参数改进范文

参数改进范文（精选8篇）

参数改进 第1篇

关键词：转向参数,测量装置,误差

根据《厂内机动车辆监督检验规程》,需定期检测厂内机动车辆转向系统的性能参数,其技术状况常用方向盘自由间隙、方向盘最大转角和最大转向力(力矩)作为诊断参数进行检测诊断。我院自主研制的转向参数测量装置,可以直接测量得到不同形状、不同大小的方向盘转向性能参数值。该装置已小批量生产并实际应用于厂内机动车辆的转向参数检验(该装置装夹机构获国家实用新型专利,专利号ZL 200720008697.2)。但在测量装置计量检验时,发现个别转向参数测量装置在角度测量时的准确性达不到设计要求,设计要求角度准确度为0.3°,但实际值有时会超过0.5°。

1 误差分析

1.1 装置组成及结构。

装置由快速自定心装夹机构、数字角度编码传感器、应变式力传感器、单片机系统和无线发射/接收模块集成在一个带有显示器和操作手柄的“方向盘”上。装置还配有一防止数字角度编码传感器角度随方向盘转动而变化的固定杆。该系统可测量转动转角(最大转角)、方向盘操纵力(最大转矩)和间隙转角,见图1。

11.卡爪2.调节手轮3.螺杆4.导向块5.底盘6.顶尖7.力矩传感器8.旋转编码器9.转盘

1.2 测量原理。装置采用直接测量方法,即方向盘转向角与转向轮转向角的关系分析得出方向盘自由间隙角。

装置的角度传感器采用数字角度编码传感器,旋转轴由一固定杆固定在某个位置,本体则随转盘同时转动,旋转角度通过转过的码数换算得到。

1.3 角度测量误差原因分析。

角度测量误差机械上有多种原因,比如卡爪未夹紧,测量时打滑;测量装置的卡爪所形成的回转中心与角度传感器的回转中心不在同一轴线上,偏心较大也能使测量误差超出设计要求。在对误差超标的测量装置检查时发现,安装在数字角度编码传感器上的固定杆,随着装置旋转出现较大幅度摆动。

从图1可以看出,序1卡爪安装于序5底盘上,卡爪与底盘均通过加工而成,其精度比较容易得到保证。角度传感器与底盘则是能过力矩传感器(图2)连接。经过测量,力矩传感器两端面安装孔的分布圆中心不在同一轴线上,分布圆中心偏差有的则达到5mm至6mm,见图3。另外,装配精度不良也能使测量误差进一步加大,所以造成固定杆摆动。

卡爪与数字角度编码传感器分别固定在力矩传感器的两端,由于力矩传感器安装孔位的偏心,造成卡爪与旋转编码器不同心。测量时卡爪与被测车辆的方向盘固定,数字角度编码传感器的旋转轴由固定杆固定,转动方向盘,固定杆与旋转轴固定端将随着偏心圆转动(见图4),假设固定杆长度伸长为725mm,偏心6mm,测量转置旋转一周,将会形成1°左右的偏差。随固定杆长度的缩短,固定点与偏心点所形成的夹角增大,测量误差相应增大。

图4偏心产生的角度误差示意图

2 装置改进设计

2.1 装置结构。

1.卡爪2.调节手轮3.螺杆4.导向块5.底盘6.顶尖7.力矩传感器8.过渡件9.旋转编码器10.转盘

要消除卡爪中心与数字角度编码传感器中心不同轴产生的测量误差,卡爪与数字角度编码传感器就不能通过力矩传感器联接,而应该单独进行联接。改进后的转向参数测量装置与改进前一样由快速自定心装夹机构、数字角度编码传感器、应变式力传感器、单片机系统和无线发射/接收模块等组成,同样配有一防止数字角度编码传感器角度随方向盘转动而变化的固定杆,但新装置增加一过渡件,卡爪与数字角度编码传感器通过该过渡件联接(见图5)。过渡件由机加工保证两安装面的同轴度,也就保证了卡爪回转中心与数字角度编码传感器回转中心在同一轴线上。这样在角度测量时就避免了因不同轴所引起的测量误差。

2.2 新装置的应用。

经过改进后的转向参数测量装置在福建省计量科学研究院计量,仪器角度测量,精度满足企业标准要求。

参考文献

[1]徐格宁,滕裕昌.厂内机动车辆技术检验[M].北京:学苑出版社,2001.

