基于改进的粒子群优化扩展卡尔曼滤波算法的锂电池模型参数辨识与荷电状态估计

为解决锂电池荷电状态（SOC）难以精确估计的问题,提出了基于改进的粒子群优化扩展卡尔曼滤波（IPSO-EKF）算法预测电池SOC。为减小参数非线性特性影响,重新构建了EKF算法电池状态空间方程,以辨识出的电池模型参数为基础,获得SOC最优估计。采用IPSO算法优化EKF算法噪声方差矩阵,解决系统状态误差协方差矩阵和测量噪声协方差矩阵最优解获取难题,进一步提高SOC的估计精度。计算结果表明：IPSO-EKF算法能够精确地辨识电池模型参数和SOC值,并能够很好地修正状态变量初始误差。     

基于绕封模型的故障特征选择方法研究

在机械故障诊断中,基于原始大特征量的故障状态识别会导致识别精度的下降。特征选择可以去除原始特征中的冗余特征,提高诊断精度。但以前广泛应用的基于过滤模型的特征选择方法不能满足进一步提高精度的要求。针对此问题,提出使用基于绕封模型的故障特征选择方法,它采用遗传算法对特征集寻优,样本划分法进行错误率预测估计和BP神经网络学习算法进行分类。轴承诊断实例证昵,此方法有较好的寻优特征子集的能力,可以提高系统的诊断精度。     

基于PCA-GA-BP 神经网络的状态评估算法

针对传统评估方法主观性强的缺点及BP神经网络自身缺陷,提出基于数据知识的PCA-GA-BP状态评估组合算法。采用主成分分析对样本数据进行降维处理,利用遗传算法对BP神经网络的初始权值阈值进行优化,将历史数据作为学习样本训练神经网络,处理实时信息得到评估结果,并通过实例进行算法验证分析。结果表明,该算法是可行的,适用于复杂武器装备的状态评估。     

遗传算法优化BP神经网络在转速PID控制中的应用

提出一种基于遗传算法优化的BP神经网络PID控制算法，并将其应用于永磁无刷直流电动机的转速控制系统而设计出优化的转速PID控制器。该算法首先利用遗传算法对BP神经网络的初始权值进行优化，再利用BP神经网络算法对PID参数进行在线调节，解决网络的初始权值对控制效果的不利影响，仿真证明该算法可行。     

基于改进GA优化的神经网络故障诊断方法

在改进遗传算法和BP算法的基础上提出了一种普适的遗传算法与神经网络结合的算法模型.探讨了用改进的遗传算法与BP算法相结合对神经网络权系数进行优化;并将其应用于交流电机故障识别.实践表明,该方法是一种行之有效的智能故障诊断新途径.     

基于遗传算法和神经网络的企业核心竞争力评价模型研究

结合遗传算法与BP神经网络以航天二部为例,建立了其核心竞争力评价模型,该模型利用遗传算法提高了网络收敛的效率,克服了传统的神经网络训练时间长、易陷入局部极值的缺点,保持算法结果的全局最优.以一个算例从验证的角度说明该模型对于评价航天二部核心竞争力具有可行性以及较高的精度.     

一种基于炮射地面震动传感器的目标识别算法研究

介绍了自适应遗传算法优化的BP神经网络(AGA-BP)算法在炮射地面震动传感器目标识别中的应用。首先针对BP神经网络可能未收敛到全局最小点的缺陷,提出自适应遗传算法与BP神经网络结合的一种优化算法。之后进行仿真实验并对履带和轮式车辆的采样信号进行时频分析,利用小波变换提取特征值。最后利用优化后的算法与传统算法进行了样本训练和识别,对比结果表明该方法能减少识别误差。     

泵控缸电液位置伺服系统建模研究

针对泵控缸电液位置伺服系统存在非线性和时变性,从而难以对其精确建模的问题,研究了该系统机理建模和智能建模的方法.通过实验仿真表明,机理建模精度低、泛化能力差;模糊建模和BP神经网络建模可较好的拟合系统固有的非线性和时变性特性;基于遗传算法的BP神经网络较好的解决了BP神经网络易陷入局部最小的问题,具有建模精度高、泛化能...     

多尺度粒子滤波算法对目标状态估计的研究

当观测值给定的条件下,为了提取未知参数的信息,文中基于Gibbs与Metropolis-Hasting两种重要采样提出了多尺度粒子滤波算法。该算法在目标状态空间上一条马尔科夫链上,采用不同的粗细尺度进行交替采样来传递目标的状态信息和参数信息,从而搜索目标状态的最大后验分布函数。从而实现对机动目标状态的最优估计。其中细尺度采样保持了估算的精度,粗尺度提高了运算效率。仿真表明,该新算法实现了算法精度和效率的良好折衷。     

