基于直接积分最小二乘法的同步发电机的参数辨识

针对同步发电机模型参数中多个不可观测量的存在使得需要求解复杂的微分方程组对电机参数进行辨识,进而导致了辨识困难,提出了一种完全由可观测量表示的同步发电机辨识模型,即状态量均为由发电机出口电流、励磁电压、励磁电流以及功角,转速变量增量表示的可量测量,并基于该模型提出用直接积分最小二乘原理（DILS）来辨识发电机参数.这样既避免了复杂微分方程的求解过程,简化了参数辨识方法,又提高了辨识效率.辨识后,利用MATLAB进行算例仿真,通过实测曲线和辨识曲线的拟合表明了所采用的辨识模型与算法是正确、有效的.     

基于FLANN的非线性动态系统辨识

采用一种基于FLANN-PSO的SISO非线性动态系统辨识方法,构造了基于FLANN的辨识模型,然后运用PSO优化算法实现模型权值辨识.通过对4种典型非线性动态系统进行了辨识仿真,结果表明该方法具有良好的性能和高辨识精度,它将更适合于工程实际需要.     

大型汽轮发电机参数辨识中基本参数数学模型的研究

提出用Ｕδ标幺值系统来构造汽轮发电机基本参数数学模型，从而用汽轮发电机基本参数数学模型进行参数辨识时转子侧电流、电压的基值选择与待辨识参数ｘａｄ，ｘａｑ无关，并减少了两个待辨识参数ｘａｄ，ｘａｑ，这有利于改善算法的收敛性，提高收敛速度，利用此基本参数数学模型成功地对一台２００ＭＷ汽轮发电机进行了参数辨识。     

双馈变速恒频风力发电系统的并网控制研究及其仿真实现

随着风电机组单机容量的不断增大，发电机并网时的电流冲击已不能忽视，必须对并网控制技术进行深入研究。在总结现有风力发电并网技术的基础上，研究双馈变速恒频风力发电机的“柔性并网”问题，即可通过励磁控制调节发电机输出并满足并网条件。研究双馈电（DFIG）的空载模型、变频器的整流控制模型和并网控制模型，建立整个并网发电系统，并通过完整的仿真验证系统建模与控制的有效性。     

改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO‐BP算法在洪水预测应用中建立预测模型。以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性。采用改进的PSO‐BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值。通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率。     

基于PSO–BP算法的油菜籽干燥工艺参数的优化

结合神经网络和粒子群算法(PSO)对油菜籽干燥工艺进行优化:采用BP神经网络建立油菜籽平均水分下降速率和发芽率与干燥温度、初始含水率、真空度之间的三层网络预测模型,利用试验样本数据计算并确定预测模型的网络权值及阈值,再采用PSO算法进行参数优化。试验验证结果表明,对比BP网络模型和PSO–BP模型,发现BP网络仿真值相对误差最大值为4.5%,而PSO–BP仿真值最大相对误差小于2.93%。     

基于Matlab/Simulink直驱式永磁风力发电系统的建模与仿真

直驱式风力发电系统不需要电励磁、噪声小、维护费用低、控制简单,在风力发电系统中越来越受到欢迎.在Matlab/Simulink环境下,建立了直驱式永磁同步发电机的风力发电系统仿真模型,模型通过对风速、风力机、永磁同步发电机、全功率变流器进行理论分析实现模型搭建,最终建成整个风力发电系统模型.仿真结果表明,系统能够在不同风速下稳定运行,最终输出的电压波形近似正弦,谐波含量小.     