[2]安相璧,马麟丽.汽车检测诊断技术[M].北京:北京理工大学出版社,2005.

[3]GB10827-1999机动工业车辆安全规范[S].

[4]GB7258-1997机动车运行安全技术条件[S].

参数改进 第2篇

基于改进粒子群优化算法的新安江模型参数优选

新安江模型是一种实用有效的水文模型,在洪水预报以及水资源评估和管理中得到了广泛的应用.为此,结合新安江模型参数的`特点,提出了基于改进粒子群优化算法的新安江模型参数优选方法,并将该模型应用到日径流预报中.实例表明,该方法能快速地完成参数寻优,并能较好地寻找出参数的全局最优解.

作 者：刘力 周建中 杨俊杰 刘芳 安学利 Liu Li Zhou JianZhong Yang JunJie Liu Fang An XueLi 作者单位：华中科技大学水电与数字化工程学院,湖北,武汉,430074刊 名：水力发电 ISTIC PKU英文刊名：WATER POWER年，卷(期)：200733(7)分类号：O224 TV125关键词：参数优选 新安江模型 粒子群优化算法 径流预测

基于改进遗传算法的系统参数辨识 第3篇

关键词：频率响应数据,遗传算法,参数估计,系统辨识

对于工业生产,大多数的工业过程都是闭环的系统,目前提出的一些辨识方法中大部分都是在满足闭环系统的可辨识条件或某种条件下,应用开环的辨识方法,如最小二乘法、极大似然法或辅助变量法等。而这些方法本质上都是利用在梯度方向上寻优的局部搜索方法。如果搜索空间是不可微的或参数间为非线性的,它们就常常得不到全局最优。另一方面,闭环系统的参数估计是在系统模型结构已知的基础上进行的,系统结构的确定往往需要许多先验知识,这就大大地影响了辨识的实际应用。

由于遗传算法是利用遗传信息和适者生存的策略来指导搜索方向,因此它不需要求梯度和假定搜索空间是连续的、可微的。遗传算法是同时估计参数空间中的许多点,所以它具有高效的全局优化能力。

针对传统遗传算法[1,2,3]收敛速度慢和早熟的缺点,本文提出了一种改进的自适应遗传算法,并将其应用到系统参数辨识中[4,7],辨识结果表明本文提出的算法能有效地克服传统辨识算法存在的一些局限性。

1 问题的提出

一般非线性系统模型可用下式表示:

y(t)=f(u(t),t,θ) (1)

式(1)中,y(t)为系统输出向量;u(t)为系统输入向量;θ=[θ1,θ2,,θk]T为待定参数向量,f的形式已知。根据实际测量得输入输出向量,估计出θ的值。

工业过程大多都是闭环系统,对闭环系统的辨识多是在满足闭环可辨识条件下应用开环辨识方法,如文献[5]提出的最小二乘法,文献[6]提出的NLJ方法,当参数间为非线性时它们常常得不到全局最优。

遗传算法的搜索过程是从初始解群开始,以模型对应的适应函数作为寻优判据,适者生存,从而直接对解群进行操作,而与模型的具体表达方式无关。这就决定了遗传算法适用于一般非线性系统参数估计[7,8,9]。

传统遗传算法中,一般采用的目标函数,通常形式为:

Q=∑(y-y0)2 (2)

式(2)中y,y0分别为实际对象输出和模型输出。将目标函数直接作为适应度函数。但是将该方法具体应用于参数辨识中[10]时,算法收敛速度较慢,且容易出现早熟现象。针对系统参数辨识,本文提出了一种改进的遗传算法。

