胡富荣[1]（2021）在《基于光子神经网络的强化学习模型及应用》文中提出光子神经网络因其高速率、低功耗、大带宽等优势在近年来受到了人工智能领域的广泛关注。但是目前光子神经网络大多应用在监督学习任务中,而监督学习需要大量的先验数据做支撑,这也使得监督学习的应用场景较为局限。随着人工智能领域的飞速发展,人们对智能体的学习能力也提出了更高的要求,需要智能体能够像人类一样通过与环境的不断互动来学习更为复杂的任务,这就是强化学习。本文将光子神经网络应用在强化学习任务中,在扩展光子神经网络应用领域的同时也为强化学习的实现方法提供了新思路,完成的相关工作如下:一、提出一种基于光子神经网络的强化学习模型（Optical Neural Network Reinforcement Learning Model,ORL）,并将 ORL 模型应用于离散数据空间的强化学习环境。本文使用的是强化学习中常见的环境模型—网格世界（Grid World）,并自主搭建了二维和三维的情况。在二维网格世界中,基于ORL模型的智能体可以在200局游戏后就稳定地找到通向终点的最短路径;在三维网格世界中,基于ORL模型的智能体在经过300局游戏的学习后从起初的每局需要行走1000步下降到每局只需要近20步就可以走到迷宫终点。二、将ORL模型应用于连续数据空间的强化学习环境,本文使用的连续状态环境是强化学习环境工具箱—Open AI Gym中的Cart Pole游戏,经过仿真结果验证,基于ORL模型的智能体可以在450局游戏后稳定地达到每局游戏的最大步长,即小车可以稳定地支撑滑杆不倾倒。通过ORL模型与当前强化学习的电子架构DQN的性能对比可以得出,基于ORL模型的智能体有着与电子强化学习架构相当的学习能力和环境适应能力,这也证明将光子神经网络应用在强化学习中有着十分诱人的发展前景。
王丽馨[2]（2021）在《数据驱动的互联电网小干扰稳定评估与阻尼调控策略研究》文中研究指明小干扰稳定问题是互联电网安全稳定运行的重大威胁之一。随着互联电网规模的扩大以及大规模新能源柔性并网,现代电网呈现出拓扑结构日益庞大、结构形态复杂以及运行方式复杂多变等特点,小干扰稳定问题仍然是电力系统迫切需要解决的重要问题。广域量测系统的发展为实现基于全网的小干扰稳定性在线安全稳定分析与控制提供了有利平台。电力系统广域随机响应是系统正常运行过程中由于负荷投切、新能源有功间歇性输出等环境激励下系统动态响应,易于采集且数据量丰富,能够反映系统正常运行条件下的动态特性。为此,本文以电力系统随机响应为数据源,重点围绕基于广域随机响应的互联电网小干扰稳定性在线评估和阻尼调制等方面开展了研究,充分挖掘和有效利用互联电网广域量测随机响应数据,及时跟踪系统机电小干扰特征参数,掌握系统当前运行方式下小干扰稳定水平,并根据模态参数跟踪结果,及时发现系统潜在安全稳定问题,采取有效调控措施,提高系统阻尼水平。本文的创新性研究内容包括:（1）以随机微分方程和电力系统环境激励特征为基础,推导出了环境激励下电力系统随机响应信号的解析表达式;在考虑到电力网络和机械振动系统相似性的基础上,根据随机振动理论推导计算了环境激励下系统随机响应的功率谱密度解析表达式,从频域特性方面证明了机电振荡特征在电力系统随机响应信号中的存在性,揭示了利用系统随机响应提取系统机电小干扰特征参数的机理,为基于广域随机响应的电力系统机电小干扰稳定评估与阻尼调制提供了坚实的数据基础;（2）研究了随机数据驱动的电力系统机电小干扰稳定性在线评估方法。以电力系统广域随机响应为数据源,将流体力学领域中用于分析流体特性的子空间动态模式分解方法引入电力系统,在线提取系统状态空间矩阵。同时为了进一步提高小干扰稳定评估的实时性,通过引入Givens旋转因子,提出了基于递推子空间动态模式分解的电力系统状态空间矩阵在线递推跟踪方法,从而实现了机电小干扰特征参数的在线提取与跟踪,在可靠提取系统机电特征参数情况下,极大地提高了电力系统小干扰稳定在线安全评估的实时性。（3）针对基于发电机有功调制的阻尼提升策略中调整量在线估计困难的问题,提出了基于小干扰稳定约束下区域间功率传输能力在线评估的发电机有功调制量估计方法。首先,基于系统随机响应构建互联电网等值两机系统简化模型,并建立考虑小干扰稳定约束的区域间功率传输能力在线评估优化模型,进而提出了随机数据驱动的小干扰稳定约束下互联电网区域间功率传输能力在线评估方法。在此基础上,通过区域间功率传输能力评估结果与系统当前区域间传输功率做差值,精准估计阻尼调制策略中用于提升系统阻尼的发电机组有功调制量。（4）针对现代互联电网规模扩大、运行方式多样以及阻尼调制依据不足的问题,提出了随机数据驱动下基于递推子空间动态模式分解法的发电机有功参与因子在线计算方法,实现机电小干扰模式与发电机有功功率之间相关性的量化分析,为在线精准定位有功调制发电机组提供依据;并在基于区域间功率传输能力评估的有功调制量估计结果基础上,结合有功参与因子辨识结果,设计了参调发电机组数量及其有功调制量最优分配方案,构建了随机数据驱动的基于发电机有功精准调制的互联电网阻尼提升策略,在线提升互联系统阻尼水平。
霍胥男[3]（2021）在《一种QR分解递归最小二乘法的数字预失真技术研究》文中研究表明功率放大器作为无线通信发射机中的关键设备,负责对小信号进行功率放大,提高其在空间中的传输距离。然而,功率放大器所固有的非线性特性,会导致发射信号频谱展宽,严重干扰邻道信号的正常通信。针对此问题,本文提出了一种基于QR分解递归最小二乘（QR Decomposition Recursive Least Squares,QRD-RLS）法的数字预失真（Digital Pre-Distortion,DPD）技术,不仅能有效降低带外频谱泄露,还能提高预失真参数的计算效率。主要工作为以下三部分:第一,完成QRD-RLS算法的理论分析。首先围绕数字预失真参数学习中的最小二乘算法与递归最小二乘算法进行数理剖析;然后提出了一种基于QR分解的递归最小二乘算法,并且采用脉动阵列学习结构进行并行化计算;最后使用CORDIC计算单元实现向量旋转,避免了Givens旋转中的除法与开平方操作。第二,完成基于QRD-RLS的数字预失真链路仿真。首先对预失真参数学习器进行详细设计,主要包括算子组合模块、脉动阵列学习模块以及高斯消元模块;然后采用间接学习结构搭建DPD浮点仿真链路,验证QRD-RLS算法所求预失真参数的正确性;最后搭建DPD定点仿真链路,评估定点数对预失真性能的影响,并统计各模块的浮点输出与定点输出之间的误差范围。第三,完成基于QRD-RLS的数字预失真实验验证。首先对预失真参数学习器中各子模块进行顶层结构设计,并给出内部关键知识产权核的详细配置情况;然后基于软件无线电实验平台,对数字预失真器与预失真参数学习器进行数字逻辑实现;最后采用闭环学习法搭建基于QRD-RLS的数字预失真系统,并进行预失真性能测试。当基带信号采样率为153.6Msps时,对于20MHz带宽的16QAM信号,该方案能使其带外泄漏从-38d B降低至-49d B。本文研究了一种基于QRD-RLS的数字预失真技术,并通过理论分析、仿真实验以及实物测试的方式,验证了所提算法的正确性。研究成果可根据功放的输入与输出信号,自适应地调节预失真参数,适用于以FPGA或ASIC为计算核心的闭环数字预失真系统。
