基于属性加权频率算子的属性约简算法

定义了属性加权频率算子的概念,并在此基础上提出一种新的属性约简算法,理论分析和实验结果表明,该算法可以确保得到决策表的一个约简,并能提高算法的效率。同时引入强等价集,很好地解决了属性加权频率值相同的问题。     

加权-对称超松弛迭代法

结合逐次超松弛迭代法（SOR）和对称超松弛迭代法（SSOR）的基本思想,给出了一类求解大型线性方程组的新迭代法：加权．对称超松弛迭代算法（WSSOR）,并在数值计算中给出了加权因子和松弛参数的最佳范围,实验表明新算法的收敛速度快、精确度高。     

基于预测强度的变量自动加权K-Means算法的研究与应用

为了克服传统K-Means算法k值不能确定问题和不具备变量自动选择能力,将预测强度和变量自动加权K-Means算法相结合,提出基于预测强度的变量自动加权K-Means算法。预测强度表示聚类模型对未知数据的预测能力,预测能力越强,则聚类结果越佳,主要用于k值的确定;变量自动加权K-Means算法具有在聚类过程中自动调整变量权重的能力,对于噪声变量和冗余变量削弱其对距离的贡献,使聚类结果反映最真实的聚类结构。实验表明,算法具有较强的分类能力和预测能力。     

一种基于EKF的WSN目标跟踪改进算法

在目标跟踪领域,无线传感器网络有着广泛的应用。针对EKF算法非线性目标跟踪中存在的问题,在EKF算法的基础上引入RSSI测距加权质心算法,从而提出了一种新的非线性目标跟踪算法,将节点的观测值与RSSI测距加权质心算法对目标的定位值有效的结合运用于EKF算法中,有效地提高了目标跟踪的精度,减小了跟踪误差。通过算法仿真可知,与几种定位算法及非线性滤波算法相比,改进算法在各方面均取得了良好的效果,并且具有较高的实时性。     

一种基于加权概念格的分类规则提取算法

加权概念格是针对属性的重要程度,通过引入内涵权值而形成的一种格结构。采用加权概念格作为分类规则提取工具,通过引入加权外延支持度,给出了一种新的分类规则的提取算法CRAAF-WCL。最后,利用恒星光谱数据作为形式背景,实验验证了该算法具有较高的分类效果。     

动态反馈的异构集群负载均衡算法的实现

虚拟服务技术(LVS)的集群负载调度系统中的加权调度算法权值是静态的,没有动态调整机制,不能依据真实服务器处理能力进行动态的任务分配;给出了一种通过量化调度器和真实服务器的实时反馈负载信息指标,采用服务器负载率和分配权值为计算指标,引入临界回归因子,利用动态反馈临界加速回归的算法思想,实现基于动态反馈机制的动态反馈临界加速回归分配算法。该算法能根据负载均衡调度器和业务处理服务器的实时反馈信息,及时进行负载调度,实现负载动态平衡,进一步提高服务器的利用效率和集群系统的吞吐率,并在LVS的负载平衡调度集群系统中进行了应用性的实验验证。测试结果表明,该算法可实时反馈负载信息,动态进行负载调度,整体上较好的实现了负载动态平衡,提高了服务器的利用效率和集群系统的吞吐率。     

适用于加权样本集处理的加权支持向量机方法

为了处理模式识别问题中具有加权信息的样本集,提出一种加权支持向量机(weighted support vector machine,WSVM)算法,并对算法进行了理论分析.通过引入样本与超平面加权距离的概念,使得WSVM算法可以对样本的权值信息进行有效处理.针对未明确给出权值分布的样本集,提出一种基于类间中心距离确定权值的经验方法,对加权支持向量机算法采用交叉验证技术在人工及真实数据上进行了仿真,结果表明,加权支持向量机比标准支持向量机具有更小的误识率和更好的稳定性.     

