小脑神经网络反馈学习控制系统

小脑模型神经网络（ＣＭＡＣ）用作前馈控制器的结构对于含有丰富状态的轨迹跟踪问题，如机器人轨迹跟踪问题有较好的控制效果，但它对于参考值为方波或阶跃信号的跟踪问题却不太适合．为此，提出ＣＭＡＣ网络反馈控制器的方案，该方案克服了ＣＭＡＣ局部联想特性和前馈控制结构所固有的缺陷，对较恒定的设定值跟踪和抑制噪声都有较好的效果．最后，仿真实例说明了所提方案的有效性．     

感应电动机矢量变换控制的鲁棒性分析和参数自适应实现

采用矢量控制的感应电动机,其控制性能与它激直流电机类似,用这种控制方法,电机的转矩电流分量和磁通电流分量可实现解耦控制。本文讨论矢量控制系统的鲁棒性。针对前馈矢量控制系统中由于电机参数与速度检测小误差造成磁场定向错误,提出了一种新的自适应校正策略,该策略采用PRBS在线辨识技术,算法简单,不需要额外的传感器。最后给出了系统实现及实验结果。     

基于深度神经网络的中期电力负荷预测

电力负荷预测的精确度对于电厂的实际发电量、配电、系统维护以及与电价相关的能源供应商运营计划等都有着极大地影响;研究了前馈深度神经网络和递归深度神经网络在中期电力负荷预测中的应用及其准确性和计算能力分析;首先,针对收集的原始数据集进行预处理,提出了一种时域-频域分析特征提取方法,该方法可以充分地挖掘隐藏在原始数据集中的深层信息;然后利用前馈深度神经网络和递归深度神经网络模型进行中期电力负荷预测;最后,利用某城市5年期间的实际负荷数据,预测未来1年中不同季节的负荷;通过仿真结果表明:时域-频域分析法和深度神经网络协同使用于中期负荷预测具有更高的准确性。     

高温下钢筋混凝土梁-柱节点的力学性能演化机制

为研究钢筋混凝土框架梁?柱节点的火灾行为及其相互约束作用随温度的变化规律,开展了荷载?高温耦合作用下的钢筋混凝土框架梁升降温全过程的结构试验。在试验的基础上采用VULCAN程序进行了恒定荷载作用下框架梁单独受高温、梁?柱同时受高温,梁?柱节点弯矩?转角关系的火灾响应数值分析。结果表明,钢筋混凝土框架梁?柱节点的转动约束强度随温度的升高而降低,梁?柱节点转角峰值相较于弯矩峰值具有滞后效应。     

基于编码器-解码器结构的路面平整度预测

提出了基于编码器?解码器结构的路面平整度预测模型。对比分析了不同网络层的表现,并比较了网络层个数、隐藏节点数、数据时间窗口对模型精度的影响。在美国交通部公开的LTPP（long-term pavement performance）数据库的基础上构建了国际平整度指数（IRI）数据集,并对模型进行了训练和评估。结果表明：采用门控循环单元（GRU）网络层的编码器?解码器结构的预测性能最好,优于经典的机器学习模型XGBoost和单独长短期记忆（LSTM）网络。通过特征随机打乱的方式对不同输入特征的重要性进行了评估,结果显示路面结构和温度对于路面平整度预测比较重要,在数据库建设时应注意对这些数据的收集。     

基于前馈解耦的多电平静止无功发生器控制

传统无功补偿装置存在损耗大、输出电压低等缺点,难以满足现代电力系统电网电压等级和容量要求,通过建立系统的数学模型,设计了级联H桥多电平静止无功发生器.针对系统强耦合性的特点,内环采用基于前馈解耦的PI控制,外环应用PI控制.仿真结果表明:所提出的控制策略具有动态响应速度快、稳态精度高、补偿效果好等优点.     

断面车路通讯环境下的恒速车流运行模型

从流量角度,在假设车速恒定的基础上建立了车流运行模型,并以该模型预测和实际到达的流量分布之间的最大流量区间变异系数为评价指标,分析了路段上游数据收集断面位置、路段长度、交通流量和不同转向车流对预测效果的影响.与静态匀速模型的对比分析结果表明:数据收集断面位置和路段长度对模型的预测效果影响很小,且不同交通流量和转向车流情况下模型预测存在一定规律性.最后结合实际调查数据,证实了模型的有效性.     

动态无功补偿的三相均荷控制

从Ｓｔｅｉｍａｔｚ出发，给出动态无功补偿均荷控制网络的数学模型，并讨论其工程实现。     

一种新的基于目标反传的前馈式神经网络训练算法

提出了一种基于目标反传的前馈式神经网络训练算法,该算法将网络的目标输出信息反传到网络的每一个隐层上,于是将神经网络的训练问题转化为求解一系列线性方程组和线性不等式组的问题,数值实验结果表明本文提出的方法与传统的BP算法相比提高了网络的训练速度.