基于数据挖掘的铁水硅质量分数SVM预测方法

提出了一种基于蚁群聚类算法数据挖掘预处理的支持向量机(SVM)预测方法.利用其在处理大数据量、消除冗余信息等方面的独特优势,寻找与预测炉况同等的多个历史铁水硅质量分数,由此组成具有高度相似炉况特征的数据序列,将此数据序列作为SVM的训练数据.这种处理方法可减少数据量,提高预测的速度和精度.将该系统应用于铁水硅质量分数预测中,与单纯的SVM方法相比,具有较高的预测精度.     

机械式自动变速器的换挡控制

机械式自动变速器为非动力换挡,换挡品质是AMT换挡控制的关键.分析了换挡过程的控制策略对换挡品质的影响.在恢复动力过程中,离合器在同步时刻主从动盘转速差的变化率与车辆加速度的突变量成正比.车辆加速度变化较大时会引起使乘员感到不舒适的车辆冲击和振荡.笔者提出了通过发动机和离合器的协调控制使同步时刻离合器主从动盘转速差的变化率小于设定范围的控制策略.道路试验表明,该控制策略改善了换挡品质.     

图像处理中的圆分析算法

快速而准确地检测圆在计算机视觉、自动化检测领域有着广泛的应用前景.传统的Hough变换有计算量大、占用内存多、提取的参数受参数空间的量化间隔制约等缺陷,针对在简单图像中检测圆时的实时性要求,提出了一种新的圆检测方法.该方法在图像无相交的情况下,先对图像进行二值化处理,然后对其进行边缘检测,取得图像的边缘链码,在这基础上对图像的圆形度,圆半径等圆的基本要素进行分析计算.该方法计算速度快、占用的内存小,检测性能比较高.     

汽车起步过程的离合器控制

机械式自动变速器是对使用手动齿轮变速箱和干式摩擦离合器的传统动力传动系统进行改造,实现操作自动化而形成的一种机电一体化装置.汽车起步过程的离合器控制按照快-慢-快3个阶段进行.离合器滑磨阶段的控制是解决问题的关键.从实际应用角度出发,深入分析了汽车起步过程中离合器接合控制的主要影响因素.以降低起步冲击度和减少离合器滑磨功为原则,提出了一种离合器控制策略.在装用AMT的桑塔纳轿车上进行的坡道起步道路试验结果表明,所提出的离合器控制策略得到了成功应用.     

圆分布双跳无线传感器网络配置及拓扑发现修复算法与仿真

指出了无线传感器网络在从战场到环境监测的许多领域都表现得越来越重要,给出了一类圆分布双跳无线传感器网络,并提出其安全性要求和模型．对于其面临的威胁,在权衡网络资源局限性的基础上,提出了相应解决方案,包括拓扑发现算法、网络配置协议和网络修复算法（TDNSR）。仿真结果表明：和SPIN算法相比,TDNSR能迅速实现网络拓扑发现和配置并修复,能有效减少资源开销。     

人工免疫的神经网络预报方法及其应用

针对RBF(radial basis function)神经网络在预测铁水含硅量中出现的预测精度低,收敛速度慢的问题,提出了一种基于免疫识别原理的径向基函数神经网络的学习算法.该算法利用人工免疫原理确定高斯基函数的中心和宽度参数,同时将所识别的数据作为抗原,抗体作为抗原的压缩映射并作为神经网络的隐层中心,利用递推最小二乘法(recursion least square, RLS)确定连接权值,提高了RBF神经网络的收敛速度和精度.应用该模型于某大型钢铁厂高炉铁水硅含量预报的实例中, 实验结果表明, 该模型具有更高的预测精度和更短的训练时间.     

配电网故障定位的研究

将配电网络的拓扑描述矩阵分解成不含区域和只含区域的矩阵描述方式、可以有效地解决配电网的故障区段判断、同时可以自动定位区域的顶点,适应多变的网络结构.     

基于鲁棒LS-SVM的ARMA时序模型研究

对时序数据建模与辨识技术进行了分析,提出了使用鲁棒LS-SVM算法建立ARMA时序预测模型。该模型是在LS-SVM的约束条件中加入鲁棒特性和时序模型参数,使之在求解的过程中对孤立点与噪声不敏感,并且能准确地辨识时序模型参数。考虑到高炉的热状态的输入输出数据集间存在着复杂非线性时序上的关系,通过用基于鲁棒LS-SVM的ARMA模型预报铁水中硅的含量,从而达到了预测高炉热状态的目的。说明了该模型在对非线性时间序列预测精度和稳定性上具有明显的优越性,为稳定钢铁质量和生产工艺创造了良好条件。     

一种新型径向基函数神经网络学习算法：递归正交最小二乘法（ROLS）

径向基函数神经网络在很多领域得到了成功的应用。但迄今为止仍没有一种有效的方法来确定隐层中心数目，笔者将递归正交最小二乘（ROLS）方法引入RBFNN建模训练，利用ROLS算法训练网络后所得的有用信息，采用后向选择算法，逐步去掉那些使网络残差增加最小的中心，在得到网络有效中心的同时，还满足了精度要求，从而大大简化了RBF网络结构，节约了大量的存储空间以及计算量。仿真和实验结果表明该方法是有效而实用的。     

渐进式序列模式挖掘算法IMSP分析

序列模式挖掘是数据挖掘中最重要的研究课题之一。基于记录频繁集各元素的Ctid表的基础上，有研究者提出一种渐进式序列模式挖掘算法IMSP，目的是支持度保持不变，而数据库变化不大时，如何利用前次的结果和中间结果，以加速本次挖掘过程。笔者深入分析了算法IMSP结构，指出该算法在时间复杂度，挖掘规则的完备性上的不足，同时也指出利用该算法所可能得到的错误结果。