CN108256267B - 一种基于径向基函数神经网络的继电器质量波动抑制设计方法 - Google Patents
一种基于径向基函数神经网络的继电器质量波动抑制设计方法 Download PDFInfo
- Publication number
- CN108256267B CN108256267B CN201810146874.6A CN201810146874A CN108256267B CN 108256267 B CN108256267 B CN 108256267B CN 201810146874 A CN201810146874 A CN 201810146874A CN 108256267 B CN108256267 B CN 108256267B
- Authority
- CN
- China
- Prior art keywords
- factor
- factors
- determining
- parameter
- output characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013461 design Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 15
- 230000005764 inhibitory process Effects 0.000 title claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 230000035945 sensitivity Effects 0.000 claims abstract description 18
- 230000002452 interceptive effect Effects 0.000 claims abstract description 9
- 230000003993 interaction Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 230000009021 linear effect Effects 0.000 claims description 7
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000009022 nonlinear effect Effects 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 5
- 230000001629 suppression Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 108010014173 Factor X Proteins 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- OIGNJSKKLXVSLS-VWUMJDOOSA-N prednisolone Chemical compound O=C1C=C[C@]2(C)[C@H]3[C@@H](O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 OIGNJSKKLXVSLS-VWUMJDOOSA-N 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 108010023321 Factor VII Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Measuring Volume Flow (AREA)
- Feedback Control In General (AREA)
Abstract
一种基于径向基函数神经网络的继电器质量波动抑制设计方法,属于继电器产品设计技术领域。为了解决目前参数设计方法无法确定全局最优解、无法消除因素交互性影响方案稳健性的问题。方法如下:一、确定可控因素、误差因素与正交试验方案;二、进行信噪比、灵敏度显著性分析,确定稳定因素;三、进行交互性分析,确定调整因素;四、建立稳定因素的径向基函数神经网络模型及优化抑制目标函数,确定稳定因素最优解;五、建立调整因素多项式模型及偏移量补偿目标函数,确定调整因素最优解。本发明通过对参数进行解耦,确定出调整因素,再利用调整因素对输出特性的偏离量进行补偿,从而实现在不影响稳定因素的稳健性最优的情况下输出特性调整至目标值。
Description
技术领域
本发明属于继电器产品设计技术领域,具体涉及一种基于径向基函数神经网络的继电器质量波动抑制设计方法。
背景技术
参数设计是继电器产品设计过程中的重要环节,不仅直接决定了产品的输出特性能否满足设计要求,而且还直接影响着产品设计方案对外干扰、内干扰、制造分散性等不确定性因素的抵抗能力,即稳健性。因此,采用合理的抗质量波动参数设计方法对提高继电器产品的性能稳定性与质量一致性意义重大。