2 模型参数估计

2.1 改进的遗传算法

改进的算法采用自适应的适应度函数,以单个个体的适应度在总适应度中所占比例为判别标准,在比值过大时,按适应度由小到大排列的序号的比例可直接作为复制概率,在比值适中时,直接以适应度的比例作为复制概率,在比值过小时,按序号指数的比例作为复制概率。避免早期个体适应值差别过大导致解的趋向性,和后期适应值接近而导致收敛速度过慢。适应度函数的自适应,保证了种群的多样性,以免在搜索缓慢时不得不几十倍的加大变异概率,使其变为随机搜索。

2.2 适应度函数

适应度函数是对个体在群体环境中适应性的一种评价尺度,根据个体的适应值,决定它遗传到下一代的概率。适应度选取的正确与否,对于遗传算法的寻优是至关重要的,因为适应度函数是遗传算法与具体问题之间唯一的接口。不失一般性,设定模型参数为:

$G(S)=k\frac{s{}^n+a{}_{1}s{}^{n-1}+a{}_{2}s{}^{n-2}+\cdots +a{}_n}{s{}^m+b{}_{1}s{}^{m-1}+b{}_{2}s{}^{m-2}+\cdots +b{}_m}$

m≥n (3)

在拟合频域数据时,构造适应度函数:

$f=({\displaystyle \sum _{i=1}^n(}\lg ({\rm H}{}_{mdl}(\omega {}_i))-\lg ({\rm H}{}_{dat}(\omega {}_i))){}^2+1){}^{-1}(4)$

式(4)中

n拟合的频域点数,

ωi第i个频率点的角频率,

H幅频,

下标mdl模型,

下标dat拟合的数据。

适应度函数的构造受到对数最小二乘的启发,适应度函数采用对数形式,当噪声的二阶统计特性未知时,可获得对有色噪声的强鲁棒抑制效果(分母加1是为了避免收敛过早和除法运算出错)。

在综合考虑系统动态特性频率范围,在所关心的频带上,选择n个频率点,且n个频率点在对数尺度上是等间隔的。

3.3 谱估计法辨识频率响应[11]

本文的遗传算法是基于频率响应数据的,这里我们采用谱估计方法进行拟合。

对象的脉冲反应函数为k(λ),其输入信号x(t)为任意形式的时间函数,则对象的输出量y(t)如式(5)所示。

y(t)=∫∞-∞x(τ)g(t-τ)dτ=∫∞0g(τ)x(t-τ)dτ (5)

如输入信号x(t)为一个平稳随机过程,则它的自相关函数Rx(τ)和互相关函数Rxy(τ)分别为:

$R{}_x(\tau )=\underset{{\rm T}\infty }{{\displaystyle \lim }}\frac{1}{2{\rm T}}{\displaystyle {\int }_{-{\rm T}}^{{\rm T}}x}(t)x(t+\tau )\text{d}\tau (6)$

Rxy(τ)=∫∞0g(λ)Rx(τ-λ)dλ (7)

对式(7)两边都取傅里叶变换,可得:

Sxy(jω)=∫∞0g(λ)dλ∫∞-∞Rx(τ-λ)e-jωτdτ (9)

令新变量υ=τ-λ,则得:

Sxy(jω)=∫∞0g(λ)dλ∫∞-∞Rx(υ)e-jω(υ+λ)dυ=

∫∞0g(λ)e-jωλdλ∫∞-∞Rx(υ)e-jωυdυ (10)

右式前后两项分别是对象的频率特性和输入信号的自功率谱密度,因此可得:

$G(\text{j}\omega )=\frac{S{}_{xy}(\text{j}\omega )}{S{}_x(\text{j}\omega )}(11)$

则幅频特性、相频特性分别为:

A=|G(jω)| (12)

φ=∠G(jω) (13)

3 仿真实例

典型闭环系统结构如图1所示。

按照本文提出的方法,对工业过程中常用的二阶系统进行参数辨识。模型的3个待辨识参数分别为k=1.5,T=0.137 1,ξ=1.458 6,V(t)是为零均值的白噪声。采样输入输出数据,在进行自适应滤波处理后,根据谱估计原理拟合频率响应,非参数辨识结果如图2所示。

