高超声速风洞短时气动力智能辨识算法研究

风洞测力试验是高超声速飞行器研发的重要环节,随着这项技术的发展,试验模型的大尺度化成为高超声速风洞试验的趋势.在几百毫秒的有效测试时间内,大尺度测力系统刚度减弱等问题会严重导致气动力辨识精度变差,试验模型大尺度化对短时脉冲燃烧风洞精确气动力辨识带来了挑战.对此本文提出了一种新的基于传统信号处理结合深度学习的智能气动力辨...     

基于电化学老化衰退模型的锂离子动力电池外特性

当前锂离子动力电池电化学模型存在模型复杂、建模难度大、计算效率低、老化评估效果差的问题,本文提出一种考虑电池衰退老化的机理模型(ADME).本文首先通过有限差分法对伪二维(P2D)电化学模型进行离散降阶处理,得到简化伪二维(SP2D)模型.在SP2D模型的基础上,基于阴阳两极发生的副反应导致的衰退老化现象,提出一种考虑电池衰退老化的机理模型.其次,使用多变量偏差补偿最小二乘法实现模型参数辨识.最后通过动力电池衰退老化性能循环实验,对比分析了恒流、脉冲工况下SP2D模型和ADME模型的终端电压输出.结果表明:ADME模型较为简单、计算效率和估算精度高,可以有效评估电池容量老化衰退,得到理想的锂离子动力电池外特性曲线.     

大时滞系统全参数自适应预测控制策略

针对大时滞系统纯滞后时间长、参数时变的特点,提出一种基于改进的粒子群优化的自适应预测控制算法.利用改进的粒子群优化算法对时变大时滞系统模型的全部参数进行辨识,从而克服预测模型失配对系统控制性能的影响,并且将粒子群优化算法用于预测控制滚动寻优,有效解决系统存在约束条件下的最优值求解问题.仿真结果验证所提方法的有效性和优越性.     

加权变精度直觉模糊序信息决策表的近似约简

以直觉模糊信息表为背景,利用粗糙集和模糊集,旨在筛除信息表中冗余的属性,提出获取决策规则的近似约简方法 .首先,通过在直觉模糊集中引入带权重评分函数来定义加权直觉模糊序关系;进一步,为了提高模型分类的容错率,结合变精度粗糙集模型构建加权变精度直觉模糊序决策信息表;接着,在该决策表中提出上、下近似约简的判定定理和可辨识矩阵,进而生成两种求解上、下近似约简的方法;最后,通过具体案例和数值实验分析验证了该方法的有效性.     

甘油连续生物歧化过程的参数辨识与非线性分析

为了给出能够较好描述甘油连续生物歧化为1,3-丙二醇过程的数学模型以及模型的非线性特性,研究了其参数辨识与非线性分析问题.首先,建立了甘油连续歧化过程的GMA-系统,给出了以模型的计算值与实验测量值误差最小为优化目标、以甘油连续发酵过程的稳态条件为约束的参数辨识优化问题.采用序列二次规划算法,获得了相应动力学系统的最优参数值.结果表明,构建的GMA-系统的参数辨识优化模型能够得到更准确的参数值.其次,将辨识出的参数结果代入到甘油连续歧化过程的GMA-系统中,进行了平衡点计算与稳定性分析等.采用符号化实根隔离法求解了系统的平衡点,依据几乎线性系统的稳定性理论研究了平衡点的稳定性.     

保定地区1617例遗传咨询者外周血染色体核型分析

为探讨保定地区遗传咨询者染色体异常核型类型及检出率,并分析染色体异常与临床表型之间的相关性,选取2018年1月至2021年10月在保定市妇幼保健院就诊的1 617例遗传咨询者作为研究对象,采集外周血进行淋巴细胞培养,常规方法制备染色体,G显带后进行染色体核型分析.共检出异常核型54例,异常检出率为3.34%,包括数目异常14例(25.93%)和结构异常40例(74.07%).异常检出率最高为智力低下组(28.21%),主要见于21-三体;其次是发育异常组(26.31%),主要见于特纳综合征;不良孕产史组是构成遗传咨询的主要原因,异常检出率为2.40%,主要见于平衡易位和罗氏易位;不孕不育组异常检出率为2.64%.保定地区遗传咨询者染色体异常是导致不良孕产史、不孕不育、发育异常、智力低下等疾病的重要原因之一,应着重对此类患者进行外周血染色体检测,以寻找病因、指导优生优育、提高保定地区人口素质.     