荣志[4]（2021）在《基于电磁积分方程快速直接算法的研究与应用》文中研究指明电磁积分方程方法因其具有较高的计算精度和较少的未知量,已被广泛应用于电磁仿真设计领域中。使用矩量法离散积分方程会产生一稠密矩阵,为此诸多快速算法被提出以进一步提升了积分方程方法的计算能力。绝大多数快速算法通常用于加速积分方程离散形成的线性矩阵与右端向量之间的乘积。所以这些快速算法常结合迭代方法,求解积分方程离散形成的线性矩阵方程。然而,迭代方法仍然有严重的弊端。首先是对于复杂问题,迭代方法的收敛很慢甚至难以收敛。另一个问题是在求解多右端项时,迭代方法会因重启迭代过程而导致计算效率低。另一方面,不同于迭代方法,直接求解方法能够得到系统矩阵的逆,因而能够完全避开迭代方法的收敛性问题,并且对多右端项的求解更有效率。本文围绕着积分方程快速直接求解方法开展了一系列研究,研究内容包括基于叠层非对角低秩矩阵结构和骨架化分解两种快速直接求解方法,求解问题包括金属问题和均匀介质问题。首先,本文研究了基于改进的叠层非对角低秩矩阵结构（Modified HODLR）的快速直接求解方法。改进的方法将非对角矩阵块的压缩近似过程分为下行分割和上行聚合两个过程。对于下行分割过程,其将非对角矩阵块逐层分割,并使用扩展的相容性条件（EAC）判断子矩阵块能否使用低秩近似。随后上行聚合过程将低秩近似的子矩阵块逐层聚合得到非对角矩阵块的低秩近似形式,并使用QR-SVD再压缩方法降低非对角矩阵块的近似秩。数值算例证明使用改进的HODLR矩阵方法能够显着地提升计算效率和计算精度。然后,本文研究了基于骨架化算法（Skeletonization）的快速直接求解方法。为了进一步提升骨架化直接求解的计算效率,本文使用了新型骨架化策略和骨架分解。新型骨架化策略在代理面上使用等效点和常矢量基函数,避免了使用RWG基函数对代理面完全离散,因此减少了代理矩阵的维度,极大的提升了构建骨架化矩阵的计算效率。在得到了系统矩阵多层稀疏化表示之后,应用骨架分解方法将系统矩阵分解为若干矩阵相乘形式,并且只需对中间块对角矩阵求逆,求逆时间因此得到降低。接下来,针对骨架分解方法存在的缺陷,本文研究了强相容骨架分解方法（SASF）。该方法结合强相容性条件,只需对远区组耦合压缩近似,而不用同时压缩附近组和远区组,因此非对角矩阵块的近似秩更小,矩阵构建效率更高。对压缩后的系统矩阵使用SASF方法,可将系统矩阵分解为一系列三角矩阵和一块对角矩阵相乘形式。在分解过程中产生的稠密fill-in矩阵块,将其压缩近似以保证矩阵的稀疏性,分解求逆的计算效率也因此得到保证。数值算例表明SASF方法的计算复杂度为O(N1.5),存储复杂度为O（Nlog N）。最后,本文将强相容骨架分解方法拓展至求解均匀介质问题的PMCHWT积分方程中（PMCHWT-SASF）。PMCHWT方程同时具有电流和磁流未知量,为此提出了将两种未知量分别处理,得到分别的近似形式。再将得到的电流和磁流近似形式合并,得到最终系统矩阵的近似形式。依此方法得到的系统矩阵结构更为简单,能够更好地应用SASF方法快速分解求逆。在分解过程中产生的fill-in矩阵,将其与代理矩阵一同压缩,并结合矩阵归一化技术保证精度和效率。
杨若男[5]（2020）在《OFDM系统盲信道估计算法研究》文中提出正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）技术由于其数据传输速率高、频谱利用率高等优点在无线通信中得到了广泛应用。OFDM技术将频率分集和时间分集进行有机结合,不仅可以大幅度提高系统的信道容量和传输速率,而且能有效对抗多径衰落和干扰。在实际应用中,OFDM系统通常需要信道信息才能进行相干解调,因此信道估计是OFDM系统接收机设计的一项重要任务。现有的OFDM系统信道估计方法主要有盲（半盲）信道估计和非盲信道估计。非盲信道估计是利用发送训练序列或者插入导频信号的方法来估计信道;盲信道估计方法不需要发送训练序列或者插入导频信号,仅利用接收信号就可以在线估计出信道信息,提高了频谱的利用率。论文对OFDM系统的盲信道估计问题展开研究,取得的主要成果如下:1.针对SISO-OFDM系统的信道估计问题,提出了一种基于预编码的修正联合盲信道估计算法。通过在发送符号上引入预编码矩阵,提高接收符号之间的相关性,以便在接收端利用这种相关性来估计信道。论文详细分析了接收信号的自相关矩阵R的结构特点。首先利用R的对角元素得到信道的预估计,然后通过R的下三角元素对预估计的信道参数进行递推修正,得到最终的信道参数估计。论文分析了算法的计算复杂度,与基于子空间的盲信道估计算法相比,其复杂度有了明显的降低。最后,仿真结果表明,论文提出的修正联合盲信道估计算法在高信噪比情况下可以获得优于现有盲信道估计算法的估计精度。2.针对MIMO-OFDM系统的信道估计问题,提出了一种基于非冗余块状预编码的盲信道估计算法。通过对发送的两个符号引入分块编码矩阵,对接收信号的自相关矩阵对角线的两个子块分别进行奇异值分解,分别得到MIMO信道的两个估计,将它们进行融合得到了最终的MIMO信道估计。论文给出了融合系数的选取原则,使所提算法在获得最优信道估计的同时,最大限度地降低系统误码率。仿真结果表明,与现有的其它盲信道估计算法相比,论文算法具有更好的信道估计性能。3.针对SIMO-OFDM系统的信道估计问题,提出了一种基于平行因子分析的盲信道与符号联合估计算法。建立了接收信号的平行因子分析模型,通过接收信号矩阵的奇异值分解得到右奇异向量,并结合离散傅里叶变换矩阵可以构造出一个非奇异矩阵,据此可以同时得到信道信息和符号的估计。论文算法是一种闭式求解方法,相较于传统方法具有更低的计算复杂度。仿真结果表明,与传统方法相比,论文算法的信道估计性能更好。4.针对时变MIMO-OFDM系统的自适应盲信道跟踪问题,提出了两种盲信道跟踪算法:（1）递归最小二乘的盲信道跟踪算法（ABCE-RLST）,设计了以指数窗最小二乘方式表示的接收误差指标函数,通过最小化这个指标函数,递推得到盲信道估计;（2）同步对角化的盲信道跟踪算法（ABCE-SDT）,对数据加窗后的观测矩阵进行奇异值分解,构造出一个非奇异矩阵,通过对非奇异矩阵进行迭代更新,可以实现对信道的跟踪。仿真结果表明,与传统的盲信道跟踪算法相比,论文的两种盲信道跟踪算法具有更快的收敛速度和更小的信道跟踪误差。