基于多传感器抗差融合的UKF弹道跟踪算法

弹道跟踪测量过程中,由于环境的复杂性和测量机制自身的问题,测量数据不可避免存在异常值等.传统的加权观测融合估计算法往往直接对来自各个传感器的测量数据进行处理,忽略了数据质量问题对滤波精度的影响.为解决此问题,在加权观测融合算法的基础上引入抗差估计理论,根据观测融合值与融合预测值,计算测量融合残差向量、抗差权重因子和融合观测向量等价协方差阵,实现了异常值的实时分离与修正,解决了融合过程中由于测量数据存在污染导致弹道数据处理精度下降的问题.同时引入平方根滤波思想,避免了常规UKF中误差协方差矩阵非正值引起的滤波散度问题.仿真结果表明该算法估计精度高,计算负担小,能有效地减小测量误差对弹道定轨精度的影响.     

预条件(I+S)后改进矩阵分裂的SOR迭代法收敛性分析

目的在预条件后运用SOR迭代法求解大型线性方程组Ax=b,以加快迭代法的收敛性。方法结合矩阵分裂理论及比较定理,引入参数α,给出预条件后一种改进的矩阵分裂形式,使矩阵分裂更加一般化。结果与结论说明这种方法不仅能加速SOR迭代法的收敛性,而且优于常见的SOR方法,并且给出参数的最优选取,为算法设计提供帮助。     

模糊权值网络最小生成树问题研究

针对边权值为梯形模糊数的模糊权值网络,提出一种求解该网络最小生成树问题的新算法.该算法首先基于梯形模糊结构元加权排序思想,将梯形模糊数转化为其加权特征数进行排序;然后利用经典的Dijkstra算法求解转化为边权值确定的网络的最小生成树问题,即得该模糊权值网络的最小生成树;最后对算法的复杂度进行分析,并通过算例验证了算法的有效性.     

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

电动汽车动力电池健康状态在线估算方法

针对电动汽车动力电池SOH(state of health)的估算问题,提出一种可以在线运行的有效估算方法.其优势在于仅依托电池管理系统实时测量电压、电流等数据,无需离线电池寿命衰退曲线及电池的初始状态,因此更符合电动汽车对于SOH估算问题的实际需求.在电池恒流充电模式下,以Thevenin及OCV-SOC模型为基础,构建以时间和SOH为隐变量的电池模型.基于此电池模型,提出利用NLS(nonlinear least square)初始化GA搜索范围的快速求解算法进行在线参数辨识,得到电动汽车实时的SOH估计值.验证结果表明SOH估计算法具有较好的实用性及较高的估算精度.     

电池充电状态和电压/温度异常联合故障诊断

电池安全问题是阻碍新能源汽车退役电池梯次再利用的关键因素,而电荷状态、电压和温度是判断电池安全状态的重要参数。基于此,提出基于实车数据的电池联合故障诊断。首先从实车数据平台获取数据,经过数据的预处理和螳螂算法优化K近邻(dung beetle optimizes K-nearest neighbor, DBO-KNN)算法进行特征提取,然后将提取的特征输入到建立的差分整合移动平均自回归(autoregressive integrated moving average model, ARIMA)故障诊断模型中,实现对电池单体的低压和过压的实时诊断和精准定位,最后通过电压、电池荷电状态(state of charge, SOC)和温度进行联合判断是否有触发热失控的风险,根据危险程度发出不同的报警等级。算例分析了故障特征提取准确率高达98.97%,不仅能精准定位单体发生异常的位置,还能提前9 s发生报警,有效预防了电池发生热失控的风险,验证了本文方法的有效性。实现了工程实际应用方面的较好效果,为未来动力电池梯次循环利用以及安全预警平台的研发奠定了基础。     

一种新的静态优先级在线节能调度算法

合理运用动态电压调整技术可有效降低嵌入式实时系统能耗.针对静态优先级实时调度,提出了一种能够有效分析松弛时间并尽可能平衡分配松弛时间的在线节能调度算法TPSRM.设计了一种两段式频率执行策略来改变任务执行时间的分配,能充分在线分析各种形式的松弛时间.通过尽可能合理降低高优先级任务的处理器执行频率来实现有效的在线频率调整.实验结果表明TPSRM算法可实现较好的节能效果.     