BP-GA算法确定未反应炸药的JWL状态方程参数

为了确定未反应炸药的JWL状态方程参数,提出了一种利用BP神经网络?遗传算法(BP?GA算法)和冲击Hugoniot关系确定JWL参数的方法。此方法首先训练BP神经网络,使其可以拟合由不同的JWL参数组合组成的非线性系统,随后采用遗传算法搜寻适应度值最大的一组JWL参数。结果表明:已知某种炸药的初始密度、爆速、Hugoniot系数C0和S,便可利用BP?GA算法确定其JWL参数;BP?GA算法确定的8种未反应炸药的p?v曲线和由试验数据确定的p?v曲线相吻合,且8条p?v曲线的R²均不低于0.9995,证明了BP?GA算法的高精度。     

基于SA-GA-BP 的某爆破扫雷器电液伺服系统建模

为解决电液伺服系统的液压元件存在非线性时变性等不确定因素,使得难以对其建立精确模型的问题,提出一种基于模拟退火遗传算法(simulated annealing genetic algorithm,SA-GA)优化BP神经网络的建模方法.利用模拟退火算法(simulated annealing algorithm,SA)的概率跳变能力克服遗传算法(genetic algorithm,GA)存在的早熟现象,在此基础上采用模拟退火遗传算法的全局寻优能力优化BP神经网络的权值和阈值.以某型爆破扫雷器电液伺服系统为例,利用所提方法对系统进行离线辨识.仿真结果表明:基于SA-GA-BP神经网络的建模方法能很好地拟合系统固有的非线性和时变性特性,所提方法是有效的.     

基于BP-GSA优化的某随动平台滑模控制

为实现某随动平台负载模拟器响应的快速性和系统的鲁棒性,提出一种基于遗传模拟退火算法(genetic simulated annealing,GSA)优化的BP神经网络(BP-GSA)滑模控制方法。根据负载模拟器各环节硬件组成,建立系统等效数学模型;采取非奇异终端滑模实现对系统的控制,并采用BP神经网络对状态方程中未定项进行逼近,利用GSA算法调整网络节点权值。实验仿真结果表明：相比于传统滑模控制和PID控制,该方法在具有扰动输入的情况下,具有最小的稳态误差和最快的跟踪速度,能够有效提升系统的响应速度和力矩跟踪精度。     

电传动车辆动力电池组分布式管理系统设计

根据动力电池组在电传动车辆上的使用要求,利用总线通讯技术,设计出电池组分布式管理系统,由一个电池组综合管理器和多个电池单体检测模块组成。系统采用基于循环工况的电池组剩余电量神经模糊预测方法,并为了实现对电池单体电压的精确采集,设计出具有特色的压控恒流源电路。实际应用表明,系统运行稳定正常,可扩充性好,对电池组状态预测准确。     

基于改进型模糊神经网络的导弹武器系统生存能力评估

针对导弹武器系统生存能力评估问题,建立了评估的指标体系,给出了指标的隶属函数.利用BP神经网络的自学习、自适应、强容错性,并通过遗传算法（GA）优化BP神经网络的连接权重和阀值,弱化了评价中的人为因素,提高了评价结果的准确性和权威性,解决了BP神经网络存在落入局部最小点和收敛速度慢的问题.实例研究表明,遗传神经网络的评价模型具有有效性和可行性.     

锂离子电池SOC估计方法的比较

新一代混合动力特种车辆直流母线电压高达900 V,由多个单体电池串联或并联组成电池组,由于电池单体之间存在着不一致性,往往使得电池组寿命要低于电池单体寿命几倍甚至几十倍.因此需要对整个电池组进行均衡管理,而均衡管理最关键的因素是检测每个电池单体的荷电状态(SOC).对现有的9种SOC估计方法进行了分析比较,提出了将安培积分法和开路电压法相结合来估算SOC,同时考虑温度、电池老化和充放电效率的影响.此方法简单、可靠,可以在线实时观测,符合特种车辆的要求.     

基于BP神经网络和遗传算法的扫雷参数优化

针对扫雷作战仿真中的参数优化问题,论述了BP神经网络和遗传算法在扫雷参数优化中的应用。首先对某作战背景下的扫雷作战效能进行了详细分析,给出了雷区清扫率的计算方法;然后利用BP神经网络建立了扫雷参数与雷区清扫率之间的数学模型;最后通过遗传算法对扫雷参数进行优化研究。研究结果表明,该方法能够较精确地建立扫雷作战效能模型,并能快速搜索到最优扫雷参数组合条件。     

基于遗传算法优化BP神经网络的供暖系统热负荷预测模型

针对供暖系统热负荷短期预测问题,利用改进的遗传算法(genetic algorithm,GA)对BP神经网络(back propagation neural network)的初始权值和网络结构进行优化,并在遗传进化过程中采取保留最佳个体的方法。该方法克服了一般BP网络初始权值的随机性和网络结构训练过程中的所带来的网络震荡,以及一般BP网络容易陷入局部极小等问题。同时结合一般BP神经网络方法进行仿真实验和分析比较,结果表明:该方法具有全局寻优能力,预测精度高,绝对和相对误差较小,收敛速度快,能够有效针对供暖系统热负荷进行短期预测。