人体异常坐姿识别方法研究进展

日常生活中,久坐往往会出现异常坐姿,频繁的异常坐姿导致人们患上骨骼肌肉疾病的现象愈发普遍,及时识别异常坐姿并进行提醒对人们的健康具有重要意义。文章综述了人体异常坐姿识别方法研究进展。从数据采集角度出发,将识别方法分为基于接触式传感器的人体异常坐姿识别方法,基于射频信号的人体异常坐姿识别方法,基于机器视觉的人体异常坐姿识别方法,并对这3类方法进行综述,分析各方法的特点。其中,采用接触式传感器的方法,分别从可穿戴设备和压力传感器两个角度阐述;而基于机器视觉的方法,分别从所使用的前景图像和人体骨骼关键点两个方面进行综述。最后,总结并分析了代表性人体异常坐姿数据集,统计并分析了代表性人体异常坐姿识别算法的性能表现,总结并展望了人体异常坐姿识别方法的发展趋势。     

基于孤立森林和标准差检测法的风电功率异常数据清洗

在风电功率预测中,风速到风电功率的转换是关键步骤,风功率曲线建模和机器学习等技术都需要高质量的风电功率数据,而风电机组实际运行过程中由于多种因素会导致风功率曲线中出现大量的异常数据.首先分析了河南省洛阳市虎头山风电场风电机组历史运行异常数据分布特征,提出了结合孤立森林（iForest）算法与标准差（σ）检测法的技术对异常数据进行识别,并对比了iForest-σ和σ-iForest两种次序组合方式在异常数据识别过程中的异常数据清洗时间、删除率、准确率.结果表明,iForest-σ和σ-iForest方法都能够有效识别异常数据,iForest-σ方法相对数据删除率低且精度高.上述方法清洗效果好,效率高且不依赖于正常数据进行非监督训练,同时适用于其他研究场景的异常数据清洗工作,具有较强的通用性.     

数据流驱动的电压三相不平衡异常检测研究

为了提高当前电力计量系统中的电能量时间序列数据异常检测的准确率与效率,该文提出一种数据流驱动的电压三相不平衡异常检测方法。结合已有的面向数据流异常检测思路,实现对时间序列电能量数据的采样。采用基于循环神经网络的长短期记忆神经网络对数据建模预测,计算实际值与预测值之间的误差。采用指数加权平均的滑动窗口对误差进行平滑,实现了在过滤了三相电压数据正常波动的影响下判断某一时间段是否出现异常。试验结果证明,该方法在召回率和综合评价指标等有所提高,验证了该文方法对于电压三相不平衡的异常检测问题的可行性和有效性。     

基于GAN的多变量时间序列异常检测方法

近年来,生成对抗网络在多变量时间序列异常检测中得到了广泛应用。然而现有解决方案多存在一些局限性,主要限制是没有明确地捕捉多变量时间序列在时间维度和特征维度上的复杂依赖关系而导致误报。针对该问题,本文使用生成对抗网络对多变量时间序列进行建模,通过在各网络中加入一个多通道注意力层来捕捉数据时间和空间维度的重要性,以提高异常检测的准确性。此外,生成器使用解码-编码器结构,通过在训练阶段对编码器、解码器和判别器进行联合训练,使得异常检测阶段无需计算从实时空间到隐空间的最佳映射,以此提高异常检测的效率。本文在两个公开数据集上进行了实验验证,结果表明,所提方法相较于基线方法在异常检测性能上优势明显。