基于粒子群算法的飞行器再入轨迹优化

提出将粒子群优化算法（PSO）应用于飞行器再入轨迹优化。以最小控制能量高超声速飞行器再入轨迹优化为例，对飞行器运动模型进行简化和控制量参数化，粒子群算法采用自适应权值，并充分利用飞行器再入时的运动特性来设置PSO算法初始参数，分析比较仿真步数对结果的影响。仿真结果表明提出方法的有效性和优越性。     

昆明市4个主要针叶树种林分断面积生长模型研究

采用Richards、Schumacher和Korf模型作为林分断面积生长备选模型,运用麦夸特算法、差分进化算法、遗传算法、模拟退火算法和粒子群算法进行模型参数求解,根据R2和RMSE选择模型拟合结果、算法迭代次数和残差分布,比较各优化算法的效率和参数稳定性。结果表明:华山松、云南松、油杉和柏木地位级表落点检验值分别为97.9%、98.3%、98.1%和98.9%,精度符合要求,能够用于林区林业生产经营活动;优化算法求解模型参数的效率由高到低的顺序为LMDEPSOGASA,PSO求解参数的拟合优度较差;针叶树种断面积生长模型更适宜采用Richards模型,Schumacher模型参数拟合结果更稳定。运用优化算法进行林分断面积生长模型参数估计并分析其优劣,对提高模型精度具有重要作用,研究结果为优化算法在生长模型参数估计中的运用提供了依据。     

基于灰色粒子群算法的温室环境多目标优化控制

引入人工控制因素,以扩展的自回归模型(ARX)为基础,构建茶树育苗的温度、相对湿度及耗电量多目标模型函数,采用灰色关联理论和粒子群优化算法(PSO),面向茶树育苗温室环境模型进行多目标优化控制。仿真结果表明,运用多目标灰色PSO算法将育苗温室内温度值从31.5℃降为24.51℃,相对湿度从47.2%提升为59.35%,耗电量降低17.6%。与线性加权和法、单目标PSO算法相比,选取多目标灰色PSO算法对温室进行优化,得到在开启遮阳与喷淋组合调控的情况下,经过20 min温室内温度和相对湿度调控,即可达到茶苗生长的要求。     

船舶航向非线性系统的鲁棒控制

考虑在船舶航向控制系统模型中存在的非线性,并假设模型参数和外界干扰有界的情况下,利用Ｌｙａｐｕｎｏｖ稳定性理论,提出了一种鲁棒控制新算法。以一艘５０００ｔ级杂货船为例,进行了鲁棒控制自动舵设计,并利用Ｍａｔｌａｂ工具箱进行了仿真研究,结果证明该算法完全正确。     

基于支持向量机优化粒子群算法的作物生育期ET_0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群(particle swarm optimization,PSO)算法引入到ET0预测中,并用支持向量回归机(support vector machine,SVM)优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机(PSO-SVM)算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM算法进行了对比,其结果表明,PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

基于RBFNN混合粒子群算法的电力负荷短期预测

根据电力系统负荷预测的不同目的,提出一种基于RBFNN混合粒子群优化算法(HPSO)预报电力系统短期负荷,即首先采用改进的粒子群优化算法(MPSO)全局优化网络模型参数然后在MPSO全局搜索模型参数基础上利用梯度下降法局部优化网络模型参数,建立电力系统短期负荷的时序人工神经网络模型。仿真结果表明,该方法与传统的预测方法相比,减少了训练时间,提高了精度和适应性。     

基于支持向量机优化粒子群算法的作物生育期ET0预测

ET0是计算作物需水量、进行农田灌溉管理及区域水资源优化配置的重要依据。为了提高ET0的预测精度,将粒子群（particle swarm optimization,PSO）算法引入到ET0预测中,并用支持向量回归机（support vector machine,SVM）优化参数。PSO-SVM将最高气温、最低气温、相对湿度、平均风速与日照时数输入到SVM中学习,将SVM参数作为PSO中的粒子,把ET0值作为PSO的目标函数,然后通过粒子之间相互协作得到SVM最优参数,对ET0进行预测,并采用PM模型计算值验证。该文以新疆喀什地区为例,通过采用粒子群耦合支持向量机（PSO-SVM）算法训练得到模型,并用10组数据进行预测;最后引用BP神经网络算法和PSO-SVM 算法进行了对比,其结果表明, PSO-SVM算法预测准确率较高,预测值与实测值间相关系数达0.682,平均相对误差为3.19%。     

