检索结果-南通市图书馆

基于l_1-范数约束的递归互相关熵的稀疏系统辨识

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

信号处理 2016年第9期32卷 1079-1086页

作者：周千马文涛桂冠西安航空学院理学院陕西西安710077 西安理工大学自动化与信息工程学院陕西西安710048 南京邮电大学通信与信息工程学院江苏南京210003

为了有效解决脉冲噪声环境下的稀疏系统辨识(Sparse system identification,SSI)问题,以l1-范数为约束构建稀疏递归互相关熵准则(Recursive maximum correntropy criterion,RMCC)算法来解决脉冲噪声对于辨识性能的影响。结合带遗忘算子... 详细信息

为了有效解决脉冲噪声环境下的稀疏系统辨识(Sparse system identification,SSI)问题,以l1-范数为约束构建稀疏递归互相关熵准则(Recursive maximum correntropy criterion,RMCC)算法来解决脉冲噪声对于辨识性能的影响。结合带遗忘算子的互相关熵准则和l1-范数作为代价函数,推导出一种递归形式的算法,其相对于传统的最大相关熵算法具有快的收敛速度及小的稳态误差。仿真实验结果表明:该算法对于脉冲噪声干扰环境下的SSI问题具有强的鲁棒性。

关键词：互相关熵 l1-范数限制递归稀疏系统辨识脉冲噪声

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

偏差补偿比例更新互相关熵算法

信号处理 2019年第1期35卷 75-85页

作者：郑栋桥张志禹马文涛邱进哲西安理工大学自动化与信息工程学院陕西西安710048

为了解决输入信号含有噪声和非高斯输出噪声的稀疏系统辨识问题,本文提出一种偏差补偿比例更新互相关熵算法。基于互相关熵的自适应滤波算法可以消除非高斯观测噪声的影响,进一步应用无偏准则来解决含噪输入信号带来的估计偏差问题。另... 详细信息

为了解决输入信号含有噪声和非高斯输出噪声的稀疏系统辨识问题,本文提出一种偏差补偿比例更新互相关熵算法。基于互相关熵的自适应滤波算法可以消除非高斯观测噪声的影响,进一步应用无偏准则来解决含噪输入信号带来的估计偏差问题。另外,将比例更新机制引入算法,通过自适应调节步长参数以增强算法的跟踪性能。仿真结果表明所提算法对于输入信号受噪声干扰和非高斯输出噪声环境下的稀疏系统辨识问题具有强的鲁棒性和稳态性能。

关键词：偏差补偿稀疏系统辨识互相关熵含噪输入

维普期刊数据库

基于互相关熵长短期记忆网络的短期组合风电功率预测研究

在线全文

学校读者我要写书评

暂无评论

基于互相关熵长短期记忆网络的短期组合风电功率预测研究

作者：王鹏西安理工大学

学位级别：硕士

随着能源革命的推进,可再生能源因其绿色、低碳、无污染特性引起了全球的广泛关注。其中风能因其清洁、分布广泛等特性已经成为了最具有潜力的可替代能源之一。然而,风能具有间歇性、随机性、波动性等固有特性,这严重制约了其利用效率... 详细信息

随着能源革命的推进,可再生能源因其绿色、低碳、无污染特性引起了全球的广泛关注。其中风能因其清洁、分布广泛等特性已经成为了最具有潜力的可替代能源之一。然而,风能具有间歇性、随机性、波动性等固有特性,这严重制约了其利用效率。开发具有高精度、强鲁棒性的预测模型是提高风能利用效率的有效措施之一。截止目前大多数风电功率预测模型均是基于均方差损失(MSE)设计的,其十分适用于预测误差服从高斯分布的情况。然而,实际风电场中受到诸如气象条件、风机工况、数据收集误差等多个方面随机因素的影响使其存在大量的离群值。同时,风能转换为风电的强非线性过程也会改变风电功率分布特性。这两方面因素均会致使风电功率序列不在完全服从高斯分布。因此,本文分别通过采用对离群值和非高斯分布不敏感的最大互相关熵损失(MCC)和混合互相关熵(MMCC)损失替代经典长短期记忆网络(LSTM)的MSE损失提出了两种更加鲁棒的预测器,并结合数据预处理策略提出了两种组合预测模型。具体研究工作如下:1)为更好的提取风电功率序列局部特征,采用变分模态分解技术(VMD)对原始风电功率进行了平稳化处理,并针对VMD技术需预设分解层数K的缺陷,利用最大互相关熵(MCC)准则提出了自适应变分模态分解算法(IVMD)。随后为提高预测效率及加强子模态之间的相关性,采用样本熵(SE)函数对子模态执行重构,构建了 IVMD-SE数据预处理模型;2)考虑到风电功率序列并非完全服从高斯分布的属性,首先采用最大互相关熵(MCC)损失替代了经典长短期记忆网络(LSTM)的MSE损失,建立了最大互相关熵长短期记忆网络预测器(MCC-LSTM)。随后结合 IVMD-SE 数据预处理策略设计了IVMD-SE-MCC-LSTM组合预测模型;3)考虑到单机数据复杂度、波动性更强的特性,同时为提高MCC损失的灵活性,引入具有拉普拉斯核函数和高斯核函数的混合互相熵(MMCC)损失替换了 LSTM的MSE损失,并利用粒子群优化(PSO)算法对混合系数和核参数进行参数寻优。构建了混合互相关熵长短期记忆网络预测器(PMC-LSTM),最后结合数据预处理策略提出了IVMD-SE-PMC-LSTM组合预测模型;4)应用不同数据集对所开发的预测方法执行了相关实验仿真验证,并与其它现有预测方法进行了比较分析。

