基于K-means聚类与PSO特征优选KNN的分级负荷识别方法

针对非侵入式负荷辨识中,单一V-I轨迹特征无法对相似的轨迹特征进行有效识别以及所提取特征易出现冗余甚至噪声特征的问题,提出了一种基于K-means聚类与PSO特征优选的分级非侵入式负荷识别方法。首先,利用K-means算法对负荷V-I轨迹的HOG特征进行初步分类,将轨迹相似的电器分为一类;然后,对每一类中的电器电流数据进行多维特征提取并采用PSO算法选取最优特征子集;最后,利用KNN模型进行二级负荷识别。实验结果表明,该方法有效提高了负荷识别准确率;提取V-I轨迹的HOG特征解决了同一电器V-I轨迹波动的问题;对一级分类后的每一大类单独进行PSO特征优选KNN二级分类,解决了部分电器对特征子集适应性差的问题。所提方法在一定程度上解决了冗余特征甚至噪声特征对辨识准确率的影响,为负荷特征的选取提供了新的思路,对负荷辨识的实际应用具有重要的参考意义。     

新型蝙蝠算法辨识船舶运动模型参数

为准确、有效辨识出船舶运动模型的参数,以构建精确的船舶运动模型,将群智能优化算法中新型蝙蝠算法引入船舶运动模型的参数辨识。将船舶运动模型参数辨识问题转化为一个多维变量函数优化问题,分析了新型蝙蝠算法求解船舶运动模型参数辨识的适应性;给出了采用新型蝙蝠算法进行船舶运动模型参数辨识的流程。基于实船实验数据,采用新型蝙蝠算法辨识了实船一阶线型响应型模型参数。实例显示,将船舶运动模型参数辨识问题转化成优化问题,通过新型蝙蝠算法对构建的误差准则目标函数的优化,能够快速找到使得目的函数最优的一组变量,该变量即为辨识得到的模型参数。研究表明,提出的技术路线简明且适用,是一种有效的计算机辅助船舶运动模型参数离线辨识方案。     

基于线性规划单纯型法的系统辨识方法

传统的最小二乘辨识算法要求误差为低噪声水平,并且算法计算量大,针对这一问题提出了线性规划单纯型辨识算法.将参数辨识问题转化成线性规划问题;并给出了基于线性规划单纯型法的参数辨识算法.最后给出了仿真结果,验证了算法的有效性.     

基于倒谱的非因果自回归系统自适应辨识

为解决信号处理中非因果自回归（ＡＲ）系统的自适应辨识问题，本文提出了一种利用倒谱进行ＡＲ系统辨识的新方法。这一方法在倒谱域内把非因果ＡＲ系统辨识问题转化为非最小相位有限冲激响应（ＦＩＲ）系统辨识问题，因此可以利用现有的基于倒谱的ＦＩＲ系统辨识算法构造非因果ＡＲ系统辨识算法，从而实现了非因果ＡＲ系统的自适应参数辨识，并解决了以往文献中未曾解决的非因果ＡＲ系统阶次自适应确定问题。另外，本算法可以保证估计出的ＡＲ模型是稳定的。数值仿真结果证明了本算法具有很高的估计精度。     

热传导方程稳恒源项识别的模拟退火算法

给出了利用模拟退火算法求解热传导方程稳恒源项识别的一种新方法.该方法把源项识别反问题转化为优化问题,用模拟退火算法求解.通过数值模拟对本算法的可行性和有效性进行了验证,结果表明,此法是可行的、有效的,并且具有较高的精度.     

基于粒子群优化的结构系统识别

研究了使用粒子群优化(PSO)算法进行结构系统识别的方法,该方法的基本思想是将结构系统识别问题描述成一个多峰值非线性非凸的优化问题,通过PSO算法发现系统参数的最优估计.利用该方法在输入输出数据不完备且噪声污染条件下,同时在没有系统质量、刚度等先验信息的情况下对结构系统进行了识别,并与基于遗传算法(GA)的结构系统识别方法进行了比较.数值算例及比较结果表明:PSO方法易于实现且计算时占用资源低,并可以成功地对结构系统进行识别,识别效能十分优越.     

基于负梯度法的供水管网污染源识别

利用负梯度法研究供水管网突发污染事故时污染源识别问题.首先针对供水管网的污染源识别问题构建最优化问题数学模型,然后用EPANET作为内嵌的水质模拟计算引擎,沿着目标函数的负梯度方向进行问题的最优解搜索,并针对管网算例,对污染源侵入时间、地点和侵入过程进行计算求解.分析差分步长、梯度求解方法等因素对问题求解效率的影响,结果表明采用基于水质模拟的差分法求解梯度向量并以水质公差作为差分步长,具有最好的求解效果.     

一类分数阶最优控制问题的高阶快速算法

分数阶扩散方程约束的分布式最优控制问题广泛地应用于科学和工程领域,包括优化设计、控制和参数识别;针对这类问题,提出了一种高阶的快速算法。对于求解该问题的一阶最优条件所产生的耦合两点边值问题,在空间上利用紧差分,时间上利用边值方法对该问题进行离散,离散后得到一个2×2块线性系统;然后使用带有Kronecker积分裂的迭代算法求解该线性系统,该算法是块状的Kronecker积结构,通过交替的Kronecker积分裂迭代方法得到了这个Kronecker积,并证明了该分裂迭代算法是收敛的;同时使用GMRES方法来加速Kronecker积分裂迭代的收敛;最后数值实验表明了该算法的精确性和计算效率。     

基于分数信号处理的变步长自适应振动主动控制方法研究

针对自适应振动主动控制系统中次级通道的辨识精度严重影响振动控制效果的问题,分析了常规的次级通道在线辨识算法存在的问题,提出一种基于分数信号处理的双步长两阶段变步长策略的次级通道在线辨识方法。该方法使用基于分数信号处理的自适应算法代替传统的最小均方(least mean square, LMS)算法进行次级通道的在线辨识,同时给出了一种双步长的两阶段变步长策略,在次级通道辨识环节收敛前后应用不同的变步长策略以提高辨识精度和降低辨识环节的波动。仿真结果表明,与现有方法比较,该方法的次级通道辨识收敛速度更快,系统收敛后的波动更小,次级通道的辨识精度和系统的稳定性都有了明显的提升。经验证,该方法有效解决了常规的次级通道在线辨识算法收敛速度慢、辨识精度低和辨识环节波动大等问题,具有更好的振动控制效果。     

结构损伤识别中的模型缩聚问题

将逐级近似模型缩聚法用于工程结构损伤识别问题中。以一个平面桁架结构为算例,比较了残余力向量法在各级缩聚模型下的损伤识别结果。结果表明:无论对哪种缩聚方法,并非缩聚模型的级数越高损伤识别效果越好,采用逐级近似的GUYAN法时第二级缩聚模型识别精度最高,采用改进GUYAN递推缩聚法时第一级缩聚模型识别精度最好。分析了出现这种结果的深层次原因,指出了在模型缩聚逐级近似过程中存在的对结构损伤识别有利和不利的2种趋势,给出了良好的模型缩聚方法应该满足的2个条件。