基于混合遗传算法的开关磁阻电机模型参数辨识

将开关磁阻电机（SRM）的建模问题作为一类非线性约束优化问题进行参数辨识研究,对模拟退火遗传算法进行了改进,提出一种带有退火精确罚函数的自适应混合遗传算法（HGA）,给出了算法的具体实现方法．建立了基于DSPTMS320F2812的磁链特性检测系统,通过实验获取开关磁阻电机的磁化曲线族,利用改进的混合遗传算法在测得的实验数据基础上对电机模型进行参数辨识．基于辨识得到的模型,对电机在两种不同工况下的运行特性分别进行了研究,仿真结果与实验结果的对比验证了该方法的有效性和准确性．辨识得到的电机模型可以作为电机性能估计及优化控制的基础．     

开关磁阻电机自适应RBF神经网络控制方法研究

开关磁阻电机（switched reluctance motor,SRM）双凸极结构和磁路高度饱和使得电机磁链呈高度非线性,导致经典PID控制不能得到较高的控制精度。本文设计了基于自适应RBF(radial basis function)神经网络的SRM前馈 反馈控制器,对电机实行自适应控制。仿真结果表明,该方法能提高电机转速精度,降低转矩脉动,从而优化电机的运行性能。     

转矩分配策略在SRM中的应用及其优化

转矩脉动较大是开关磁阻电机(SRM)的主要缺点。为了减小转矩脉动,提高电机性能,将转矩分配策略应用到电机中。由于开关磁阻电机的非线性,在转矩分配策略中,传统PID控制器的效果受到了限制。考虑到神经网络对非线性系统的自学习和自适应能力,提出采用RBF神经网络PID控制器进行优化。仿真结果表明,转矩分配策略有效抑制了转矩脉动,优化后的转矩分配策略获得了更好的性能。     

开关磁阻电机运行噪声的研究

针对开关磁阻电动机运行的振动和噪声问题,在对开关磁阻电机非线性模型进行分析的基础上,将直接转矩控制方法应用到SRM的控制当中。仿真结果表明,该方法有效地抑制了SRM的转矩脉动,明显地降低了SRM的运行噪声。     

基于遗传-模糊算法的开关磁阻电机位置计算

采用智能方法实现开关磁阻电机的非线性建模及转子位置的精确估算．根据实验测得的开关磁阻电机定子电流、绕组电感和转子位置，得到开关磁阻电动机非线性特性．利用比特性得到模糊规则，实现开关磁阻电机的模糊建模；在此基础上，分别利用神经网络的学习和遗传算法全局优化算法，实现了精确和最优模糊建模．该方法可以实现转子位置的精确估计并具有一定鲁棒性和可靠性，可取代直接的位置传感器．利用智能建模可以避免非线性系统建模的复杂性．仿真结果证明了建模的有效性．     

开关磁阻电机的智能滑模控制

阐述了在利用有限元法计算开关磁阻电机（SRM）磁通、转矩的基础上，得出SRM的状态方程，并针对SRM定转子铁芯的双凸极结构、磁场分布严重非线性，采用常规的线性控制方法难以达到理想的控制效果这一现实，提出在常规滑模控制器的设计中引入模糊控制，构成智能滑模控制器，并着重介绍了智能滑模控制器的设计方法，给出了SRM的智能滑模控制系统的结构框图，仿真结果表明：开关磁阻电机的智能滑模变结构控制方法简单，有良好的动态性能，较好的鲁棒性。     

基于改进RBF神经网络的PID整定

针对非线性系统,采用了基于径向基函数（RBF）神经网络的PID整定。RBF神经网络参数的初始值直接影响收敛速度,本文通过聚类法优化初始值。仿真结果表明,基于聚类法优化的RBF神经网络收敛速度快,整定效果优于未使用该方法的整定结果。     

基于SRD的升降横移式立体车库运行可行性分析

针对现有立体车库运行效率不佳这一现状，对比分析变频调速与开关磁阻电机调速系统（SRD）的调速性能，提出在升降横移式立体车库中应用SRD，并以4 kW开关磁阻电机（SRM）为例，将现有立体车库运行速度提升1．5倍，利用Matlab Simulink进行仿真。仿真结果表明电机响应时间快，调速性能好，符合立体车库发展趋势。根据仿真结果指出，在后期工作中应注意电机控制策略的优化，减少转矩波动，使车库在实际运行中更加快速平稳。     

一种4/2极开关磁阻电机非线性建模与仿真

提出一种4/2极开关磁阻电机的数学建模与仿真,通过对开关磁阻电机的电动方程、机械运动方程等分析研究,应用PID控制方法以及借助Simulink中的LUT预失真模块,构建了一个完整的4/2极开关磁阻电机的仿真模型.这种仿真模型即避免了开关磁阻电机线性仿真不精确的缺点,又具有非线性开关磁阻电机的仿真速度快,结果精确的优点.同时PID控制器使得4/2极开关磁阻电机启动及运行更平滑.     

基于Matlab的开关磁阻电动机驱动系统非线性建模仿真

在分析开关磁阻电动机数学模型的基础上 ,借助于Matlab/Simulink建立了电流滞环控制、功率变换器、转子位置角计算等模块 ,将这些模块有机结合 ,搭建出了电流斩波控制方式下的开关磁阻电机驱动系统的非线性仿真模型 .据此模型 ,针对一台四相 8/6结构样机进行了仿真 ,仿真结果证明了该模型的有效性 .该模型为分析和设计SRM控制系统提供了一种有效的工具 .     