系统的采样频率设置为500 Hz,系统输入是幅值为2 V,初始相位为0的正弦波,仿真时间设定为10 s。关心的频带在[0.1 Hz 100 Hz],在此频带上等对数间隔取30个点。

基于幅频特性的适应度函数,采用改进的遗传算法进行拟合。种群规模为50,交叉概率0.8,变异概率0.1,最大迭代次数100,遗传算法进行7次计算,基于遗传算法的传递函数参数拟合结果如表1所示。

由表1的拟合结果可以看出,T和ξ的辨识精度较高,而k的辨识偏差较大,从物理意义上可以看出,固有周期和阻尼对噪声不敏感,而增益受噪声影响较大。在关心的频带上辨识的结果已能很好地拟合频域曲线。

4 结论

本文采用谱估计方法拟合频率响应,然后利用改进的遗传算法辨识系统参数估计。本文旨在用频域方法处理辨识问题,在与控性能设计相关的辨识方面优于时域方法,数据的处理也较为直观。实验结果证明,这种方法不仅有效而且快捷,获得的结果可以为控制系统仿真、算法研究提供理论依据。但缺点在于批处理算法,如何应用于在线辨识是一个有待研究的方向。

参考文献

[1] Kristinsson K.System identification and control using genetic algo-rithms.IEEE Trans Syst Man and Cybernetics,1992;22(5):1033—1046

[2] Holland J H.Genetic algorithms.Scie-ntific American,1992;7:66—72

[3] Angeline P J,Jaunders G M,Pollack J B.An evolutionary algorithmthat constructs recur-rent neural network.IEEE Trans Neural Netw-ork,1994;5(1):54—65

[4]姜波,汪秉文.基于遗传算法的非线性系统模型参数估计.控制理论与应用,2002;17(1):150—152

[5]张岐龙,亓迎川,张卫东.柴油发电机组闭环辨识仿真研究.空军雷达学院学报,2006;20(3):213—215

[6]马俊英,罗元浩,潘立登.用改进的NLJ方法辨识闭环系统的模型参数及滤波器设计.北京化工大学学报,2003;30(4):95—97

[7]王琳,马平.系统辨识方法综述.电力情报,2001;4:63—66

[8]李茶玲,孙德保.遗传算法在系统辨识中的应用.华中理工大学学报,1998;26(7):57—58

[9]王立志,付婧娇,孙海蓉.基于遗传算法的过程辨识方法实现与应用.华北电力大学学报,2005;32(5):39—42

[10]李红星,顾宏.采用遗传算法辨识系统参数.中国智能自动化学术会议暨专业智能自动化专业委员会成立大会论文集,天津,1995:1105—1108

基于改进遗传算法的PID参数研究 第4篇

目前有多种PID优化方法,如间接寻优方法、梯度法、Ziegler - Nichols法、爬山法等。但这些方法都有自己的缺点,尤其是依赖初始值的取样,当取样无法涵盖全部控制系统信息时,这些寻优方法容易寻找局部最优解,造成寻优失败［5］。同时在实际应用中系统大多具有非线性,时变不确定性,应用常规方法难以建立准确数学模型。因此,在具有自适应参数整定与优化能力又要求算法简单的PID控制技术,成为研究的主要方向［6］。遗传算法是一种新型的智能算法,本质是一种高效、并行、全局搜索的方法［7］。鉴于遗传算法结构的开放性,算法简单,与问题结合密切,成功地应用于求解多目标多模型的复杂问题,本文智能算法采用改进遗传算法( IGA) ,对PID参数进行算法的改进,通过寻优路径的优化使参数快速的整定,明显提高了传统PID控制器的控制精度和效果。

1改进遗传算法

1. 1编码及初始群体生成

编码是应用遗传算法时要解决的一个关键步骤, 目前常采用的编码方法主要是二进制编码方法、符号编码方法和浮点数编码方法,而基本遗传算法( SGA) 使用的二进制编码不便于反应所求问题的结构特征, 并且每个个体长度过大,占用计算机内存空间太多,对于一些连续函数的优化问题,也由于运算的随机特征使得局部搜索能力较差,难以提高寻优精度。为改进这个特征,本文采用格雷码( Gary Code) 来进行个体编码［8］,格雷码是使两个整数所对应的编码之间仅有一个码位不同,其余码位均相同。本系统中有3个参数需要优化即为Kp,KI,Kd,可将这3个参数组合为一个3维向量作为遗传算法中的每个独立的个体