稳健性参数设计的关键在于利用输入参数与输出特性之间的非线性性质,实现在不控制不确定性,即成本不变的情况下有效提高设计方案抑制质量波动的能力。传统的参数设计方法利用正交试验设计和方差分析计算得到的信噪比及灵敏度计算结果直接确定出参数设计方案,该方法存在以下两个缺点:只能从正交试验选取的离散水平值中选取最优组合作为优化方案,而无法得到参数在求解范围内的全局最优解;无法保证所选取稳定因素与调整因素的独立性,在输出偏移量补偿的过程中会影响已确定方案的稳健性。
基于蒙特卡罗的改进稳健性参数设计方法,可以提高统计结果的有效性及优化结果的准确性。然而,该方法仅针对试验设计中的外表进行了改进,内表试验因素的水平值仍然是离散的,因此无法实现参数的全局寻优。
另外,基于近似建模的传统参数设计方法首先需要建立全部输入参数与输出特性之间的函数模型,从而在求解区域内计算得到最优解。然而该方法存在以下两个缺点:在建立近似模型时,如果选取的输入参数水平数较少,难以保证模型很好地逼近实际函数关系,影响优化精度;而当输入参数较多时,近似建模过程中的待求系数数量多且计算过程复杂,因此无法适用于包含多个输入的参数优化问题。
发明内容
本发明的目的是为了解决目前电器产品参数设计方法无法确定全局最优解、无法消除因素交互性影响方案稳健性、建模过程复杂等导致优化精度低的问题,提供了一种基于径向基函数神经网络的继电器质量波动抑制设计方法。
为实现上述目的,本发明采取的技术方案如下:
一种基于径向基函数神经网络的继电器质量波动抑制设计方法,所述方法包括以下步骤:
步骤一:根据研究对象和优化目标确定输入参数、不确定性因素,进行内外表正交试验设计;其中,内表安排输入参数,外表安排不确定性因素,根据输入参数与不确定因素的数量和水平数分别选择内外正交表并确定试验方案;
步骤二:计算各试验方案的输出特性,对外表试验结果计算信噪比和灵敏度,并输入内表中,再对内表进行信噪比和灵敏度的方差分析,根据各输入参数的显著性分析结果确定其非线性性质与近似线性性质;
步骤三:通过交互性分析确定输入参数之间的相关性,对参数进行解耦,再结合信噪比、灵敏度显著性分析结果和交互性分析结果,确定输入参数中的稳定因素和调整因素;
步骤四:采用径向基函数神经网络方法建立稳定因素与输出特性之间的数学模型,同时,以抑制质量波动为目标,建立稳健性优化目标函数,再通过全局寻优,将求解区域内使输出特性变化率最小的参数值确定为稳定因素的最优解;
步骤五:采用线性回归方法建立调整因素与输出特性之间的多项式函数,同时计算出稳定因素优化后输出特性偏离目标值的差值,最后以补偿输出特性的偏移量为目标,确定调整因素的取值。
本发明相对于现有技术的有益效果是:
(1)本发明通过输入参数的解耦,可避免参数之间的交互作用对设计方案稳健性的影响,同时可有效减少建模参数数量并提高建模精度。
(2)本发明方法能够在参数连续变化的求解范围内实现全局寻优,保证稳健性设计方案的最优。
(3)本发明方法能够在不影响方案稳健性的情况下对输出偏移量进行定量补偿,保证输出特性满足设计要求。
(4)本发明通过对参数进行解耦,确定出调整因素,再利用调整因素对输出特性的偏离量进行补偿,从而实现在不影响稳定因素的稳健性最优的情况下将输出特性调整至目标值。
附图说明
图1是本发明所述方法的流程图。
具体实施方式
下面结合实施例对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修正或等同替换,而不脱离本发明技术方案的精神范围,均应涵盖在本发明的保护范围之中。
具体实施方式一:本实施方式记载的是一种基于径向基函数神经网络的继电器质量波动抑制设计方法,所述方法包括以下步骤:
步骤一:根据研究对象和优化目标确定输入参数、不确定性因素,进行内外表正交试验设计;其中,内表安排输入参数,外表安排不确定性因素,根据输入参数和不确定参数的数量和水平数分别选择内外正交表并确定试验方案;所述的研究对象为继电器,优化目标根据实际情况而定,可以是衔铁吸合速度、磁保持力大小等等;输入参数可以是影响优化目标的继电器各关键零件尺寸,也可以是继电器线圈匝数;不确定因素即噪声因素,可以是生产加工过程容差波动范围内输入参数的实际尺寸值,即A,=A±容差值,A为输入参数值,A,为不确定因素;
步骤二:计算各试验方案的输出特性,对外表试验结果计算信噪比和灵敏度,并输入内表中,再对内表进行信噪比和灵敏度的方差分析,根据各输入参数的显著性分析结果确定其非线性性质与近似线性性质;
根据确定的可控输入参数数量和不确定因素数量和水平数选择相应的正交表,确定方案(比如内表确定了4个参数,每个参数有3个水平数,就可以采用L9(34)正交表,形成9种方案;外表也确定了4个参数,每个参数有3个水平数,就可以采用L9(34)正交表,形成9种方案;每1个内表有9种外表方案,就有9个输出特性结果,总的方案就是9×9=81种);总体计算方案数=内表方案×外表方案。
输出特性可以根据对象(继电器)来选,比如衔铁吸合时间、衔铁吸合速度、磁保持力的大小等等。
步骤三:通过交互性分析确定输入参数之间的相关性,对参数进行解耦,再结合信噪比、灵敏度显著性分析结果和交互性分析结果,确定输入参数中的稳定因素和调整因素;
步骤四:采用径向基函数神经网络方法建立稳定因素与输出特性之间的数学模型,同时,以抑制质量波动为目标,建立稳健性优化目标函数,再通过全局寻优,将求解区域内使输出特性变化率最小的参数值确定为稳定因素的最优解;