杨任[6]（2020）在《结构拓扑修改重分析直接法与应用》文中研究指明有限元方程的高效求解是CAD/CAE软件的关键基础技术之一,也是制约我国CAD/CAE软件发展的瓶颈之一。重分析方法是在初始结构的位移求解结果或中间信息的基础上,对修改结构的位移进行快速求解的一种方法。重分析方法对有限元分析中的结构修改问题,如精化设计、结构拓扑优化、裂纹扩展等计算效率的提高具有重要意义。优秀的重分析方法可以避免对修改后的结构进行完整分析,使计算成本显着降低,进而缩短产品设计周期。作为最一般的修改形式,拓扑修改包含了结构构型的改变,广泛存在于各类实际问题中。因此,对拓扑修改的重分析方法开展研究有重要的学术意义与工程应用前景。近年来,重分析在近似与直接法方向均有长足的进步,尤其是非拓扑重分析方面。拓扑修改涉及结构构型改变,带来有限元模型自由度与单元的同时增删,在有限元方程中对应为刚度矩阵阶数的改变,仍然是重分析领域的挑战性问题之一。在现有研究中,近似重分析方法一般可以对特定问题快速得到近似响应,但通常限于中小修改,实践表明对大修改的准确性有待提高。直接重分析法能够对大修改给出精确解,然而,早期的隐式解修正法如SMW公式等通常在面对高秩修改时因效率急剧下降而失效;近期的分块求逆方法在效率上有所改进,但要求预知修改位置与范围。此外,大多数直接法未考虑当今有限元方程求解技术的发展,不能与现有CAE软件的百万自由度量级以上的大规模求解能力匹配。新近发展的矩阵分解因子更新法对局部高秩修改十分高效,且方法与目前CAE软件求解技术的数据结构相匹配。然而,这一方法依赖的图剖分填充元优化状态和数据结构在拓扑修改时一般会受到破坏,不能直接用于拓扑修改。本文（1）针对一般拓扑修改带来的挑战,在与现有主流稀疏求解匹配的分解因子更新法基础上,发展了一种全新的拓扑重分析直接法。方法具有准确、高效、适用范围广的特点,与当前CAE软件求解方案匹配。本文主要工作如下:1)固定背景网格的拓扑重分析直接法针对拓扑修改下填充元优化状态的失效问题,方法利用固定背景网格下最大填充空间已知的特点,引入完整结构概念予以规避。其核心是在结构拓扑修改时,不改变方程的相对排序,从而维持了近似的填充元优化状态。此外,相比于非拓扑修改,拓扑修改重分析需要对稀疏矩阵的数据结构进行修改,形成符号变化,即矩阵行列、非零元增删的符号变换方案。为了与稀疏有限元方程求解规模匹配,方案仅在原矩阵内存空间中进行数据移动,占用额外内存消耗可忽略。将以上符号变换与分解因子更新的数值处理相结合,建立了拓扑重分析直接法。该方法被应用于施工模拟与拓扑优化过程,显示出高效与高适应性的特点。2)自适应背景网格下拓扑重分析直接法进一步地,针对自适应背景网格下修改问题发展了拓扑重分析直接法。通过细致研究拓扑修改对填充元优化状态的影响,提出了图剖分更新方案,实现了随拓扑修改的填充元优化近似排序更新。此外,由于图剖分更新涉及DOF换序,本文进一步发展了稀疏存储数据结构下的矩阵置换操作。将以上符号工作与分解因子更新的数值处理相结合,发展了相应的拓扑重分析直接法,这一方法不再需要固定的背景网格,能够处理任意未知单元修改时矩阵填充元优化排序的更新,适用于最一般的拓扑修改,可用于裂纹扩展、网格自适应加密等问题。3)动力特征值问题拓扑修改重分析法最后,本文以子空间迭代法为基础,发展了动力特征值问题拓扑修改重分析法。方法将子空间迭代法分为刚度矩阵分解与空间迭代两部分。在前一部分中引入本文的静力重分析法快速获得修改结构的分解矩阵;在后一部分对拓扑修改下的初始迭代空间进行构造,在原模态基础上对新增自由度取随机值、划去删除自由度构造初始迭代空间,发展了拓扑修改的特征值重分析方法。面对一般拓扑修改的挑战,本文提出了对于局部高秩修改高效的拓扑重分析直接法,其在修改过程中显式地更新分解矩阵,能够获得不考虑舍入误差意义下的精确结果,可用于多步修改积累问题。方法可以处理不同类型的拓扑修改,包括背景网格固定的情况（例如施工模拟分析、结构拓扑优化）和更高级的拓扑修改形式——背景网格自适应的情况（例如裂纹扩展）。方法对修改的限制较弱,不需预知修改位置,不同修改步的修改位置可变,仅因效率考量要求修改是局部的。本文方法与现有稀疏求解方案兼容,能方便地嵌入有限元软件。算例表明,本文方法可用于百万阶大规模问题的多步局部高秩修改,能够胜任实际工程问题的计算,具有巨大的应用价值。
戴晶帼[7]（2020）在《多节点复杂贝叶斯网络结构学习方法研究》文中进行了进一步梳理以贝叶斯网络（Bayesian Network,BN）为典型代表的概率图模型具有清晰透明的变量间因果关系表示形式,能够支持基于数据驱动的建模方法,并能够利用条件概率描述变量间的依赖程度,为机器学习提供了在概率空间下的理论模型框架。在运用BN理论解决实际问题时,首要任务是根据研究对象构建变量间内在关系的图形化表示模型。然而在BN模型构建过程中,模型结构搜索空间规模将随着变量个数的增加呈指数级增长,尤其当面对多节点复杂BN模型结构训练问题时,挖掘各节点间的关联关系具有极高的时间和空间复杂度。针对该问题,论文采取图模型分解思想,将多节点复杂BN结构学习任务划分成一系列中小规模BN结构优化的子任务,通过构建中小规模BN结构训练方法,来提高局部邻域结构的学习精度和计算效率,在此基础上,将上述方法应用于大规模BN拆分后的子图结构学习中,并通过合并子图最终完成大型有向无环图的构建。论文的主要研究工作如下:（1）提出一种基于双尺度约束模型的BN结构自适应学习算法,解决了由于结构搜索空间约束不合理导致迭代寻优过程中丢失潜在最优解的问题。该算法将最大互信息和条件独立性（Conditional Independence,CI）测试结合,建立结构搜索空间大尺度约束模型,完成结构搜索空间的初始化。在此基础上,结合遗传算法的进化过程建立小尺度约束模型,利用评分函数和结构复杂度评估模型,实现结构搜索空间小尺度动态缩放。仿真结果表明:在处理中小规模BN（节点个数<50）结构训练任务时,与其它群智能优化算法比较,论文提出的新算法准确度提高了17.2%72.3%。（2）提出一种基于改进进化方法的BN结构混合学习算法,解决了由于随机性搜索导致优异子结构被破坏,以及马尔科夫等价类结构辨识困难导致的无效搜索问题。该算法考虑模型局部邻域特征,利用评分函数的可分解性建立结构评分记忆模型,使得BN中的优异子结构能够传递给后代个体,从而提高结构学习算法的收敛速度;此外,通过构造同一等价类结构的统计模型,及时反馈当前候选结构的多样性情况,在此基础上执行不同的修正操作,能够保证种群的多样性。仿真结果表明:在完成变量个数少于50个的BN建模任务时,与性能优异的最大最小爬山（Max-Min HillClimbing,MMHC）算法相比,论文提出的新算法学习精度平均提高了约25.5%;与其它群智能优化算法比较,论文提出的新算法收敛速度平均提升了约4倍。（3）提出一种基于三阶段马尔科夫覆盖快速发现方法的无向独立图构建算法,解决了低效CI测试导致大规模BN的无向独立图构造时间成本增加的问题。该算法通过引入一个约束阈值和最大信息系数建立马尔科夫覆盖过滤模型,删除弱关联关系的连接边,从而限制候选马尔科夫覆盖搜索空间的规模;在此基础上,利用局部拓扑特性,优先执行有效的CI测试,避免高阶检验过程,减少CI测试的次数。仿真结果表明:当网络节点个数大于50时,与其它马尔科夫覆盖发现方法比较,论文提出的新算法执行CI测试的次数平均减少约6倍,CI测试的阶数平均降低约7倍。（4）提出一种基于图划分的大规模BN结构递归学习算法,解决了无先验知识情况下大规模BN的无向独立图的有效分割问题。该算法根据网络结构的局部拓扑特征评估各节点在信息传播过程中的重要性程度,在此基础上设计了一种基于局部拓扑信息的大规模BN的无向独立图分解模型;同时利用分解后的子图结构特征,设计有效的分解终止条件。仿真结果表明:在BN包含的节点个数大于100的情况下,与性能优异的MMHC算法比较,论文提出的新算法准确度平均提高了26.7%,且运行时间平均减少了24%;与其它典型的结构学习算法相比,论文提出的新算法能够在学习精度和计算效率之间取得良好的平衡。
