同步电机参数在线小扰动辨识技术研究

针对目前同步电机参数辨识方法存在的对输入扰动信号要求严、不能计及非线性因素等缺陷,对同步电机参数在线小扰动辨识技术进行了研究.构建了同步电机参数在线采集系统,建立了同步电机的恰当电路模型和状态方程,采用最大似然估计法在轻载和低励磁状态下辨识电机的线性参数,然后在磁路饱和状态下对饱和参数进行辨识修正,最后在大扰动的情况下,对参数和模型进行检验、修正.仿真计算结果与实测数据吻合较好,证明了文中所提出的同步电机参数辨识技术的有效性.     

模糊逻辑系统在船舶风险评估中的应用

为了合理进行船舶风险评估,提出了一种基于模糊逻辑系统的船舶风险评估方法.根据模糊逻辑系统的基本原理,建立了船舶风险评估的模糊逻辑模型;按照国家标准、规范,并结合经验建立了风险指标的模糊集合、风险矩阵及模糊规则,然后进行了模糊推理,得到了系统的风险等级,并制定了预防风险的措施.以某艇消防系统的风险评估为例,证明了其能够合理地评估出系统的风险,可为决策提供参考.     

基于小波神经网络的蒸汽发生器水位辨识与控制仿真

提出一种基于小波神经网络的控制方法,对蒸汽发生器水位进行控制仿真.该方法利用小波神经网络作为控制系统的辨识器和控制器来构成控制系统.小波神经网络辨识器能更准确逼近非线性对象,小波神经网络控制器能自适应产生最佳的控制规律.仿真结果表明,该方案具有响应快、超调量小、较强抑制干扰能力等良好性能.     

战时装备调配保障决策模型构建研究

分析了战时装备调配保障决策的特点,运用模糊聚类分析法对装备调配保障对象进行了分组和优先级排序,以此为基础,运用目标规划法构建了战时装备调配保障决策模型,最后,通过实例验证了模型的可行性和有效性．     

模糊推理在软件维护性评估和预测中的应用

摘要：在基于活动的质量模型维护性分析方法基础上,对贝叶斯方法进行了扩展,将模糊推理技术与现有的贝叶斯方法进行比较,开发了一个基于模糊推理的系统来对软件维护性进行量化评估和预测,描述了模糊技术在维护性评估和预测准确度方面的优势．     

基于改进半监督FCM聚类的复合材料超声检测脱粘缺陷识别

针对径向基（RBF）神经网络在进行超声检测脱粘缺陷识别时存在参数选择不确定、网络结构鲁棒性差等问题,提出一种改进的自适应半监督模糊C均值聚类（FCM）的RBF神经网络的方法,将kw近邻估计法和半监督模糊C均值聚类方法相结合,改进了隶属度函数,自适应确定聚类数目。将改进的RBF神经网络应用于超声检测脱粘缺陷识别,实验结果表明：与传统RBF神经网络相比,本方法减弱了孤立样本对网络结构的影响,增强了网络结构的鲁棒性,提高了脱粘缺陷识别的准确率,是一种较好的超声检测脱粘缺陷识别分类方法．     

弹性高超声速飞行器自适应极点配置控制

本文针对乘波体外形的高超声速飞行器存在的结构/推进/气动强耦合特性,利用鲁棒极点配置方法设计了自适应控制器,实现了对高超声速飞行器的速度和高度指令跟踪控制。控制器采用了Proportional-Integral-Filter(PIF)结构,该结构的控制器不仅能够使系统具备良好的稳态特性而且能够对控制信号进行滤波平滑,从而能够有效地抑制高超声速飞行器的弹性振动对控制系统的影响。基于弹性高超声速飞行器模型CSUAL_GHV,分别采用自适应鲁棒极点配置控制方法和自适应非鲁棒极点配置控制方法进行了数值仿真。结果表明,与非鲁棒极点配置控制方法相比,采用自适应鲁棒极点配置控制方法的控制系统不仅使飞行器能够很快地跟踪上速度和高度指令,跟踪误差小于1%,而且高超声速飞行器的弹性振动也得到了有效地抑制。飞行器在整个飞行过程中的飞行攻角均处于±2°范围内,满足超燃冲压发动机的工作要求。     

基于ARMA辨识的色噪系统状态参数鲁棒估计

实际环境中观测系统的噪声,同时存在着白噪、色噪声和尖点噪声的影响.已有的研究都仅考虑白噪或色噪声,首次将实际系统中可能出现的所有噪声纳入观测方程,推导出统一的带白噪形式的观测方程.新观测方程在色噪声ARMA辨识基础上,可以直接用于传统的卡尔曼滤波算法,避免了扩维滤波.于是状态参数的稳健估计归结为ARMA参数的辨识.重点研究了自由参数选取与输入噪声之间的关系,将鲁棒支持向量回归机的优化问题转换成最大后验估计问题,为合理选择自由参数提供了理论依据.仿真结果验证了新算法的有效性.     

基于WSN的目标探测与分类算法

针对WSN监测系统的目标检测与分类问题,提出一种基于直觉模糊推理(IFR)的多源数据融合方法。由模糊推理的思想,设计各状态变量的属性函数。根据目标声强变化和引起的地磁场变化的模型,设计模糊推理规则,并检验了所建规则的合理性。理论分析与仿真结果的对比表明算法能准确地对目标进行分类,且运算量小,适用于计算能力较弱的WSN节点。     

数据与知识双驱动的备件需求模糊预测模型

针对知识驱动型需求预测模型所需的专家知识稀缺、数据驱动型需求预测模型可解释性不足的问题,提出了数据与知识双驱动的备件需求模糊预测模型。该模型基于模糊聚类算法将数值型数据聚类为结构简单、可解释性强的规则库,运用模糊逻辑将领域专家知识表示为Mamdani型规则库。在此基础上,引入了一种新型智能计算理论——模糊网络理论对两类规则库进行合并运算,形成初始预测模型。采用遗传算法优化模型规则库的模糊集参数来提高模型预测准确性。通过与模糊聚类算法进行对比,提出的模型在可解释性以及准确性指标上均具有优势。