基于BCRLS-AEKF的锂离子电池荷电状态估计及硬件在环验证

研究有色噪声下的锂离子电池参数辨识与荷电状态（SOC）估计,并进行硬件在环实验验证.在动力电池模型的参数辨识过程中,利用带遗忘因子的偏差补偿递推最小二乘法进行偏差补偿,提高了有色噪声数据的参数辨识精度.在此基础上,利用自适应扩展卡尔曼算法进行SOC估计,使得滤波算法中的估计结果可以随着噪声统计特性的变化而自适应更新,实现了模型参数和电池状态的联合估计.最后,借助BMS测试系统模拟电池电压电流信息输出,完成了硬件在环实验以验证所提出的方法.实验结果表明,利用所提出算法估计得到的电池端电压和SOC误差分别小于10 mV和0.5%.      

三相静止无功发生器并网抑制冲击及直流侧纹波的控制算法策略

针对三相电压型的静止无功发生器(static var generator,SVG)并入电网时,直流侧电压存在着启动瞬时超调量过大,造成电容电抗等器件损害和保护装置的动作误差。在传统预充电阻+PI控制基础之上,直流侧电压采用一种Bang-Bang和模糊PI组合的控制算法,并运用了模糊规则多模切换控制器去确定阈值的切换值,最后在软件MATLAB/Simulink及实验样机(60 kVA)上进行分析与验证。发现直流侧的电容电压从零上升到期望值的静差率和超调量变小、且稳定后的纹波波动率也减小。结果表明了该组合控制算法优于传统预充电阻+PI控制策略的优点,具有良好的工程应用价值前景。     

等效滞回模型在锂离子电池SOC估计中的应用

锂离子电池荷电状态的快速准确估计是电池管理系统的关键技术之一.针对锂离子电池这一动态非线性系统,通过测试分析锂离子电池的滞回特性,建立了锂离子电池的二阶RC滞回模型,并利用容积卡尔曼滤波算法对电池荷电状态进行估算.实验结果表明,该模型能较好地体现电池的动态滞回特性,而且容积卡尔曼滤波算法在估算过程中能保持较高的精度.     

基于最小二乘法的锂离子电池参数辨识方法研究

目的 针对使用戴维南等效电路模型对锂电池进行参数辨识不够精确的问题,提出一种二阶 RC 等效电路模 型并对锂电池进行参数辨识。 方法 通过脉冲放电实验得到锂电池的相关数据,在 MATLAB 上使用最小二乘算法 对所建立的二阶 RC 等效电路进行参数辨识,并对不同 SOC(State of Charge)下锂电池各个参数的变化情况进行分 析,通过计算锂电池的端电压来判断参数辨识的精确度,最后将辨识结果与戴维南等效电路模型所辨识的结果进 行对比并分析。 结果 随着锂电池 SOC 下降,锂电池的各个参数会有轻微的波动,在锂电池的 SOC 处在较低的水平 时,锂电池的各个参数变化比较剧烈,这是由于锂电池的化学浓差极化所导致的,当将辨识的参数用来求解锂电池 的端电压时,随着时间的推移,发现锂电池的端电压的误差波动比较稳定,且最大误差不超过 0. 05 V,反观使用戴 维南等效电路模型求得锂电池的端电压误差波动比较大,且最大误差超过了 0. 08 V。 结论 在锂电池参数辨识上 二阶 RC 等效电路比戴维南等效电路更加准确,能够更好地描述锂电池的动静态特性,为后续对锂电池的荷电状 态估计提供了有力的基础。     

Slack-nibbling battery-aware task scheduling

Dynamic voltage scaling (DVS) is an efficient approach to maximize the battery life of portable devices. A novel overall planning strategy (OPS II) balancing slack supply and demand for DVS is proposed. An OPS II-based slack-nibbling overall planning strategy (SNOPS) algorithm is also proposed, which iteratively nibbles slacks for appropriate tasks selected by an overall planning dynamic priority function to perform DVS until the slack is exhausted and an optimum voltage setting is obtained. For a high-load task set, SNOPS manages to recover battery overload while maintaining schedulability. For random variable-load task sets, SNOPS achieves a saving of 29.51% battery capacity on average, the suboptimal gap is 27.84% narrower than that of our previously proposed OPS-based algorithm, and 92.10% narrower than that of the algorithm proposed by Chowdhury et al. Results indicate that OPS II manages to save battery to various extents while maintaining schedulability, and demonstrates good load compatibility and close-to-optimal performance on average. Biography: GAO Xun(1981–), male, Ph.D. candidate, research direction: embedded system, power optimization.