韩可欣[8]（2020）在《电力系统状态估计的混合可观测性分析方法》文中研究指明状态估计是电力系统EMS中用以保证实时数据质量,使EMS其他高级功能正常运行的核心环节。而电力系统可观测是状态估计能够良好运行的前提,可观测性分析算法的好坏将直接影响状态估计的性能。如今电网规模日趋庞大,电网调度运行愈发复杂。对大规模电力系统进行可观测性分析时,直接全网搜索生成树的传统拓扑算法容易出现组合爆炸问题,数值算法的计算时间和不稳定性随系统规模的增大而增加。为了解决这些问题,本文提出了一种拓扑-数值混合可观测性分析算法。该算法首先借鉴SCADA量测下基于潮流定解的拓扑可观测性分析方法的基本思想,利用量测岛合并原则和拓扑合并规则,从网络局部开始递归合并量测岛来简化网络规模。拓扑分析后,针对由量测岛边界节点和岛际不可观测支路组成的简化网不连通的问题,依据量测岛内至多只有一个未知状态变量的基本原理,该方法提出在量测岛内部的边界节点间添加配有潮流伪测量的等值支路,以连接简化网内不相连的部分。随后针对连通简化网,本文采用改进的基于解耦直流模型的数值可观测性分析方法判断网络最终的可观测性。同时,本文论证了该混合方法的基本思想同样适用于PMU量测下的可观测性分析,并基于PMU量测的特点对该方法进行部分修正,在拓扑部分新增了两条PMU量测岛合并规则,最终提出了基于PMU量测的混合可观测性分析方法。最后,本文构造不同规模的算例对该方法和现有方法进行测试,最终验证了该方法在大规模电力系统中的有效性和实用性。
赵喆[9]（2020）在《具有高速缓存无关性质的原地线性变换的研究》文中研究说明现代微处理器提供了丰富的内存层次结构,包括各种级别的缓存和寄存器。其中一些内存（如主存、L3高速缓存）比较大,但速度很慢,并且在所有核心之间共享,其它的（寄存器、L1高速缓存）速度快,容量小并且只分配给一个小的内核。缓存大小一定程度上限制了高性能计算的性能。此外,由于层次存储结构各层结构之间的读写速度差异,导致高速缓存未命中次数成为影响高性能计算性能的另一因素。在本文中,我们考虑基本的线性变换算法,提出了一种具有缓存无关性质的原地线性变换算法。该原地线性变换算法允许计算得到的输出覆盖到输入上,在整个计算过程中只使用了O（1）大小的额外存储空间。本文首先介绍一个基于分块lower upper（LU）分解的原地线性变换算法,并表明所提出的算法具有高速缓存无关的属性。随后本文通过结合空间填充曲线对变换矩阵进行映射,给出了所提算法的循环版本。我们分析了该算法渐进意义下的高速缓存未命中次数,并给出了有关证明。变换矩阵为非方阵情况下的扩展算法在本文中也进行了讨论,并且分析了基于分块lower diagonal upper（LDU）分解的实现方式。本文同时给出了适合任意矩阵的基于permutation lower upper（PLU）分解的原地线性变换算法,通过使用空间填充曲线,使得该算法同样具有高速缓存无关的性质。最后,我们通过模拟实验对上述算法进行了性能测试并和已有算法进行了比较。仿真结果表明,本文所提出的原地线性变换算法相比现有原地线性变换算法有着更好的缓存利用率,平均性能提升达到30%以上,同时相比非原地算法,运行时内存消耗减小为50%。
郭晓杰[10]（2020）在《船舶电力推进系统智能容错控制技术研究》文中提出船舶电力推进系统将船舶操纵推进用电和其他用电负载一体化,具有降低动力装置重量和体积、提高系统供电可靠性以及便于能量综合利用与统一管理等特点,已经成为未来智能船舶的主要发展方向。多发电机组、多种用电负载和智能变电设备的投入使用改变了船舶电力推进系统的拓扑结构和操作特性,也对其解析容错控制设计提出了严峻挑战。因此,综合考虑系统故障行为特性和容错控制体系结构,进行船舶电力推进系统智能容错控制技术研究具有十分重要的意义。本文针对船舶电力推进系统智能容错控制技术的几个关键问题展开了研究:首先,开展了船舶电力推进系统的容错控制体系结构与数学建模研究。明确了本文的研究对象,介绍了船舶中压直流电力推进系统的基本结构和功能特性。考虑电力推进系统容错控制的多层结构与集成设计,提出了一种船舶中压直流电力推进系统递阶、分层智能容错控制体系结构框架,将系统状态监控、健康评估、故障诊断以及容错控制策略的内在联系进行了统一描述。为了对船舶电力推进系统容错控制研究提供必要的理论框架和模型基础,建立了发电子系统、推进子系统、区域负载集合以及配电子系统的数学模型,重点针对推进子系统中的六相永磁同步电机和螺旋桨负载特性进行了描述。其次,针对船舶电力推进系统的典型故障模式与影响分析进行了智能评估研究。综合考虑专家评估的可信度、模糊信息的不确定性以及故障模式与故障原因的内在关联性,提出了一种基于模糊逻辑与决策试验评估实验室（Decision-making Trial and Evaluation Laboratory,DEMATEL）理论的故障模式影响智能评估方法,利用信息熵与定性分析相结合的综合权重分配机制确定了专家意见可信度权重,引入了模糊语言术语集和模糊数得到各风险因子的模糊评价及相对模糊权重,设计了基准调整搜索算法确定模糊风险优先数的α-割集,采用质心解模糊思想和α-割集理论对模糊风险优先数进行了清晰化处理。将模糊风险优先数的解模糊值作为DEMATEL算法的输入变量,计算了各故障模式的原因度和风险优先级排序。以推进子系统的典型故障模式为例,验证了所提的智能评估方法的有效性,为后续的容错控制策略设计提供了理论依据。然后,针对船舶电力推进系统六相永磁同步电机的绕组缺相故障智能容错控制展开了研究。建立了含参数摄动和负载扰动的六相永磁同步电机缺相故障容错系统数学描述,结合故障检测机制,提出了一种基于中线补偿的零序电流参考值在线决策系统,无需根据不同相绕组开路情形和中性点连接方式重新推导降维解耦的数学模型,建立了矢量解耦的转速/电流容错控制结构框架。为了解决六相永磁同步电机绕组缺相引起的转速跟踪和转矩脉动问题,基于设计的矢量解耦容错控制结构,提出了一种自适应反步滑模鲁棒容错控制策略,利用自适应估计技术和鲁棒控制能量耗散不等式分别在线补偿了反步滑模系统的内部参数摄动和外部负载扰动,实现了六相永磁同步电机系统缺相故障运行的转速跟踪、扰动抑制和容错最优化。考虑到参数摄动自适应律设计中存在增益参数整定困难和抗扰鲁棒性能较差等问题,进一步提出了一种递归小波模糊神经网络智能观测器设计算法,将其应用于反步滑模鲁棒容错系统不确定参数摄动的在线估计过程,保证了基于智能观测器的六相永磁同步电机反步滑模鲁棒容错控制系统的渐进稳定性。通过缺相故障模拟和数字仿真试验结果,验证了所提的两种容错控制策略的有效性。最后,开展了船舶电力推进系统的舵/桨输出作用力协调容错控制研究。探讨了船舶航速与航向的耦合关系,以及螺旋桨对航向控制和舵对航速控制的影响,建立了含海浪环境干扰和模型参数估算误差（合称为复合扰动）的船舶航速/航向操纵系统数学描述。针对船舶电力推进系统双舵双桨控制力的部分失效情形,设计了非线性观测器在线补偿不确定性复合扰动,基于失效系数计算和复合扰动观测器,提出了一种自适应滑模协调容错控制策略,结合有效性系数矩阵修正了故障执行器的优先作用等级,设计了具有故障惩罚作用的伪逆优化分配策略。针对船舶电力推进系统双舵双桨输出控制力的部分失效、中断、偏移和卡死等故障模式,给出了含执行器多重故障和复合扰动的船舶航速/航向控制系统数学描述,设计了自适应更新律在线估计执行器失效因子、卡死故障因子、卡死故障的上下界以及复合扰动的上下界,结合故障参数估计值和复合扰动参数估计值,提出了一种控制律重构与控制分配集成设计的自适应反步协调容错控制策略,实现了航速/航向跟踪、复合扰动抑制和执行器能耗最小化。构建了船舶电力推进舵/桨协调容错系统数字仿真测试平台,分别验证了所提的两种容错控制策略的可行性。本文的研究成果具有重要的理论意义和应用前景,可以为船舶电力推进系统智能容错控制的工程化应用提供技术基础和经验积累,实现船舶电力推进系统的可靠运行与健康管理。此外,其研究成果也适用于其他对象,有助于其他工程领域在相关技术层面上的借鉴推广。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 光子神经网络概述 |