步骤五:采用线性回归方法建立调整因素与输出特性之间的多项式函数,同时计算出稳定因素优化后输出特性偏离目标值的差值,最后以补偿输出特性的偏移量为目标,确定调整因素的取值。
具体实施方式二:具体实施方式一所述的一种基于径向基函数神经网络的继电器质量波动抑制设计方法,步骤三中,所述的对参数进行解耦具体为:从输入参数中选取任意2个参数的无重组合(X,Y),首先分别计算参数X和参数Y单独变化时对应输出特性的变化量Δx和Δy,然后计算(X,Y)组合同时变化时对应输出特性的变化量Δxy,如果参数X与参数Y完全独立,则应满足Δxy=Δx+Δy的数学关系,反之则说明参数X与参数Y之间存在交互作用。
定义交互因子γ来反映参数X与Y之间交互作用的程度,同时利用下式确定参数之间的交互作用,
|Δxy-(Δx+Δy)|≥γ×|Δxy|,
结合信噪比、灵敏度显著性分析结果和交互性分析结果,将具有近似线性性质且与稳定因素相互独立的输入参数确定为调整因素。
具体实施方式三:具体实施方式一所述的一种基于径向基函数神经网络的继电器质量波动抑制设计方法,步骤五中,所述的采用线性回归方法建立调整因素与输出特性之间的多项式函数具体为:在确定稳定因素优化方案后,输出特性会随着参数值的改变而发生偏离,首先计算出输出特性的偏移量ΔFs,再联合调整因素多项式Fa,建立偏移量补偿目标H2,如下式所示。
由于调整因素与稳定因素之间相互独立,因此可在不影响方案稳健性的情况下对输出偏移量进行定量补偿,最终确定调整因素Xa的设计方案。
实施例1:
在步骤一中,根据研究对象和优化目标确定输入参数和不确定性因素,进行内外表正交试验设计。其中,将输入参数作为可控因素,安排到内表正交表中。将不确定性因素作为误差因素,安排到外表正交表中。再根据因素的数量和水平数选择相应的正交表并确定试验方案。
在步骤二中,分别对每张外表(i)对应的试验方案进行计算,求得输出特性值y,然后代入下式计算信噪比Si和灵敏度ηi:
式中,m为外表试验个数;Smi为输出特性的平均值波动;Vei为误差方差的估计值;dB为分贝值。Smi、Vei的计算公式如下:
将信噪比和灵敏度计算结果填入内表后,通过方差分析来确定各输入参数对信噪比和灵敏度的显著性。其中,对信噪比影响显著的因素具有较强的非线性性质,确定为稳定因素。对信噪比影响不显著且对灵敏度影响显著的因素具有较强的线性性质,并结合步骤三的交互性分析结果确定为调整因素。
在步骤三中,从输入参数中取任意2个参数的无重组合(X,Y),首先分别计算参数X和参数Y分别变化时对应输出特性的变化量Δx和Δy。然后计算(X,Y)组合同时变化时对应输出特性的变化量Δxy。如果参数X与参数Y完全独立,则应满足Δxy=Δx+Δy的数学关系。反之则说明参数X与参数Y之间存在交互作用。
定义交互因子γ来反映参数X与Y之间交互作用的程度,同时利用下式确定参数之间的交互作用,
|Δxy-(Δx+Δy)|≥γ×|Δxy|。
结合信噪比、灵敏度显著性分析结果和交互性分析结果,将具有近似线性性质且与稳定因素相互独立的输入参数确定为调整因素。
在步骤四中,采用径向基函数神经网络方法建立稳定因素与输出特性之间的数学模型,首先假定系统输出响应值与稳定因素实验数据点之间有如下关系:
式中,y是待测点的实际值;y'是通过径向基函数所得到的值;ε是误差项;n为采样数;λi是权重系数;Φi是径向基函数;i为采样点的序号;ri=||x-xi||表示待测点与采样点之间的距离;x为待测点,xi为人为选取的径向基函数中心,c为径向基函数宽度。
将上式写成矩阵形式有:Y=Φiλ+ε
式中,λ是权重系数,Y为n个输出响应值的矩阵。
式中Y=[y1,y2...yn]T,yn表示每一个稳定因素采样点对应的输出响应值,λ=[λ1,λ2...λn]T,λn为序号为n的径向基函数中心所占的权重系数大小,ε=[ε1,ε2...εn]T,εn为序号为n的径向基函数响应与实际值之间的误差项,λ值为λ=Φ-1*Y
其中n为采样点数目。根据Micchelli原理,当取一定的径向基函数Φ,且函数中心互相不同时,Φ为Φi(各径向基函数)的矩阵表达形式,Φ一定可逆,即λ值可求。由于径向基函数的选取对径向基函数插值的结果没有明显影响,这里可选择应用最广泛的高斯函数建立径向基函数插值模型,即r是待测点与采样点的欧氏距离,e是自然指数,e≈2.71828,最后,利用已得到的权重系数并绘制相应的径向基函数宽度c,便可得到在未知点处的预测值,即可建立径向基函数神经网络近似模型。随后,以抑制质量波动为目标建立稳健性优化目标函数。将稳定因素多项式Fs分别对各稳定因素Xs求偏导,得到函数在各自因素方向上的斜率。斜率越接近0,表明函数在此处的稳定性越好。因此,将以上斜率值进行平方求和建立目标函数Fsta,从而将稳健性优化问题H1归结为求目标函数Fsta的最小值,如下式所示,
式中,xsi表示第i个稳定因素Xs点,Xs为该因素X在其波动范围Xsmin到Xmax内的一个变量,H1为稳健性优化目标函数,
采用序列二次规划的全局寻优方法,确定稳定因素在求解区域内使目标函数Fsta最小的参数组合,即为稳定因素的最优方案。
在步骤五中,采用线性回归方法建立调整因素与输出特性之间的多项式函数。在确定稳定因素优化方案后,输出特性会随着参数值的改变而发生偏离。首先计算出输出特性的偏移量ΔFs,再联合调整因素多项式Fa,建立偏移量补偿目标H2,如下式所示。
