基于互补集合经验模态分解-模糊熵-深度信念网络的短期风速预测

针对原始风速序列具有非线性、非平稳性和不可控性的问题,提出基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)-模糊熵(fuzzy entropy,FE)-深度信念网络(deep belief network,DBN)的短期风速预测模型。首先,利用CEEMD方法将原始风速序列分解为一系列不同尺度的本征模态分量(IMF)以降低其非平稳性;其次,利用模糊熵方法将多个IMF分量进行重组以避免分量数目过多给预测精度造成的影响;最后,利用深度信念网络其强大的深度特征提取能力和非线性映射学习能力的优点,分别对新的分量进行预测和叠加获得最终预测值。实验表明,较BP神经网络模型和DBN模型,组合模型提高了预测精度,具有可行性和有效性。     

外电场下Hodgkin-Huxley模型的分岔分析

本文以Hodgkin—Huxley（HH）为基础,分析外电场对神经细胞的作用机制,建立了极低电场下改进的HH模型．我们通过高维系统Hopf分岔存在性的代数判据,计算了（外部刺激电流）和（外部直流电场引起的跨膜电压）的单参数空间的Hopf分岔集,并给出了系统产生稳定周期解的参数区域,这将有助于从理论上揭示和解释电场致病的生物机理,为预防和治疗此类疾病提供理论依据．     

变速恒频风力发电机组动态稳定性仿真

以双馈风电机组为研究对象,介绍了双馈风力发电系统的基本结构.应用M atlab/S imu link搭建了双馈风电机组并网运行仿真模块,并对其在风速扰动下的动态稳定性做了仿真试验研究.结果表明双馈风电机组对风速的扰动有一定的适应能力,能保证系统的稳定运行.     

高功率因数变流器的分析及控制实现

传统的相控整流器存在功率因数低、谐波成分高等缺点，本文在分析三相电压型变流器系统数学模型的基础上，将滞环电流控制策略应用于该类系统并构造试验样机．该变流器系统实现了输入电流的正弦化，具有高功率因数，得到了与仿真分析相一致的结果，证明了该种控制的优越性．     

基于机器视觉的指针式仪表检测

本文提出了一种基于机器视觉的变电站指针式仪表检测算法。该算法基于YOLO v3神经网络,引入Res2Net残差模块以及采用特征层融合的方式,采用更少的模块和网络层数获取更高的特征提取效率,通过增加SPP（空间池化金字塔,Spatial Pyramid Pooling）模块融合多重感受野,使用GIoU（Generalized Intersection over Union）损失函数代替原有的损失函数。此外,针对数据集的不同,采取k-means++聚类算法重新选择锚点框的尺寸。实验结果证明,在保证精度的前提下,相对于Faster R-CNN和原始的YOLO v3网络,速度分别提升了73.7%和45.8%。     

基于模糊神经网络的电梯系统交通模式识别

介绍采用模糊神经网络进行电梯群控系统交通模式识别的方法。用3步混合训练方法对用于模式识别的两个模糊神经网络进行训练,测试结果表明此方法可以准确地辨识出各种交通模式所占的比例,可以指导群控器优化派梯策略,提高电梯群控系统的服务性能。     

电梯群控系统交通流的预测方法

交通流预测是智能电梯群控系统的重要组成部分,对交通流进行预测可使群控系统跟随交通流的变化调节控制策略.将基于神经网络的时间序列预测理论应用到电梯群控系统的交通分析中,构造了一种交通流时间序列预测模型,并提出了调整预测神经网络结构以提高预测精度的方法.仿真实验表明了这种交通流智能预测方法是有效的.     

基于S3C2440A的车载GPS导航系统的设计

车载GPS导航系统是在GPS基础上发展起来的一门新型技术,具有定位、测速、导航和语音提示等功能.介绍了车载GPS导航系统的结构及系统设计采用的目标平台,基于S3C2440A嵌入式处理器和SDT11 GPS模块设计了系统的硬件.在Windows CE嵌入式操作系统上设计串口通信软件完成了GPS信息的接收;然后对GPS数据输出协议进行了介绍,并根据此协议利用EVC编程完成了GPS信息的处理,实现了定位功能.在此基础上嵌入电子地图实现了导航功能,最终设计完成了车载GPS导航系统.     

基于励磁电流环的功率因数控制策略研究

本文分析了单闭环控制的同步发电机励磁系统的特点,指出了其存在的问题.以提高励磁系统动静态性能指标为原则,提出了基于励磁电流环的功率因数控制策略,并对其动静态性能进行了分析,理论分析及实际运行结果均验证了该方案的正确性.     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。