1. 2适应度函数

适应度函数也称为评价函数,是算法演化过程的驱动力,也是进行自然选择的唯一选择。本文的目标函数如式( 2) 所示。

式中,e( t) 为系统误差; U( t) 为控制器输出; W1和W2为权值。

适应度函数值总是非负的,任何情况下都希望其值越大越好,所以将目标函数J转换为适应度函数F, 适应度值函数F如式( 3) 所示。

式中,是Fmax当前生育带中目标函数的最大值。

1. 3选择

本文采用均匀排序的方法进行选择,计算种群中所有个体的适应度值,根据每个个体的适应度值占总体适应度值的比例,这个比例为其选择概率。概率计算值如式( 4) 所示。

其中,Fci为某一代种群中第i个个体的适应度的值; F∑为全体适应度值的总和。

这种方法成功地避免了轮盘赌法使适应度高的个体淘汰,以及随机竞争选择法中个体选择概率相同的问题。

1. 4交叉

本文采用均匀交叉。首先系统随机生成一个与单个个体编码串长度相等的由0和1组成的字符串W = w1, w2,…,wl,其中L为个体编码串长度。选出相互配对的两个个体A,B作为父代,产生两个新一代A* ,B* 。当Wi= 0时,子代A* 在第i位基因继承父代A对应的基因,子代B* 在第i位基因继承父代B对应的基因。当Wi= 1时,子代A* 在第i位基因继承父代B对应的基因,子代B* 在第i位基因上继承父代A对应的基因［9］。

1. 5变异

本文采用均匀变异的方法,让群体中每个个体的基因都能拥有变异的机会。根据种群个体适应度值由小到大排序,根据式( 5) 计算每个个体的变异概率

式中,Pmi为某一代种群中第i个个体的变异率,i = 1, 2,3,…,N。这样就使原本适应度小的个体获得了较大的变异机会,从而使其有较高的机会变成适应度高的个体而保存下来,这样使系统的基因多样性有了保证,因为本文中有3个变量,不会因为总体适应度不高,使一个参数的优秀基因被舍弃掉［10］。

1. 6遗传操作终止条件

传统的遗传算法是提前设定一个最大迭代次数,当到达后迭代次数时终止遗传算法的操作。但由于遗传算法是随机搜索全局最优解,寻优路径具有随机性,当运算次数达到迭代次数时,计算出来的解不一定是问题的最优解,也有在达到迭代次数前很久就已经计算出全局最优解,但一定要等到迭代次数时才能终止,这影响了控制系统的整定与优化速度。因此引入一种判断标准,当判定运算已经在某一点附近来回震荡,这时可以停止操作。这种方法计算量大,但能确保能找到全局最优解［11］,本文中目标函数最小值Jmin作为这一判断的标准,当最小值小于一个阈值时终止运算。同时为了防止运算进入死循环,设定一个较大数值作为迭代次数来终止运算。以下为遗传算法流程图,如图1所示。

2 PID控制器

2. 1常规PID控制原理

PID是比例、积分、微分3种控制方式综合应用的控制器,简称PID控制器。控制器适用于被控对象负荷变化较大,干扰强,要求控制质量较高的场合。其原理框图如图2所示。

PID控制器的规律为

或写成传递函数的形式

其中,Ti为采样周期; KI= Kp/ Ti为积分数; Kd= Kp× Td为比例参数; Kp,KI,Kd为控制器的3个控制参数,即为本文中待寻优的3个参数。

2. 2基于遗传算法的PID控制器设计

基于改进遗传算法的PID控制器设计由传统PID控制器和遗传算法模块两部分组成。PID控制器对被控对象进行闭环循环控制,遗传算法模块根据实际系统运行参数,进行计算,不断优化3个参数的数值,实时调节PID控制器的3个参数,快速计算出最优解,从而使系统达到控制稳态的最佳效果。遗传算法模块中将PID的Kp,KI,Kd3个参数组合在一起作为遗传算法中的每个独立的个体。根据遗传算法流程进行编码, 计算适应度,对种群进行选择、交叉、变异操作,当种群不断迭代繁殖,直到找到全局最优解。控制器系统结构如图3所示。