优化的小波神经网在异常检测中的应用研究

本文首先介绍了遗传算法的基本原理和KDD99数据集,而后运用遗传算法,PSO算法以及QPSO算法分别对小波神经网络进行优化构建各自的模型,最后通过在KDD99数据集上分别进行各个模型的仿真实验,得出QPSO进化算法的效果明显优于另外两种算法。     

基于改进免疫算法的两级径向基函数网络学习方法

结合改进的免疫算法和最小二乘法，提出了一种设计径向基函数(RBF)网络的两级学习方法。该方法利用免疫算法确定RBF网络隐层的非线性参数，能够有效克服进化算法的未成熟收敛现象。改进的免疫算法针对RBF网络的特点，采用基于矢量距离的亲和度计算方法，克服了原有基于信息熵计算方法存在的计算复杂、参数难于确定的缺陷。将这种方法设计的RBF网络用于Mackey-Glass混沌序列预测的仿真实验证明了该方法的有效性。     

基于改进的RBF神经网络的配电网故障诊断模型

结合梯度下降算法和进化算法对RBF神经网络进行改进,建立了基于改进的RBF神经网络的配电网故障诊断模型.配电网故障诊断实例表明,基于改进的RBF神经网络的配网故障诊断模型具有较高的诊断精度.     

一种基于量子粒子群算法的模糊c-均值聚类

把QPSO算法与模糊c-均值（FCM）算法相结合提出一种混合模糊聚类算法（QPSO—FCM）,将FCM算法中基于梯度下降的迭代过程用新算法进行替代,能够在一定程度上克服FCM算法易陷入局部极小的缺陷,降低FCM算法的初值敏感度．通过典型的Wine的数据实验结果证明,改进后的新算法具有良好的收敛性,聚类效果也有一定的改善．     

利用RBF网络设计类PID控制器新方法

提出一种利用RBF网络设计PID控制器的优化方法，将进化计算与PID控制器及RBF网络的优点结合在一起，对传统进化方法进行改进，将小生境技术引入算法，有效地克服了早熟收敛，简化了计算，仿真实验验证了方法的有效性．     

混沌序列PSO-RBFNN耦合模型在滑坡监测中的应用-杨虎

滑坡位移系统的发展演化受到多种不确定性因素的影响,可能存在非线性特征。而同时包含了确定性和非确定性分析的混沌理论,能有效阐释滑坡位移序列的复杂的非线性过程。因此本文首先对滑坡位移序列进行混沌分析,揭示其内在演化机理;在相空间重构的基础上,再采用拟合和泛化能力较好的径向基网络（RBFNN）对其位移值进行实时动态预测,针对RBF网络存在参数选取困难的问题,运用粒子群算法（PSO）对RBF网络的参数进行优选。提出了基于混沌理论的PSO-RBFNN滑坡位移预测模型。经过实例验证,并与粒子群优化的BP神经网络（PSO-BP）和单独RBF网络进行对比,表明滑坡位移序列确实存在混沌特性且PSO-RBFNN模型预测精度更高、效果更好。     

一种双隐层RBF神经网络的算法研究

针对RBF神经网络的结构和学习算法的缺点,提出了一种双隐层RBF神经网络(DRBF)模型,并结合网络结构的动态更新策略对网络结构进行实时更新,以梯度下降法对网络参数进行修正,即确保了网络结构的最简化,提高了网络的逼近精度和泛化能力,同时也加快了网络的训练速度.将本算法和传统RBF神经网络算法应用于非线性逼近和电信企业客户流失分类进行性能比较,实验仿真结果证明了本算法的有效性和高效性.     

开关磁阻电机的非线性电感参数法仿真分析

开关磁阻电机的非线性使得其性能的精确分析和计算较为困难,本文采用非线性电感参数法对开关磁阻电机进行建模分析,根据电机相绕组最大电感处电值及最小电感值得出电机相电感族,并用Fourier级数对开关磁阻电机的电感典线进行拟合,在此基础上进行了电路计算,与非线性磁参数法相比,非线性电感参数法减少了开关磁阻电机分析及计算的工作量,可以对开关磁阻电机电动运行,发电运行进行有效的分析,试验结果表明,非线性电感参数法具良好的计算精度。     

RBF-AR模型在三峡水电站上网日电量预测中的应用

针对水电站上网日电量数据的非线性特征,采用状态相依自回归(state-dependent autoregressive,SD-AR)模型对数据进行描述。用高斯径向基函数(radial basis function,RBF)神经网络来逼近SD-AR模型的函数型系数,采用一种结构化非线性参数优化方法 (structured nonlinear parameter optimization method,SNPOM)来离线辨识RBF-AR模型系数,并利用此模型对数据进行预测。通过对三峡左岸和右岸水电站上网日电量真实数据进行训练和测试,并与其他经典算法进行比较,验证了RBF-AR模型在不确定条件下的预测准确性和可行性。     

一种基于蚁群聚类的径向基神经网络

提出了一种基于蚁群聚类算法的径向基神经网络．利用蚁群算法的并行寻优特征和挥发系数方法的自适应更改信息量的能力，并以球面聚类的方式确定了径向基神经网络中基函数的位置，同时通过比较隐层神经元的相似性、合并相似性较为接近的2个神经元来约简隐含层的神经元，以达到简化径向基神经网络结构的目的．实验比较了几种不同聚类算法的径向基神经网络，结果表明，所提神经网络的整体训练时间至少可缩短40％，学习的准确率可提高1%以上，而且网络结构更加精简．