| 1.2.2 强化学习概述 |
| 1.3 本文主要内容 |
| 第二章 光子神经网络与强化学习的原理及算法 |
| 2.1 光子神经网络的结构原理 |
| 2.1.1 权值矩阵的奇异值分解原理 |
| 2.1.2 酉矩阵的三角分解原理 |
| 2.1.3 酉矩阵的矩形分解原理 |
| 2.1.4 光学非线性单元原理 |
| 2.2 光子神经网络的训练算法 |
| 2.2.1 伴随变量法 |
| 2.2.2 粒子群算法 |
| 2.3 强化学习原理 |
| 2.3.1 马尔科夫决策过程 |
| 2.3.2 价值函数与行为策略 |
| 2.4 强化学习算法 |
| 2.4.1 基于模型的强化学习 |
| 2.4.2 基于非模型的强化学习 |
| 2.4.3 Sarsa和Q-leaming算法 |
| 2.5 本章小节 |
| 第三章 基于光子神经网络的强化学习模型(ORL) |
| 3.1 ORL的模型结构 |
| 3.1.1 智能体结构 |
| 3.1.2 环境结构及分类 |
| 3.2 ORL的模型参数 |
| 3.2.1 智能体参数 |
| 3.2.2 环境参数 |
| 3.2.3 其他参数 |
| 3.3 ORL的模型指标 |
| 3.4 本章小结 |
| 第四章 ORL模型在离散状态环境中的应用 |
| 4.1 二维网格世界 |
| 4.1.1 环境结构 |
| 4.1.2 智能体参数研究 |
| 4.1.3 优化结果 |
| 4.2 三维网格世界 |
| 4.2.1 环境结构 |
| 4.2.2 智能体参数研究 |
| 4.2.3 优化结果 |
| 4.3 本章小结 |
| 第五章 ORL模型在连续状态环境中的应用 |
| 5.1 倒立摆模型原理 |
| 5.2 Open AI Gym介绍 |
| 5.3 Cart Pole游戏 |
| 5.3.1 环境介绍 |
| 5.3.2 智能体参数研究 |
| 5.3.3 优化结果 |
| 5.4 ORL与DQN的性能比较 |
| 5.5 本章小节 |
| 第六章 总结与展望 |
| 6.1 本文研究总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.1.1 电力系统小干扰稳定概述 |
| 1.1.2 现代互联电网特点及其对小干扰稳定的影响 |
| 1.1.3 课题研究的目的及意义 |
| 1.2 电力系统小干扰稳定性研究现状 |
| 1.2.1 小干扰稳定性机理 |
| 1.2.2 小干扰稳定性分析方法 |
| 1.2.3 阻尼调制措施 |
| 1.3 论文研究思路与主要内容 |
| 1.3.1 论文研究思路 |
| 1.3.2 主要研究工作 |
| 第2章 环境激励下电力系统随机响应特性分析 |
| 2.1 引言 |
| 2.2 环境激励下电力系统随机响应 |
| 2.2.1 电力系统动态响应 |
| 2.2.2 准稳态随机响应数学解析 |
| 2.2.3 随机响应频域特性分析 |
| 2.3 仿真分析与验证 |
| 2.3.1 IEEE4机2 区域系统仿真分析 |
| 2.3.2 实际量测数据仿真分析 |
| 2.4 本章小结 |
| 第3章 随机数据驱动的电力系统机电小干扰稳定在线评估 |
| 3.1 引言 |
| 3.2 数据驱动的电力系统状态空间矩阵建模 |
| 3.3 基于Rsub-DMD的机电小干扰特征参数提取 |
| 3.3.1 系统状态空间矩阵辨识 |
| 3.3.2 系统状态矩阵在线递推 |
| 3.3.3 机电小干扰特征参数及参与因子提取 |
| 3.4 基于广域随机响应的小干扰稳定性在线评估方法 |
| 3.5 方法有效性验证 |
| 3.5.1 IEEE4机2区域系统 |
| 3.5.2 IEEE16机68节点系统 |
| 3.5.3 实际量测数据 |
| 3.6 本章小结 |
| 第4章 基于发电机有功精准调制的阻尼提升策略——调制量估计方法研究 |
| 4.1 引言 |
| 4.2 互联电网区域间传输功率与阻尼特性分析 |
| 4.2.1 小干扰稳定约束下的区域间功率传输能力 |
| 4.2.2 区域间功率传输与区间模式阻尼特性分析 |
| 4.3 小干扰稳定约束下区域间功率传输能力在线评估模型 |
| 4.3.1 互联电网等值两机系统简化模型 |
| 4.3.2 区域间功率传输能力评估优化模型 |
| 4.4 基于PSO的区域间功率传输能力评估优化模型求解 |
| 4.4.1 粒子群优化算法 |
| 4.4.2 基于PSO的 ITC评估优化模型求解 |
| 4.5 基于ITC评估的发电机有功调制量在线估计方法 |
| 4.6 仿真计算 |
| 4.6.1 IEEE16机68节点系统 |
| 4.6.2 实际系统 |
| 4.7 本章小结 |
| 第5章 基于发电机有功精准调制的阻尼提升策略——关键调制机组选择方法研究 |
| 5.1 引言 |
| 5.2 有功调制的小干扰稳定分析基础 |
| 5.2.1 系统运行点与模式阻尼 |
| 5.2.2 特征分析及参与因子 |
| 5.3 发电机有功调制中参调发电机组选择 |
| 5.3.1 基于参与因子的参调发电机选择 |
| 5.3.2 参调发电机组调制方向的确定 |
| 5.4 基于发电机有功精准调制的互联电网阻尼提升策略 |
| 5.4.1 参调发电机组数量的确定 |
| 5.4.2 参调发电机组有功调制量的确定 |
| 5.4.3 互联电网阻尼提升策略 |
| 5.5 阻尼提升策略性能分析 |
| 5.5.1 IEEE16机68节点系统分析 |
| 5.5.2 实际系统分析 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的论文及其它成果 |
| 致谢 |
| 个人简历 |
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究工作与贡献 |
| 1.3 论文结构与安排 |
| 第二章 数字预失真技术研究现状 |
| 2.1 引言 |
| 2.2 数字预失真技术概述 |
| 2.2.1 数字预失真系统结构 |
| 2.2.2 数字预失真模型 |
| 2.2.3 数字预失真系统工作流程 |
| 2.2.4 数字预失真参数学习算法 |
| 2.3 数字预失真参数学习方法研究现状 |
| 2.3.1 开环学习法 |
| 2.3.2 闭环学习法 |
| 2.4 本章小结 |
| 第三章 一种QRD-RLS的数字预失真理论研究 |
| 3.1 引言 |
| 3.2 预失真参数学习器的设计难点 |