3仿真

本文将用Matlab中的Simulink进行电阻加热炉控制系统仿真,来验证基于改进遗传算法的PID控制器的可行性与有效性,被控对象为电阻加热器。实验模型中传递函数为

遗传算法种群数量为N = 30,迭代次数为200,交叉概率Pc为0. 9,变异概率Pm由式( 5) 得出,仿真结果如图4所示。

如图4仿真结果中的两条曲线所示,传统PID控制,超调量有20% ,调节时间为13 s。采用改进遗传算法对PID控制器参数进行优化,超调量只有5% ,调节时间为7 s,震荡时间只有传统的1 /2。因此采用遗传算法,其整定速度快、优化效果好、控制系统调节时间短、震荡幅度小、超调量小,因此具有基于改进遗传算法的PID控制器比常规PID控制器的控制效果更优越。

图5为Kp,KI,Kd这3个参数的优化曲线。从图中可以看出,约在5 s控制系统计算出了Kp,KI,Kd的3个控制量的值,系统在5 s时趋于稳定,并在调节时间为7 s时达到稳态,遗传算法的优越性使系统参数的计算快速完成,减少了控制系统的调节时间,具有更好的控制效果。

4结束语

在PID控制器的应用设计中,PID参数的设定是重要的一个环节。本文应用改进遗传算法设计并完成了PID参数的整定与优化,并用Matlab进行电阻加热器控制系统仿真,实验结果表明: 基于改进遗传算法的PID控制器要比传统PID控制器在整定速度、优化效果、控制系统调节时间、震荡幅度、超调量等性能良好, 实验也直接证明了采用改进遗传算法对PID控制器参数进行整定和优化是有效的,并获得了更好的控制效果。

摘要：常规PID参数的整定存在着控制精度低,稳定性能差的问题,一直限制了其在高精度及可靠性要求高的系统中的应用。采用改进遗传算法对PID参数进行优化,在寻优空间内快速获得全局最优点。在PID控制器中加入遗传算法模块,快速整定出最优解使系统达到稳态的最佳效果。仿真结果表明,该方法较常规PID参数整定与优化方法,具有更好的控制性能指标,提高了寻优精度,加快收敛速度。

常用生理参数测量方法的原理及改进 第5篇

监护仪是一种可长时间跟踪观察病人一项或多项生理指标的仪器。它多用于病情较重或需要实时监测生理指标的病人。根据可监护的项目多少分为专项监护仪和多功能监护仪;根据体积大小还可分为固定式监护仪和便携式监护仪。现代科技的进步为监护仪的发展提供了广阔的前景,其中微型化已成为现代监护仪发展的重要趋势之一。

首先,随着微电子技术的发展,电子元器件集成度越来越高,功能越来越强大,封装工艺不断革新,使得器件实际尺寸越来越小,为实现监护仪的微型化提供了重要前提。其次,大部分监护仪都是对以下一些主要参数进行实时监测,如心电(ECG)、血压、血氧饱和度(SPO2)、体温监测、呼吸脉率、二氧化碳、PH值、心输出量等监测。上述参数测量部件的微型化设计就成为实现监护仪微型化的重要环节。现主要介绍SPO2、血压、心电参数测量部件的改进方案。

2 主要参数测置

2.1 SPO2的测量

2.1.1 测量原理

SPO2即血氧饱和度,它表示血液中血氧的浓度,是被氧结合的氧合血红蛋白(HbO2)的容量占全部血红蛋白(Hb)容量的百分比,即SPO2=(HbO2/HbO2+HbR)100%(2.1)

