工业锅炉燃烧效率的智能寻优

提出一种改进燃烧效率的智能算法，它以人工知识注入为基础，以记忆现场操作经验为起点，通过自学习而实现综合优化，可以保证生产过程不仅安全可靠而且经济合理，取得显著的节能效果。     

热工监控系统中多智能体协调控制的设计

在热工控制过程銎我智能体控制体系,硬件上实现化配置,可扩充,适用于性好,兼容性强,软件上将建立和管理复杂 的工作分解,以及智能体间的交互方式的统一规范,以达到安全可行经济合理的生产。     

电力锅炉燃烧控制的一种优化算法

提出一种在电力锅炉燃烧控制上可方便采用的一种寻优算法－稳态步进寻优法，这是一种 的智能控制算法，实践表明，采用此法不但保证了生产的安全稳定，而且经济合理，节能效果显著，十分适合我国国情，有广阔的推广前景。     

PID控制算法的二维研究

从计算机应用的角度对经典ＰＩＤ控制算法做了细致剖析与变形处理，着重对偏差与偏差变化率进行二维思考，提出了智能多模态ＰＩＤ控制算法，改进的算法简单，实用，尤其对大滞后与大时间常数的系统，可显著改善动、静态特性。     

一种针对时滞系统的改进智能轨迹导引控制算法

针对在控制大时滞系统时,智能轨迹导引控制(ITGC)算法在偏差选取上的不足,引起系统调节时间过长以及抗扰性不佳的问题,提出了一种改进智能轨迹导引控制(改进ITGC)算法。根据引入的参考模型和估计滞后,可得规划导引与无时滞参考模型间的偏差D_A以及有时滞给定与实际被控对象间的偏差D_B,以D_A和D_B的加权线性组合纠正系统的响应。分别运用MATLAB和一体化试验箱进行验证。结果表明改进算法在控制大时滞对象时兼具系统的响应速度和抗扰性能优势,且模型失配时,算法依然有效。改进ITGC算法为控制大时滞系统增加了解决途径。     

智能轨迹导引控制算法在电加热炉温度控制中的应用

针对电加热炉的温度恒定需求,分析系统加热的数学模型和温度变化的滞后特性,改进的控制策略为:ITGC(intelligent track guiding control)——智能轨迹导引控制算法。在Matlab/Simulink仿真环境中,比较分析使用常规PID和此控制策略的温度响应特性。真结果表明,后者具有响应快、控制精度高、无振荡、超调量小的优点。将其应用于实际系统中,实验结论为,此策略能克服温度的大时滞、非线性变化,使得温度有效控制在(500±2)℃;其响应速度、控制精度均优于常规PID,而且系统设计方法简单,能方便地用于实际工业控制中。     

混合MIMO-相控阵雷达目标高分辨成像

为了兼顾相控阵雷达成像和多输入多输出雷达成像的优势，提出一种基于混合MIMO-相控阵技术的多目标高分辨成像方法。将传统MIMO雷达中的每个单阵元发射天线都用一个工作在混合MIMO-相控阵模式的发射阵列（TA）来代替，每个TA根据目标数量和目标方向划分为多个子阵（SA），每个SA内部阵元工作于相控阵模式并形成指向某个方向目标的发射波束，而各个SA之间发射彼此正交的波形，从而工作在MIMO模式。对各SA的回波信号进行波束形成处理以获得更高的信噪比和信干比增益。在此基础上，结合字典优化、正交匹配追踪和参数化稀疏表征方法，分别提出单次快拍高分辨成像和多次快拍高分辨成像方法。仿真结果表明:所提方法能够获得更好的成像性能和成像实时性。     

基于模块化神经网络的船舶航迹航速预测

为提高船舶航迹航速预测精度,提出一种模块化神经网络MNN(modular neural network)船舶航迹航速预测方法。首先,利用归一化互信息与专家知识确定预测目标的辅助变量从而分解任务;然后,将RBF(radial basis function)神经网络和Elman神经网络用于子网络搭建,使用减法聚类算法确定初始子网络结构,在此基础上提出误差反馈方法将RBF神经网络训练的最大误差所对应的样本作为隐含层新增神经元并通过粒子群算法PSO(particle swarm optimization)优化RBF神经网络学习参数,运用性能函数动态调整Elman神经网络隐含层神经元数目以此构造模块化神经网络对目标进行预测;最后,实验结果表明模块化神经网络预测精度与网络结构均优于传统BP与RBF神经网络,证明了所提方法的有效性。     

基于U-Net的涡旋电磁波雷达成像方法

基于轨道角动量模态变量与目标方位角变量的近似对偶关系,涡旋电磁波雷达可以实现对静止目标的二维高分辨成像,然而目标回波中的贝塞尔函数项会严重影响方位角向聚焦性能。现有基于逆投影算法的贝塞尔函数补偿方法计算量很大,难以实际应用。针对上述问题,提出一种利用U-Net卷积神经网络抑制贝塞尔函数影响、实现涡旋电磁波雷达高分辨成像的方法。首先,根据雷达目标散射分布的稀疏特性对U-Net网络进行改进,然后对目标回波信号进行二维快速傅里叶变换预处理得到目标散焦图像,将其作为改进U-Net网络的输入,并将目标理想电磁散射模型作为网络输出对网络进行监督训练。最后,基于未知目标回波信号,将预处理后的目标散焦图像输入到训练完备的网络模型中,即可得到聚焦良好的高分辨成像结果。仿真实验证明,该成像方法能够有效提高目标成像聚焦性能,且该网络模型在噪声存在的情况下仍具有较好的泛化能力。