| 3.3 预失真参数的串行迭代学习 |
| 3.3.1 串行迭代学习算法 |
| 3.3.2 串行迭代学习链路 |
| 3.3.3 DPD性能分析 |
| 3.4 预失真参数的并行迭代学习 |
| 3.4.1 消除矩阵求逆 |
| 3.4.2 算子矩阵的QR分解 |
| 3.4.3 并行迭代学习结构 |
| 3.4.4 基于CORDIC的脉动阵列结构 |
| 3.5 本章小结 |
| 第四章 一种QRD-RLS的数字预失真链路仿真 |
| 4.1 引言 |
| 4.2 总体方案设计 |
| 4.3 数字预失真浮点链路仿真 |
| 4.3.1 算子组合模块 |
| 4.3.2 脉动阵列学习模块 |
| 4.3.3 高斯消元模块 |
| 4.3.4 浮点仿真结果 |
| 4.4 数字预失真定点链路仿真 |
| 4.4.1 数据位宽量化 |
| 4.4.2 数据误差分析 |
| 4.4.3 定点仿真结果 |
| 4.5 本章小结 |
| 第五章 一种QRD-RLS的数字预失真实验验证 |
| 5.1 引言 |
| 5.2 数字逻辑设计与实现 |
| 5.2.1 总体方案设计 |
| 5.2.2 收发同步模块 |
| 5.2.3 功率归一化模块 |
| 5.2.4 算子组合模块 |
| 5.2.5 脉动阵列学习模块 |
| 5.2.6 高斯消元模块 |
| 5.3 数字预失真性能测试实验 |
| 5.3.1 实验平台介绍 |
| 5.3.2 实验操作流程 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 结束语 |
| 6.1 本文工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间的研究成果 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究历史与现状 |
| 1.3 本文的主要内容与贡献 |
| 1.4 本论文的结构安排 |
| 第二章 积分方程方法简介 |
| 2.1 引言 |
| 2.2 表面积分方程方法 |
| 2.3 积分方程的矩量法求解 |
| 2.3.1 矩量法基本原理 |
| 2.3.2 基函数的选取 |
| 2.3.3 积分方程的离散 |
| 2.3.4 矩阵方程的求解 |
| 2.4 本章小结 |
| 第三章 改进的叠层非对角低秩矩阵快速直接求解方法 |
| 3.1 引言 |
| 3.2 叠层非对角低秩矩阵的基本原理 |
| 3.3 改进的HODLR矩阵构建方法 |
| 3.3.1 下行分割 |
| 3.3.2 上行聚合 |
| 3.3.3 复杂度分析 |
| 3.4 数值算例 |
| 3.4.1 金属球 |
| 3.4.2 计算复杂度 |
| 3.4.3 计算效率对比 |
| 3.4.4 复杂飞机的电磁散射 |
| 3.5 本章小结 |
| 第四章 基于骨架分解的快速直接求解方法 |
| 4.1 引言 |
| 4.2 骨架化方法基本原理 |
| 4.3 骨架分解方法的实现 |
| 4.3.1 新型骨架化策略 |
| 4.3.2 骨架分解方法 |
| 4.4 数值算例 |
| 4.4.1 金属球 |
| 4.4.2 复杂度分析 |
| 4.4.3 计算效率分析 |
| 4.4.4 直升机模型 |
| 4.4.5 复杂飞机模型 |
| 4.5 本章小结 |
| 第五章 强相容骨架分解快速直接求解方法 |
| 5.1 引言 |
| 5.2 强相容骨架分解方法 |
| 5.2.1 强相容骨架化矩阵结构 |
| 5.2.2 强相容骨架分解的实现 |
| 5.2.3 Fill-in的压缩处理 |
| 5.2.4 复杂度分析 |
| 5.3 数值算例 |
| 5.3.1 计算精度测试 |
| 5.3.2 SASF的复杂度 |
| 5.3.3 计算效率分析 |
| 5.3.4 复杂飞机的电磁散射 |
| 5.4 本章小结 |
| 第六章 均匀介质目标的快速直接求解方法 |
| 6.1 引言 |
| 6.2 PMCHWT方程基本原理 |
| 6.3 求解PMCHWT方程的强相容骨架分解方法 |
| 6.3.1 PMCHWT-SASF的实现 |
| 6.3.2 Fill-in矩阵块的压缩 |
| 6.4 数值算例 |
| 6.4.1 计算精度测试 |
| 6.4.2 计算复杂度验证 |
| 6.4.3 复杂介质体 |
| 6.5 本章小结 |
| 第七章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 面临的问题 |
| 1.4 本文主要工作及章节安排 |
| 1.4.1 本文主要工作 |
| 1.4.2 本文组织结构 |
| 第二章 无线信道模型及OFDM系统基本原理 |
| 2.1 引言 |
| 2.2 无线衰落信道 |
| 2.2.1 大尺度衰落 |
| 2.2.2 小尺度衰落 |
| 2.3 典型的信道模型 |
| 2.3.1 信道冲激响应模型 |
| 2.3.2 AWGN信道 |
| 2.3.3 IEEE802.11 信道模型 |
| 2.3.4 瑞利信道 |
| 2.4 OFDM系统模型 |
| 2.4.1 OFDM系统典型结构 |
| 2.4.2 基于DFT的 OFDM系统 |
| 2.4.3 OFDM的循环前缀 |
| 2.5 本章小结 |
| 第三章 基于预编码的OFDM系统盲信道估计 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 修正联合盲信道估计算法 |
| 3.3.1 自相关矩阵分析 |
| 3.3.2 递推修正信道参数 |
| 3.3.3 算法复杂度分析 |
| 3.3.4 仿真实验分析 |
| 3.4 非冗余块状预编码盲信道估计算法 |
| 3.4.1 块状预编码 |
| 3.4.2 预编码矩阵和融合系数 |
| 3.4.3 仿真实验分析 |
| 3.5 本章小结 |
| 第四章 SIMO-OFDM系统盲信道与符号联合估计算法 |
| 4.1 引言 |
| 4.2 张量及平行因子分析理论 |
| 4.2.1 张量的矩阵化与向量化 |
| 4.2.2 平行因子分析 |
| 4.3 基于平行因子分析的SIMO-OFDM系统闭式求解算法 |
| 4.3.1 基于平行因子分析的SIMO-OFDM系统模型 |
| 4.3.2 交替最小二乘算法 |
| 4.3.3 基于平行因子分析的N-PARAFAC算法 |
| 4.3.4 算法复杂度分析 |
| 4.4 仿真实验分析 |
| 4.5 本章小结 |
| 第五章 MIMO-OFDM系统自适应盲信道估计算法 |
| 5.1 引言 |
| 5.2 时变MIMO-OFDM系统模型 |
| 5.3 信道参数估计的最小二乘算法 |
| 5.3.1 分解唯一性 |
| 5.3.2 递归最小二乘跟踪算法 |
| 5.4 同步对角化跟踪算法 |
| 5.4.1 同步对角化跟踪算法推导 |
| 5.4.2 同步对角化跟踪算法步骤 |
| 5.5 仿真实验分析 |
| 5.5.1 实验设置 |
| 5.5.2 信道参数突变 |
| 5.5.3 信道参数慢时变 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 问题背景与研究意义 |