关键词：短期风电功率预测互相关熵长短期记忆网络变分模态分解样本熵粒子群优化

基于改进局部线性嵌入算法的故障特征提取方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

振动与冲击 2015年第15期34卷 201-204页

作者：胡峰苏讯刘伟吴雨川范良志武汉纺织大学机械工程与自动化学院武汉430074

针对局部线性嵌入算法在故障特征提取中易受异常特征值、邻域大小和嵌入维数等因素影响的问题,对局部线性嵌入方法的重构权值估计模型、邻域大小和嵌入维数估计模型进行改进。用互相关熵取代欧式距离用于向量相似度测量,提出基于互相关... 详细信息

针对局部线性嵌入算法在故障特征提取中易受异常特征值、邻域大小和嵌入维数等因素影响的问题,对局部线性嵌入方法的重构权值估计模型、邻域大小和嵌入维数估计模型进行改进。用互相关熵取代欧式距离用于向量相似度测量,提出基于互相关熵的重构权值估计模型,并且采用拉格朗日展开式和拉格朗日乘子法进行模型简化降低计算复杂度,达到降低异常特征值对特征提取精度影响的目的。应用Ncut准则建立邻域大小和嵌入维数的估计模型,实现参数的自动选取。将改进的局部线性嵌入方法应用于轴承故障特征提取,并与其它方法进行比较,结果表明推荐方法的特征提取精度更高。

关键词：故障特征提取互相关熵局部线形嵌入嵌入维数

维普期刊数据库

在线全文

学校读者我要写书评

暂无评论

动力电池的电量预测方法研究

动力电池的电量预测方法研究

作者：陈建华天津工业大学

学位级别：硕士

为了应对能源危机和城市污染问题,纯电动汽车行业迎来了迅猛发展,而锂离子电池以其优越的性能成为了电动汽车的主流动力源之一,而可靠的电池管理系统(Battery Management System,BMS)能更好地保障纯电动汽车的安全。其中电量状态(State ... 详细信息

为了应对能源危机和城市污染问题,纯电动汽车行业迎来了迅猛发展,而锂离子电池以其优越的性能成为了电动汽车的主流动力源之一,而可靠的电池管理系统(Battery Management System,BMS)能更好地保障纯电动汽车的安全。其中电量状态(State of Charge,SOC)是BMS最为重要的指标之一,它不仅可以用来监测电池的剩余电量,还能作为保障车辆稳定运行的表征。因此,准确预测SOC对锂离子电池的安全保障具有重要意义。而基于数据驱动的方法因其不需要详细了解电池内部的反应原理和建立复杂的电池模型,故常被选作锂离子电池SOC的预测方法。本文是基于深度学习和迁移学习方法来挖掘锂离子电池运行数据的内在规律,实现SOC的精确预测,主要的研究内容如下:首先介绍了锂离子电池的反应原理和基本特性,然后又介绍了实验中使用的ADVISOR仿真软件和“Panasonic 18650PF Li-ion Battery Data”数据集,最后通过绘图的方式来描述了温度和工况对SOC变化的影响。由于电动汽车的数据在实际采集中会受到噪声、测量误差和随机负载等未知因素的干扰,而且这些干扰并不能通过常规的数据清洗方法去除。针对这一问题,本文将对非高斯分布不敏感的最大互相关熵损失(Maximum Correlation Criterion,MCC)与长短时记忆(Long Short Term Memory,LSTM)网络相结合的网络作为锂离子电池SOC的预测模型,然后利用粒子群优化(Particle Swarm Optimization,PSO)来搜寻最优的参数,以确保模型达到最优的效果。最终并通过实验说明了所提模型的有效性。针对传统LSTM不能很好地提取多维数据中的空间特征的缺陷,提出了改进的卷积LSTM(Convolution LSTM,CONVLSTM)网络,此外为了能够使网络更加专注于学习重要的信息特征,在网络中增加了空间注意力模块,形成了基于注意力的CONVLSTM(Attention CONVLSTM,AT-CONVLSTM)网络。最终将所提的AT-CONVLSTM网络应用于实际车辆的SOC预测中,结果表明该网络较之传统网络有更强的数据预测能力。考虑到车辆工况众多和电池的老化过程是一个较为漫长的过程,如果对电池的每种工况和过程都建立相对应的SOC预测模型是困难且不现实的问题,因此引入了迁移学习思想,利用源域知识来辅助建立目标域的模型。此外为了选取出最合适迁移的源域数据,提出了动态时间规整算法(Dynamic Time Warping,DTW)和JS散度相结合的混合方法去度量源域与目标域之间的相似性,然后为了能更好地获取源域和目标域之间的域不变特征,选择了最大均值差异(Maximum Mean Discrepancy,MMD)算法和相关对齐(Correlation Alignment,CORAL)方法相结合的混合尺度度量方法。最终,结合预训练-微调方法思想,建立了基于多源域数据迁移的CONVLSTM模型(Multi-source Domain Transfer learning on CONVLSTM,MDT-CONVLSTM),并通过对比迁移后与未迁移的实验结果证明了所提迁移方法的有效性。

关键词：纯电动汽车锂离子电池 SOC 互相关熵 LSTM网络迁移学习