式中HbR为脱氧的或还原的血红蛋白,Hb由HbO2和HbR两部分组成。

传统的电化学法血氧饱和度测量要先进行人体采血,再利用血气分析仪进行电化学分析,在数分钟内测得动脉氧分压(PaO2),并计算出动脉血氧饱和度(SaO2)。这种方法的优点是测量结果精确可靠。但是由于需要动脉穿刺或者插管,此方法的缺点是给病人造成极大痛苦,且不能连续监测,是一种有损伤的血氧测定法。

光学法是一种连续无损伤的血氧测量方法,可应用于急救病房、手术室、恢复室和睡眠研究中。目前采用最多的是脉搏血氧测定法(Pulse Oximetry),其原理是检测血液对光吸收量的变化,测量氧合血红蛋白(HbO2)占全部血红蛋白(Hb)的百分比,从而直接求得SPO2。该方法的优点是可以做到对人体连续无损伤测量,且仪器使用简单方便,所以它已得到越来越普遍的重视。其工作原理如图1所示:

由图可知,当入=805nm时,按照Lambert-Beer定律近似可得下式:

SPO2=A(ΔI'max/I'max)/(ΔImax/Imax)+B (2.2)

只要测定两路透射光最大光强Imax和I'max以及由于动脉波动而引起透射光强最大变化量ΔImax和ΔI'max代入式(2.2)即可计算出动脉血液的血氧饱和度。

2.1.2 测量部件改进

调查发现目前大部分医院采用的血氧探头不易佩戴,易脱落,元件易损坏。探头成本较高,且不易维修。故建议做成指环式血氧探头。该探头采用近红外光波长等于或略大于805nm,红光波长为650nm的发光二极管,配以对应的能包含这两种波长的光敏二极管。

探头分为发射端,接收端和传感器三部分。内部电路由探头连接器,探头电缆和发光二极管构成。该测量方式缩小了探测器的体积,降低了成本,使探头的电路设计也相应的简化了,从而有效的实现监护仪的微型化。经简化后的指环式血氧探头电路结构如图2所示,图左上为发射端,图左下为接收端。V1、V6为发光二极,V2、V5为三极管,V3、V4为二极管。V6发射指定波长的红外光,穿过手指后带着一定的血氧信息由接收端接收,接收端接收的光信号转变为电信号,分时驱动电路让两个发光二极管按一定的时间间隔并以较低的占空比分别发光,信号经过探头电缆传入图右侧的探头连接器,该探头两侧由橡胶膜包裹,防止外部光线等多种信号干扰,提高了测量精度。整个系统根据光二极管发光强度与光电管接收到的透射光的强弱比值可计算出血氧饱和度,其形状类似戒指,能够很方便的戴在病人的手指上,并且不易脱落,从而不会轻易损坏,节省了成本。

2.2 血压的测量

目前,监护仪血压测量大部分还采用袖带式方法。该方法虽操作比较繁琐,难以进行实时动态测量和连续监护,而且体积比较庞大,不利于实现监护仪的微型化。现做如下改进:

改进测量方式,采用动脉容积钳制法,该方法通过手指即可测量,大大减小了传感器的体积,并可以实时测量血压信号,有利于医护人员及时掌握病情变化,作出有效的诊断调整。除此以外,该方式采用红外监测,而且外观和血氧模块较为相似,有望与血氧模块整合,从而进一步实现监护仪的微型化。其原理如图3所示:

在指端带上一个可充气或充液的指套,调节指套的压力值,使血管容积保持恒定,即获得最大脉搏波,此时动脉处于卸载状态。脉搏波的变化由红外光监测,并反馈至气压或液体系统,对指套压力通过电动振荡器不断调整,这样指套压力始终等于动脉压,该压力值由压力传感器测得。

2.3 心电的测量

本文提出的微型心电监护仪是一种专为快速诊断监护设计的心电图仪,由于其测量单一性,对心脏病变具有更大的针对性,它集主机,显示器,电极,导联于一体,使得它的体积大大减少,结构更加精简,信号提取速度更快,操作程序大大简化,一般医护人员可以较快掌握其操作,推广较为方便。整个仪器由5个子系统构成:①模拟子系统;②单片微机子系统;③图形LCD子系统;④电源子系统;⑤键盘子系统。其组成如图4所示。