| 1.2 重分析方法研究概述 |
| 1.2.1 静力重分析法 |
| 1.2.2 动力特征值重分析法 |
| 1.3 本文工作及结构安排 |
| 第二章 稀疏求解与非拓扑UMTF重分析算法 |
| 2.1 行稀疏求解 |
| 2.1.1 稀疏矩阵LDLT |
| 2.1.2 图剖分填充元优化与剖分树 |
| 2.1.3 稀疏求解数据结构与内存管理 |
| 2.2 非拓扑UMTF重分析方法 |
| 2.2.1 修改传递规则 |
| 2.2.2 剖分树中的修改传递 |
| 2.3 本章小结 |
| 第三章 固定背景网格的拓扑重分析直接法 |
| 3.1 拓扑修改对稀疏求解的挑战 |
| 3.1.1 拓扑修改下填充元优化状态改变 |
| 3.1.2 拓扑修改下稀疏矩阵符号改变 |
| 3.2 背景网格固定下的填充元优化排序 |
| 3.2.1 完整结构概念 |
| 3.2.2 完整结构下填充元优化排序 |
| 3.3 拓扑修改数据结构操作 |
| 3.3.1 矩阵非零元增加或删除 |
| 3.3.2 矩阵非零元同时增删与过渡结构 |
| 3.3.3 完整结构下刚度变换方案改进 |
| 3.3.4 分解矩阵变换方案改进 |
| 3.4 拓扑重分析直接法设计 |
| 3.5 算例分析 |
| 3.5.1 验证算例 |
| 3.5.2 测试算例 |
| 3.6 算法应用 |
| 3.6.1 施工模拟分析 |
| 3.6.2 拓扑优化 |
| 3.7 本章小结 |
| 第四章 自适应背景网格的拓扑重分析直接法 |
| 4.1 填充元优化排序更新 |
| 4.1.1 填充元优化剖分图规则研究 |
| 4.1.2 图剖分更新基础规则 |
| 4.1.3 拓扑修改图剖分更新方法 |
| 4.1.4 剖分更新算法 |
| 4.2 拓扑修改数据结构操作 |
| 4.2.1 矩阵置换方案 |
| 4.2.2 置换方案改进 |
| 4.3 拓扑重分析直接法设计 |
| 4.4 算例分析 |
| 4.4.1 验证算例 |
| 4.4.2 测试算例 |
| 4.5 算法应用 |
| 4.6 本章小结 |
| 第五章 振动特征值问题拓扑重分析法 |
| 5.1 子空间迭代法 |
| 5.1.1 子空间迭代法步骤 |
| 5.1.2 子空间迭代法原理说明 |
| 5.2 振动特征值拓扑UMTF重分析法 |
| 5.2.1 拓扑修改分解矩阵更新 |
| 5.2.2 初始迭代空间构造 |
| 5.3 算法流程 |
| 5.4 算例分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 博士期间发表和完成的论文 |
| 致谢 |
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的及意义 |
| 1.2 贝叶斯网络国内外研究进展 |
| 1.2.1 贝叶斯网络表示 |
| 1.2.2 贝叶斯网络学习 |
| 1.2.3 贝叶斯网络推理 |
| 1.2.4 贝叶斯网络应用 |
| 1.3 多节点复杂贝叶斯网络结构学习关键问题 |
| 1.4 论文研究内容 |
| 1.4.1 中小规模贝叶斯网络结构搜索空间约束模型构建 |
| 1.4.2 基于改进进化方法的中小规模贝叶斯网络结构搜索策略优化 |
| 1.4.3 基于马尔科夫覆盖的大规模贝叶斯网络的无向独立图构建 |
| 1.4.4 基于局部拓扑信息的大规模贝叶斯网络的无向独立图划分 |
| 1.5 论文主要创新点 |
| 1.6 论文组织结构 |
| 2 贝叶斯网络相关理论与方法 |
| 2.1 引言 |
| 2.2 贝叶斯网络基本概念 |
| 2.3 贝叶斯网络结构学习方法概述 |
| 2.3.1 基于约束的贝叶斯网络结构学习方法 |
| 2.3.2 基于评分搜索的贝叶斯网络结构学习方法 |
| 2.3.3 贝叶斯网络结构混合学习方法 |
| 2.4 基于图划分的多节点复杂贝叶斯网络结构学习 |
| 2.4.1 图模型分解的两种模式 |
| 2.4.2 全局结构草图的选择 |
| 2.4.3 无向独立图的分解方法 |
| 2.4.4 子图结构的合并方法 |
| 2.5 本章小结 |
| 3 中小规模贝叶斯网络结构搜索空间约束模型构建 |
| 3.1 引言 |
| 3.2 基于结构搜索空间约束模型的贝叶斯网络结构学习问题描述 |
| 3.3 双尺度约束模型 |
| 3.3.1 大尺度约束模型 |
| 3.3.2 小尺度约束模型 |
| 3.4 基于双尺度约束模型的中小规模贝叶斯网络结构自适应学习算法 |
| 3.4.1 贝叶斯网络结构自适应学习过程 |
| 3.4.2 编码方案设计及其理论证明 |
| 3.4.3 自适应变异算子设计 |
| 3.4.4 其它算子描述 |
| 3.5 仿真实验与分析 |
| 3.5.1 实验方案设计 |
| 3.5.2 仿真实验与结果分析 |
| 3.6 本章小结 |
| 4 基于改进进化方法的中小规模贝叶斯网络结构混合学习算法 |
| 4.1 引言 |
| 4.2 贝叶斯网络结构搜索问题描述 |
| 4.2.1 进化算法描述 |
| 4.2.2 基于进化算法的贝叶斯网络结构优化问题描述 |
| 4.3 搜索空间动态受限条件下基于改进进化方法的中小规模贝叶斯网络结构混合学习算法 |
| 4.3.1 编码方案设计与初始种群选择 |
| 4.3.2 优先重组算子设计 |
| 4.3.3 其它算子描述 |
| 4.3.4 算法实现 |
| 4.3.5 算法复杂度分析 |
| 4.4 仿真实验与分析 |
| 4.4.1 实验方案设计 |
| 4.4.2 仿真实验与结果分析 |
| 4.5 本章小结 |
| 5 基于马尔科夫覆盖的大规模贝叶斯网络无向独立图构建 |
| 5.1 引言 |
| 5.2 基于马尔科夫覆盖的大规模贝叶斯网络无向独立图构建问题描述 |
| 5.3 基于三阶段马尔科夫覆盖快速发现方法的大规模贝叶斯网络无向独立图构建算法 |
| 5.3.1 限制阶段 |
| 5.3.2 扩展阶段 |
| 5.3.3 收缩阶段 |
| 5.4 仿真实验与分析 |
| 5.4.1 实验方案设计 |
| 5.4.2 仿真实验与结果分析 |
| 5.5 本章小结 |
| 6 基于图划分的大规模贝叶斯网络结构学习 |
| 6.1 引言 |
| 6.2 基于节点介数的无向独立图划分问题描述 |
| 6.2.1 节点介数 |
| 6.2.2 基于节点介数的无向独立图划分问题描述 |
| 6.3 基于局部拓扑信息的大规模贝叶斯网络无向独立图分解模型 |
| 6.4 基于图划分的大规模贝叶斯网络结构递归学习算法 |
| 6.4.1 算法理论基础与定理证明 |
| 6.4.2 算法框架与实现 |
| 6.5 仿真实验与分析 |
| 6.5.1 实验方案设计 |
| 6.5.2 仿真实验与结果分析 |
| 6.6 本章小节 |
| 7 总结与展望 |
| 7.1 论文内容总结 |
| 7.2 研究工作展望 |
| 参考文献 |
| 缩略语表 |
| 重要符号对照表 |
| 攻读博士学位期间的研究成果及参与的科研项目 |
| 致谢 |
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 数值可观测性分析现状 |