式中,Xa为该因素X在其波动范围Xamin到Xamax内的一个变量,△Xa为参数值偏移给定X的大小,H2为偏移量补偿目标函数,
由于调整因素与稳定因素之间相互独立,因此可在不影响方案稳健性的情况下对输出偏移量进行定量补偿,最终确定调整因素Xa的设计方案。
Claims (1)
1.一种基于径向基函数神经网络的继电器质量波动抑制设计方法,其特征在于:所述方法包括以下步骤:
步骤一:根据研究对象和优化目标确定输入参数、不确定性因素,进行内外表正交试验设计;其中,内表安排输入参数,外表安排不确定性因素,根据输入参数和不确定因素的数量和水平数分别选择内外正交表并确定试验方案;
步骤二:计算各试验方案的输出特性,对外表试验结果计算信噪比和灵敏度,并输入内表中,再对内表进行信噪比和灵敏度的方差分析,根据各输入参数的显著性分析结果确定其非线性性质与近似线性性质;
步骤三:通过交互性分析确定输入参数之间的相关性,对参数进行解耦,再结合信噪比、灵敏度显著性分析结果和交互性分析结果,确定输入参数中的稳定因素和调整因素;所述的对参数进行解耦具体为:从输入参数中选取任意2个参数的无重组合(X,Y),首先分别计算参数X和参数Y单独变化时对应输出特性的变化量Δx和Δy,然后计算(X,Y)组合同时变化时对应输出特性的变化量Δxy,如果参数X与参数Y完全独立,则应满足Δxy=Δx+Δy的数学关系,反之则说明参数X与参数Y之间存在交互作用;
定义交互因子γ来反映参数X与Y之间交互作用的程度,同时利用下式确定参数之间的交互作用,
结合信噪比、灵敏度显著性分析结果和交互性分析结果,将具有近似线性性质且与稳定因素相互独立的输入参数确定为调整因素;
步骤四:采用径向基函数神经网络方法建立稳定因素与输出特性之间的数学模型,同时,以抑制质量波动为目标,建立稳健性优化目标函数,再通过全局寻优,将求解区域内使输出特性变化率最小的参数值确定为稳定因素的最优解;
步骤五:采用线性回归方法建立调整因素与输出特性之间的多项式函数,同时计算出稳定因素优化后输出特性偏离目标值的差值,最后以补偿输出特性的偏移量为目标,确定调整因素的取值;所述的采用线性回归方法建立调整因素与输出特性之间的多项式函数具体为:在确定稳定因素优化方案后,输出特性会随着参数值的改变而发生偏离,首先计算出输出特性的偏移量ΔF s ,再联合调整因素多项式F a ,建立偏移量补偿目标H2,如下式所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810146874.6A CN108256267B (zh) | 2018-02-12 | 2018-02-12 | 一种基于径向基函数神经网络的继电器质量波动抑制设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810146874.6A CN108256267B (zh) | 2018-02-12 | 2018-02-12 | 一种基于径向基函数神经网络的继电器质量波动抑制设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108256267A CN108256267A (zh) | 2018-07-06 |
CN108256267B true CN108256267B (zh) | 2022-02-08 |
Family
ID=62744839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810146874.6A Active CN108256267B (zh) | 2018-02-12 | 2018-02-12 | 一种基于径向基函数神经网络的继电器质量波动抑制设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256267B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111046555B (zh) * | 2019-12-11 | 2022-04-08 | 哈尔滨工业大学 | 时变退化质量特征补偿的全寿命周期质量稳健性优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014121127A2 (en) * | 2013-01-31 | 2014-08-07 | Eagle View Technologies, Inc. | Statistical point pattern matching technique |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
CN104834777A (zh) * | 2015-05-01 | 2015-08-12 | 长春工业大学 | 二氧化碳超临界萃取过程设定值参数优化方法 |
-
2018
