周调节贯流式水电站主汛期汛限水位动态控制

洪江电厂建成时采用国内单机容量最大、水头最高的灯泡贯流式机组,适应水头变化范围8.4～27.3 m,水库设计为周调节.通过分析洪江周调节方式的贯流式水电站汛限水位动态控制的必要性和可行性,研究汛限水位动态控制过程,拟定了汛限水位动态控制的具体实施方案,对提高水能利用率,确保防洪度汛安全具有重要意义.     

三峡水库蓄水期城陵矶与长沙站水位关系分析

为了解三峡水库蓄水期间城陵矶与长沙水位的关系,通过建立洞庭湖城陵矶站不同水位与湘江长沙站水位流量相关关系,分析城陵矶站对长沙水位的影响.根据MIKE11水动力学模型,分析计算枯水期长江干流宜昌站、湘江湘潭站不同来水条件下城陵矶、长沙水位及其相关关系,进而分析了三峡水库蓄水期不同因素对长沙站水位的影响情况,认为在2008...     

"平垸行洪、退田还湖"对血吸虫病扩散的影响及对策研究

血吸虫病是一种严重危害人民健康、影响社会经济发展的传染性疾病,钉螺是血吸虫的唯一中间宿主.1998年洪水后实施的"平垸行洪、退田还湖"措施对于钉螺和血吸虫病的扩散有着重要的影响.总结影响钉螺和血吸虫病扩散的因素,并对典型"平垸行洪、退田还湖"后钉螺和血吸虫病变化情况进行调查研究,结果表明,认识某一区域钉螺和血吸虫病扩散...     

基于神经网络的电力并网逆变器控制技术研究

研究了电流模式控制的电力并网逆变器的PR( proportion resonant)控制策略,针对提高并网供电功率优化逆变换器设计,分析了含LCL滤波器的电流双环控制电力并网逆变器模型.目前采用的比例谐振控制器难以用数字控制器实现的问题,提出了BP神经网络的增量式PR控制技术.在MATLAB平台上,建立数学模型仿真.仿真结果证明,在电流发生突变情况下,采用BP神经网络的电力并网逆变器的增量式PR控制,电流波形具有更好的动态性能与静态性能.对神经网络训练进行仿真,结果表明,并网供电控制取得良好的供电效果,为设计提供了参考依据.     

基于遗传算法和广义交叉原理求解正则参数

本文研究了正则化方法中正则参数的求解问题,提出了一种新的正则参数求解策略,即利用遗传算法基于广义交叉检验准则求解正则参数,数值模拟验证了该方法的可行性和有效性。     

一种复合数据加密机制的研究及应用

矿产资源管理系统中的票证涉及到巨大的经济利益,票证的安全性成为一个亟待解决的关键问题.本文设计了一种复合数据加密机制,采用多种编码技术,混合运用AES和ECC加密算法对不同敏感程度数据进行加密,而将数据存储到不同介质磁盘和RFID存储器上,同时由二维条形码与RFID电子标签共同实现票证的身份认证.运用该机制的矿产资源管理系统具有很高的安全性,产生了巨大的经济和社会效益.     

基于视情监测的数据采集方案研究

将一种基于视情监测的数据采集方案应用到高速旋转机械在线状态监测与故障诊断系统中,提高了高速旋转机械设备的故障预报概率,减少了系统数据库服务器的冗余数据存储量,更加有利于工业现场设备维护和系统数据库维护.     

改进EEMD算法在高压并联电抗器声信号去噪中的应用

高压并联电抗器运行过程中产生的声信号是准确判定电抗器运行状态的重要依据,在对电抗器声信号现场采集时易受到多种外界噪声的干扰,测量仪器无法有效进行预处理,导致对电抗器运行状态的评估发生误判。提出了一种基于多传感器融合及最小下限频率截止的改进集合经验模态分解(ensembleempiricalmodedecomposition,EEMD)高压并联电抗器声信号去噪方法。首先,利用一致性数据融合算法对各声纹传感器进行关联和甄别,剔除失效传感器,确定有效传感器组。其次,选取有效传感器组中的最小下限频率作为固有模态函数(intrinsicmodefunction,IMF)的筛选截止条件并进行集合经验模态分解。然后利用相关系数法提取有效的IMF分量。最后对有效IMF分量叠加重构,得到去噪声信号。模拟实验和实测结果表明,该方法具有较好的去噪效果。通过与传统经验模态分解法(empiricalmodedecomposition,EMD)、标准EEMD去噪技术的比较,验证了该方法在实际应用过程中的有效性和实用性。     

虚拟惯量控制响应延时对控制效果的影响分析

电力电子接口电源通过虚拟惯量控制模拟同步机惯量响应,但控制过程存在响应延时。全面分析了延时对虚拟惯量控制效果的影响,发现延时并非越小越好。虚拟惯量控制可以降低频率变化率和最大频差两个指标。响应延时增大,扰动后短时间内平均频率变化率变大,但是,最大频差先下降后上升,并在某个延时取值处获得最优值。而且延时增大时调频功率峰值和能量峰值均降低,控制成本更小。虚拟惯量控制的目标不同时,对延时的要求不同。分析结论有助于更加全面地认识虚拟惯量控制的效果并指导实际应用。     

基于生成对抗网络的知识蒸馏数据增强

在图像分类和工业视觉检测过程中,缺陷样本量少导致神经网络分类器训练效率低及检测精度差,直接采用原始的离散标签又无法使网络分类器学习到不同类别间的相似度信息。针对上述问题,在区域丢弃算法的基础上,提出一种基于生成对抗网络的知识蒸馏数据增强算法。使用补丁对丢弃区域进行填补,减少区域丢弃产生的非信息噪声。在补丁生成网络中,保留生成对抗网络的编码器-解码器结构,利用编码器卷积层提取特征,通过解码器对特征图上采样生成补丁。在样本标签生成过程中,采用知识蒸馏算法中的教师-学生训练模式,按照交叉检验方式训练教师模型,根据教师模型生成的软标签对学生模型的训练进行指导,提高学生模型对特征的学习能力。实验结果表明,与区域丢弃算法相比,该算法在CIFAR-100、CIFAR-10数据集图像分类任务上的Top-1 Err、Top-5 Err分别降低3.1、0.8、0.5、0.6个百分点,在汽车转向器轴承数据集语义分割任务上的平均交并比和识别准确率分别提高2.8、2.3个百分点。