结构和更短的训练时间,而且具有更强的近似决策和泛化能力。     

JNI和ActiveX技术在组态监控系统网络化迁移中的应用*

用JNI和ActiveX技术解决单机组态监控系统网络化迁移中的资源重用问题。以J2EE作为开发平台,在客户端Web页面中嵌入ActiveX控件实现用户交互,在服务器端通过JNI（Java native interface）接口对单机组态监控系统进行集成。最后给出了一个三容水箱组态监控系统网络化迁移的应用实例。     

进化信息引导的烟花差分混合多目标算法

烟花算法是一种有效启发式群智能算法,但基本的烟花算法只能解决单目标问题,个体间缺乏信息交流,进化过程中有用信息没有得到充分利用。为提高烟花算法的综合性能,并使其能够应用在多目标优化问题(multi-objective optimization problems,MOPs)上,提出一种基于粒子进化信息引导的自适应多目标烟花差分混合进化算法(multi-objective hybrid optimization algorithm of fireworks and differential guided by evolutioninformation,MOHFWDE)。利用Pareto前沿个体的进化信息引导种群进化,加快算法收敛速度;在烟花算法中引入差分算法的变异算子、交叉算子替换原有高斯变异算子,增强个体间的信息交流。与其他算法进行对比仿真实验,结果表明MOHFWDE具有良好的收敛性、分布性和逼近性。     

基于LMI的滑模控制在航空发动机中的应用

针对航空发动机运行过程中存在不确定性和稳定性问题,运用状态空间模型理论与线性矩阵不等式LMI相结合的方法设计了控制器,改善了航空发动机的控制性能。以某型涡扇发动机为控制对象,基于LMI对普通终端滑模变结构控制进行了优化设计,在滑模超平面设计中引入了动态补偿器,采用改进的幂次趋近律,对该动态系统进行了性能仿真验证。结果表明,本文提出的方法较之普通终端滑模变结构控制对系统性能有较大改善,不仅使系统主供油量变化率、尾喷口面积变化率等的控制更为平稳,且保证了系统鲁棒性和稳定性。     

基于模糊粗糙模型的粗神经网络建模方法研究

提出一种基于模糊粗糙模型的粗神经网络建模(FRM_RNN_M)方法. 该方法通过自适应G-K聚类实现输入输出积空间的模糊划分, 进而在聚类数和约简属性搜索的基础上, 提取优化的模糊粗糙模型(Fuzzy rough model, FRM), 并在融合神经网络后实现粗神经网络建模. 分类实验表明, FRM_RNN_M的分类性能优于传统贝叶斯和LVQ方法, 而且比单纯的FRM模型具有更强的综合决策能力, 和传统的粗逻辑神经网络(Rough logic neural network, RLNN)相比, FRM_RNN_M方法建立的神经网络结构精简, 收敛速度快, 具有更强的泛化能力.