一种基于响应的振动系统参数识别的迭代方法

研究了振动反问题,提出了一种适用于振动系统参数识别的迭代方法。该方法把振动控制方程转化为状态方程,基于振动系统的时域响应,通过构造一种矩阵迭代算法来反演系统参数。数值算例表明本文方法具有较快的收敛速度和较高的精度。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害纽合预警模型。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

基于改进型神经网络的植物病虫害预警模型的构建

通过对植物病虫害预警模型的相关原理和方法的研究,并结合粒子群算法对后向传播神经网络进行参数优选,构建了基于粒子群和神经网络混合算法的植物病虫害组合预警模型。模型参数：①PSO参数设定：准粒子群算法模型参数的设定主要是对惯性、收敛（约束）、＂认知＂、＂社会＂进行变化与调节。C_1是粒子跟踪自己历史最优值的权重系数,它表示粒子自身的认识,设置为2。C_2是粒子跟踪群体最优值的权重系数,它表示粒子对整个群体知识的认识,设置为2。ξ,η设置为[0,1]区间内均匀分布的随机数。r是对位置更新的时候,在速度前面加的1个系数,设置为1;②BP神经网络输入层节点的确定：预测模型输入层节点为7个,分别代表7个特征指标,即发病面积、稻瘟病发病率、雨量、雨日数、平均温度、平均湿度、光照;③隐含层节点及隐层数的确定：该研究采用3层BP网络,隐层数为1层。将1980～2000年云南省盈江稻瘟病历史数据作为学习样本输入到预警模型,进行训练。隐节点为7时误差最小（1.046）;④输出层节点的确定：预测模型输出层节点为1个,即稻瘟病病情指数（Y）。稻瘟病发生程度分为5个等级：〈10,为等级1;10.1～20.0,为等级2;20.1～30.0,为等级3;30.1～50.0,为等级4;〉50.0,为等级5。预警模型：在构建预测模型时,包括2个过程,即学习过程和预测过程。在学习过程阶段主要在PSO算法对连接权和阈值优化的基础上,通过对样本数据的学习,找到其内在规律性,从而确定各节点间的连接权和阈值。由于选取影响植物病情发病的因子有7个,因此,第i年的输入层就为1个7维向量x_i,即输入层为7个神经元。隐含层确定为1层,输出层为第i＋1年的植物病理病情指数,故为一维向量y_j,因此,输出层的神经元个数为1。预测过程则是根据学习过程已经确定下来的连接权值和阈值,把需预测样本输入训练好的BP网络,通过网络学习后,输出相应的预测值。如需预测第i年植物病情等级,就把第i-1年决定植物病理发生的相应因素输入到该网络模型。即输出就为第i年植物病情发生程度的预测值。测试结果表明预警模型的构建有效且可行,为构建有效的预警平台应用提供了可行的模型结构。     

串联式混合动力拖拉机分动箱的设计与试验

设计的串联式混合动力分动箱由输入轴、中间轴、输出轴以及轴上齿轮和一对滑移齿轮组成。为减小分动箱体积,同时满足配套旋耕机较大耕深需求,在满足结构、强度、刚度等约束条件下,以分动箱总中心距和齿轮总体积最小为目标函数,建立了分动箱参数优化的数学模型。采用基于改进粒子群算法(PSO)的参数优化策略,优化结果表明,与基本粒子群算法相比,改进后的粒子群算法在收敛速度和收敛精度方面均有明显提高,改进后的齿轮总体积减小了2.9%,优化精度提高了1.5%。分动箱运动学仿真及试验结果表明,优化后的分动箱动力输出轴(PTO)动力性能符合要求,能够满足配套旋耕机的工作要求。