不平衡电网三相四开关变换器预测功率控制

为了提高三相四开关变换器并网电能质量,提出一种适用于不平衡电网条件的有限控制集模型预测直接功率控制策略。分析三相四开关变换器的工作机制和电压矢量变化关系,并建立其功率预测模型。使用αβ静止坐标系下的电网电压以及其90°延迟信号计算功率补偿值,设计价值函数,选择最优电压矢量对应的开关状态。该控制策略无需传统的正负序分离控制及锁相环技术,易于实现。仿真和试验结果表明,在不平衡电网条件下,所提出的控制策略能够有效降低并网电流畸变,消除功率波动,提高并网电能质量。     

基于RJ-MCMC的DS-CDMA信号扩频码与信息序列盲估计

针对非合作低信噪比环境下的DS-CDMA信号参数估计问题,在分析信号模型的基础上,提出一种基于可逆跳跃的马尔科夫链蒙特卡罗(RJ-MCMC)扩频序列和信息序列联合估计算法。该算法通过建立信号参数和用户个数的联合后验分布模型,迭代抽样得到待估分布的样本,并有效地在不同维数的子空间中跳转,从而构造一条马尔科夫链,使其平稳分布为待估参数的后验分布。仿真结果表明,该算法在功率相同和不同的条件下均能适应较低的信噪比,并且对不同的用户个数具有较强的适应性,同时算法的估计性能相对现有的方法也有很大的改善。     

基于门限服务的分布式卫星导航系统通信协议时延分析

分析了应用于铁路、内河水运等领域的分布式区域卫星导航系统通信协议时延。为保障中心站信息的及时传输,采用排队优先权站点门限服务轮询方式共享信道。通过内嵌马尔科夫链的方法,推导出了中心站和一般站的分组平均等待时延,仿真结果验证了理论分析的正确性。理论分析和仿真表明中心站平均等待时延远小于一般站时延,当一般站个数较多时尤其明显。
     

改进的基于隐马尔可夫模型的自适应IMM算法

针对机动目标跟踪中交互式多模型算法(IMM)的马尔可夫转移概率矩阵固定不变造成跟踪精度降低的问题,在已有的基于隐马尔科夫模型(HMM)的自适应IMM算法的基础上,对隐马尔可夫链的长度和Baum-Welch算法迭代次数的2个参数对该算法跟踪性能的影响,进行了深入研究分析,进一步明确了这2个参数选择的依据;并针对该算法在目标机动转换时峰值误差增大的问题,给出了2种修正方法,从而提出了改进的基于HMM的自适应IMM算法。最后,通过仿真分析了算法的参数和修正方法对跟踪性能的影响,并与传统IMM算法进行对比,证明了文章提出算法的有效性。     

GA寻优超精密加工表面粗糙度预测模型参数的研究

提出将遗传算法(GA)用于超精密切削表面粗糙度预测模型的参数寻优,并给出了金刚石刀具超精密切削铝合金的表面粗糙度预测数学模型,进行了遗传算法(GA)和最小二乘法的比较,结果表明遗传算法较最小二乘法更适合于粗糙度预测模型的参数寻优。     

舰船含腐蚀缺陷通海管路失效压力数值分析

为研究舰船通海管路腐蚀后失效压力预测问题,在DNV RP-F101准则的基础上设置模型系数,建立了管路预测模型,并通过数值分析修正模型系数.使用Abaqus软件分析管道爆破失效力学行为,研究缺陷形貌和腐蚀深度、腐蚀轴向长度对失效压力的影响.对比预测模型与数值分析可知,模型系数为YFEA=1.034时,预测模型可以较好地...     

民航运输生产的动态预测模型及其预测

如何最大限度地利用历史信息，低成本费用地建立高效精确的预测模型，这是在民航运输生产总量管理中亟需解决的课题。建立高精度的具有自学习功能的B－J动态预测模型是解决上述问题的方法。本文结合民航统计信息，研究和建立适宜民航运输生产的B－J模型，并且给出1997～2000年民航运输生产指标的预测。一、B－J模型B－J模型是由P阶自回归AR（P）、D队差分I（d）和Q阶移动平均MA（q）三种数据模型组合而成，亦称ARIMs（q，a，q）模型。这三种子模型的功能各不相同。AR模型是利用同一数列的前数期数据对数列的未来值作出预测，模型…     

基于认知过程的飞行员脑力负荷动态预测

现代军用飞机座舱驾驶系统信息高度密集、任务复杂多变。为探讨信息加工类型与多任务协同对飞行员脑力负荷的影响，依据ACT-R认知模块与脑力负荷决定性因素的关联性，将飞行员的脑力负荷划分为感知负荷与认知负荷，并基于四维多资源干扰理论，考虑多任务协同作用时的资源干扰对脑力负荷的影响，提出了基于认知过程的飞行员脑力负荷动态预测模型。为校验所提模型，选取16名被试完成4种模拟飞行任务的脑力负荷评价实验，结果显示：不同飞行任务在飞行绩效、NASA-TLX主观评价、平均扫视时间与扫视频率下的主效应显著（P<0.05），总脑力负荷预测值与NASA-TLX主观评价、扫视频率和心率呈显著正相关，平均脑力负荷预测值与飞行绩效、瞳孔直径和平均扫视时间呈显著正相关。所提模型对飞行员脑力负荷的动态预测与评价具有应用价值。     

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

基于改进组合机器学习的卫星遥测参数预测

对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容。预测卫星遥测参数序列的变化趋势，对卫星异常检测与处置、保障安全运行非常必要。针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题，本文引入对遥测参数的预测有辅助作用的因素作为协变量，提出了基于改进组合机器学习的预测模型。该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征，并采用改进的注意力机制捕获多维参数之间的关联关系，提高了预测精度。此模型可以提供点预测和区间预测的结果，为在轨卫星处置决策提供了更多输入。在科学卫星真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性。