- 2018-02-12 CN CN201810146874.6A patent/CN108256267B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014121127A2 (en) * | 2013-01-31 | 2014-08-07 | Eagle View Technologies, Inc. | Statistical point pattern matching technique |
CN104317997A (zh) * | 2014-10-17 | 2015-01-28 | 北京航空航天大学 | 一种高负荷风扇/压气机端壁造型优化设计方法 |
CN104834777A (zh) * | 2015-05-01 | 2015-08-12 | 长春工业大学 | 二氧化碳超临界萃取过程设定值参数优化方法 |
Non-Patent Citations (2)
Title |
---|
V形外径检具稳健设计研究;傅文兰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20140515(第05期);全文 * |
航天电磁继电器稳健性设计研究;邓杰;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110615(第06期);第C042-279页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108256267A (zh) | 2018-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107561503A (zh) | 一种基于多重渐消因子的自适应目标跟踪滤波方法 | |
KR101936569B1 (ko) | 센서 시스템 | |
CN108229076B (zh) | 一种基于响应面的电磁继电器参数稳健性全局寻优方法 | |
Sarra | Adaptive radial basis function methods for time dependent partial differential equations | |
CN104698847B (zh) | 一种转台伺服系统的非奇异终端滑模指定性能控制方法 | |
CN105911869B (zh) | 一种基于干扰观测的快速反射镜扰动抑制方法 | |
CN108256267B (zh) | 一种基于径向基函数神经网络的继电器质量波动抑制设计方法 | |
CN108268744B (zh) | 一种基于Kriging的框架断路器稳健性参数设计方法 | |
CN108256268B (zh) | 一种基于K-means径向基函数的继电器参数全局寻优方法 | |
CN109508510A (zh) | 一种基于改进的卡尔曼滤波的铷原子钟参数估计算法 | |
US20090171638A1 (en) | Advanced-process-control system utilizing a lambda tuner | |
CN110569561B (zh) | 一种分数阶pid控制器微分积分阶次估计方法 | |
CN108319794B (zh) | 一种基于正交最小二乘的电磁继电器质量一致性设计方法 | |
CN107016141A (zh) | 基于变化贡献率的电磁继电器分步容差优化方法 | |
CN113467236B (zh) | 一种对误差信号进行时滞补偿的方法 | |
JP2003534661A (ja) | ポリシリコン粒度のフィードバックに基づいて堆積パラメータを制御するための方法および装置 | |
CN107622242A (zh) | 一种工程中盲源混合信号的加速分离方法 | |
CN112054829B (zh) | 一种具有固定相位中心特性的天线组阵信号合成方法 | |
CN106199473B (zh) | 一种基于信噪比加权的多b值扩散磁共振成像优化方法 | |
CN109582915B (zh) | 应用于纯方位跟踪的改进非线性可观测度自适应滤波方法 | |
CN113671833B (zh) | 不确定重复控制系统协调设计方法及系统 | |
CN115390112A (zh) | 电力系统北斗定位信号滤波方法、装置、设备及存储介质 | |
CN113219542B (zh) | 一种基于改进的阻尼最小二乘法的频率域电磁反演方法 | |
CN112866149B (zh) | 基于偏差补偿块稀疏成比例nlms的自适应估计方法 | |
CN111222214A (zh) | 一种改进的强跟踪滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Deng Jie Inventor after: Wu Yue Inventor after: Wu Jingwei Inventor after: Pang Xiaomin Inventor after: Zhai Guofu Inventor before: Deng Jie Inventor before: Wu Yue Inventor before: Pang Xiaomin Inventor before: Zhai Guofu |
|
CB03 | Change of inventor or designer information |