| 1.2.2 拓扑可观测性分析现状 |
| 1.2.3 混合可观测性分析现状 |
| 1.3 本文主要工作 |
| 第2章 基于SCADA量测的混合可观测性方法 |
| 2.1 拓扑可观测性分析的理论基础 |
| 2.1.1 可观测性分析的数学模型 |
| 2.1.2 网络拓扑可观测性及量测岛合并原则 |
| 2.1.3 量测岛的等值简化 |
| 2.2 SCADA量测下拓扑合并规则 |
| 2.2.1 简单合并规则 |
| 2.2.2 待并网合并规则 |
| 2.3 混合可观测性分析方法的构造 |
| 2.3.1 引入数值可观测性分析的必要性 |
| 2.3.2 用于数值方法的简化网络的构造 |
| 2.3.3 基于LDU分解的数值可观测性分析方法 |
| 2.3.4 SCADA量测下混合可观测性分析的整体流程 |
| 2.4 本章小结 |
| 第3章 PMU量测下的混合可观测性方法 |
| 3.1 WAMS系统和SCADA系统在状态估计上的区别 |
| 3.2 PMU量测下的混合可观测性分析方法 |
| 3.2.1 PMU量测岛的拓扑合并规则 |
| 3.2.2 PMU量测下拓扑方法的优势 |
| 3.2.3 PMU量测下混合方法的整体流程 |
| 3.3 本章小结 |
| 第4章 混合方法的计算机实现 |
| 4.1 拓扑可观测性分析的计算机实现 |
| 4.1.1 深度优先搜索算法的应用 |
| 4.1.2 拓扑合并规则的表上实现 |
| 4.2 稀疏技术在数值方法中的应用 |
| 4.3 本章小结 |
| 第5章 算例分析 |
| 5.1 17节点系统的示例性分析 |
| 5.2 算例测试和分析 |
| 5.2.1 SCADA系统下的算例 |
| 5.2.2 PMU系统下的算例 |
| 5.3 算法其他优势分析 |
| 5.4 本章小结 |
| 第6章 结论与展望 |
| 6.1 本文主要结论 |
| 6.2 下一步研究方向 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 高性能计算 |
| 1.1.2 层次存储结构与高速缓存无关算法 |
| 1.1.3 线性变换算法与原地算法 |
| 1.2 相关研究现状 |
| 1.3 研究内容及主要贡献 |
| 1.4 论文的结构安排 |
| 第2章 背景知识 |
| 2.1 矩阵的分解 |
| 2.1.1 LU分解 |
| 2.1.2 分块LU分解 |
| 2.2 原地线性变换算法 |
| 2.3 理想高速缓存模型 |
| 2.3.1 缓存命中 |
| 2.3.2 缓存未命中 |
| 2.3.3 理想高速缓存模型 |
| 2.4 空间填充曲线 |
| 2.4.1 三种基础空间填充曲线 |
| 2.5 本章小结 |
| 第3章 基于分块LU分解的高速缓存无关原地线性变换 |
| 3.1 原地线性变换算法的理论推导 |
| 3.2 原地线性变换算法的递归实现 |
| 3.3 循环版本的算法 |
| 3.4 渐进缓存复杂度 |
| 3.5 非方阵矩阵的原地线性变换 |
| 3.6 基于分块LDU分解的讨论 |
| 3.7 本章小节 |
| 第4章 基于PLU分解的高速缓存无关原地线性变换 |
| 4.1 针对特殊矩阵的原地线性变换算法 |
| 4.1.1 置换矩阵 |
| 4.1.2 上三角矩阵 |
| 4.1.3 下三角矩阵 |
| 4.2 针对一般矩阵的原地线性变换算法 |
| 4.3 实验模拟 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 船舶电力推进系统的发展概述 |
| 1.2.1 国外发展概述 |
| 1.2.2 国内发展概述 |
| 1.3 船舶电力推进系统容错控制技术研究现状 |
| 1.4 船舶电力推进系统容错控制的几个关键问题 |
| 1.4.1 船舶电力推进系统的容错控制体系结构研究 |
| 1.4.2 船舶电力推进系统的故障模式与影响分析研究 |
| 1.4.3 船舶电力推进系统的多相电机容错控制研究 |
| 1.4.4 船舶电力推进系统的螺旋桨协调容错控制研究 |
| 1.5 本文主要研究内容 |
| 第2章 船舶电力推进系统容错控制体系结构及数学建模研究 |
| 2.1 引言 |
| 2.2 船舶电力推进系统的基本结构 |
| 2.3 船舶电力推进系统的智能容错控制体系结构 |
| 2.4 船舶电力推进系统的数学模型 |
| 2.4.1 发电子系统数学模型 |
| 2.4.2 推进子系统数学模型 |
| 2.4.3 区域负载集合数学模型 |
| 2.4.4 配电子系统数学模型 |
| 2.5 本章小结 |
| 第3章 船舶电力推进系统故障模式影响智能评估研究 |
| 3.1 引言 |
| 3.2 故障模式影响的风险优先数评估 |
| 3.3 基于模糊逻辑与DEMATEL理论的故障模式影响智能评估 |
| 3.3.1 系统功能结构层次划分 |
| 3.3.2 模糊语言术语集 |
| 3.3.3 风险因子模糊评价及相对模糊权值 |
| 3.3.4 基准调整搜索算法计算α-割集 |
| 3.3.5 模糊风险优先数的清晰化 |
| 3.3.6 基于模糊逻辑的DEMATEL算法 |
| 3.4 实例验证与结果分析 |
| 3.4.1 推进子系统的典型故障模式 |
| 3.4.2 计算结果及对比分析 |
| 3.5 本章小结 |
| 第4章 船舶电力推进系统六相永磁同步电机智能容错控制策略研究 |
| 4.1 引言 |
| 4.2 含参数摄动和负载扰动的六相永磁同步电机系统数学描述 |
| 4.3 六相永磁同步电机自适应反步滑模鲁棒容错控制策略研究 |
| 4.3.1 六相永磁同步电机缺相故障容错的零序电流参考值在线决策 |
| 4.3.2 自适应反步滑模鲁棒容错控制策略设计 |
| 4.3.3 双交轴电流优化分配 |
| 4.4 基于智能观测器的六相永磁同步电机反步滑模鲁棒容错控制策略研究 |
| 4.4.1 基于递归小波模糊神经网络的智能观测器设计 |
| 4.4.2 控制系统稳定性分析 |
| 4.5 仿真验证与结果分析 |
| 4.5.1 一相绕组缺相的六相永磁同步电机容错控制仿真验证 |
| 4.5.2 两相绕组缺相的六相永磁同步电机容错控制仿真验证 |
| 4.6 本章小结 |
| 第5章 船舶电力推进系统舵/桨协调容错控制策略研究 |
| 5.1 引言 |
| 5.2 含复合扰动的船舶航速/航向控制系统数学描述 |
| 5.3 船舶电力推进系统舵/桨自适应滑模协调容错控制策略研究 |
| 5.3.1 非线性复合扰动观测器设计 |
| 5.3.2 自适应滑模容错控制策略设计 |
| 5.4 船舶电力推进系统舵/桨自适应反步协调容错控制策略研究 |
| 5.4.1 含执行器多重故障的船舶航速/航向控制系统数学描述 |
| 5.4.2 自适应反步容错控制策略设计 |
| 5.5 仿真验证与结果分析 |
| 5.5.1 船舶电力推进系统舵/桨自适应滑模协调容错控制仿真验证 |
| 5.5.2 船舶电力推进系统舵/桨自适应反步协调容错控制仿真验证 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