当电源按键启动后,单片微机根据其从M1中读出的系统指令开始实施全机的管理和控制,单片微机一旦监测到仪器背面(三个弹性固定电极)与人体胸部接触良好,便开始采集来自放大器放大的心电信号ECG,并将获取的ECG信号转化为数字信号,存入M2中,同时送入液晶控制器,在液晶屏上便可动态显示所采集的心电图型和心率数据,一旦仪器背面(三个弹性固定电极)与人体胸部脱离接触,则所显示的心电图形将被冻结并存入M2中。若需要,被保存的心电图型ECG还可以回放显示,也可经单片微机完成脉宽调制及滤波后输出打印。

3 结束语

随着监护仪在临床中越来越广泛的应用,其外形结构和监测功能都发生了很大变化,从根本上突破了传统监护仪的概念限制,新一代监护仪监测参数不断增加,应用领域不断扩大、结构组合更加灵活、网络功能日渐完善、操作界面友好简便成为当今监护仪发展的时代特征。

本文提出的测量方法的改进,经实验证实具有使用方便可靠、外形结构小巧等优点,为便携式监护仪的不断创新发展提供了一种解决思路。但是,笔者只是提出了改进设想,还需要多方面的努力并结合实验,将这些改进方法进一步完善才能最终应用于临床。如何使监护仪监测参数不断增加,结构组合更加灵活、操作界面更加友好简便是我们努力的方向。

参考文献

[1]齐颂扬．医学仪器[M]．第三版．北京：高等教育出版社，1990：103-106．

[2]Tumer,A.P.F.Advances in Biosensors,Vol 2.,1992.

[3]许春向．生物传感器及其应用[M]．第二版．北京：科学出版社。1993：80-86．

[4]余奎，等．现代医学监护仪器的应用特点及发展趋势[J]．医疗设备信息，2003(1)：41-43．

[5]夏黎明，等．多参数监护仪的基本性能及应用[J]．医疗设备信息,2007(10)：56-57．

参数改进 第6篇

系统辨识就是通过观测一个系统,或一个过程的输入与输出的关系,确定描述该系统或过程的动态特性的数学模型。按照对待测系统的认知程度,可以将待测系统分为黑箱系统、灰箱系统、白箱系统。励磁系统属于灰箱系统,可以按照其物理机理建立数学模型,再用系统辨识求出参数。本文用时域辨识的方法,对待测系统首先辨识出非线性特性,得出时域响应,再用动态拟合技术,从动态特性曲线求取模型参数。

在电力系统正常运行或事故状态下,同步发电机励磁系统起着重要的作用。它具有控制电压,控制无功功率的分配,提高同步发电机并联运行的稳定性,改善电力系统的稳定性的能力[1,2]。电力系统仿真软件大多自带一些励磁系统标准模型供仿真分析时使用,然而实际系统原模型往往不是这些软件中的标准模型。所以必须用参数辨识的方法将原实际模型转换为仿真软件模型库中的标准模型或按实际系统结构自定义建模。也就是说,要确定仿真软件中的模型参数,使之具有和励磁系统实际模型相同或相近的特性,以供计算使用。粒子群优化(PSO)算法最早是由Eberhart和Kennedy博士于1995提出的[3,4]。由于操作简单、易实现和鲁棒性强的特点,如今已经被应用到很多领域。但是,基本PSO算法在平衡全局搜索和局部搜索上存在不足。PSO的粒子度更新公式中的惯性权重对系统的全局和局部搜索起着重要作用[4,5,6,7,8]。励磁系统模型参数的求取一般采用频域测试方法,但是电力系统是一个非线性系统,因此频域测试方法需要做线性化处理,而时域辨识方法中的参数模型辨识方法也存在线性化处理的问题。为了更加贴近工程实际,本文利用时域非参数模型辨识方法,对待测系统受到阶跃扰动时,记录被调量的变化曲线,首先辨识出非线性特性,再用动态拟合技术,利用被测信号,根据目标函数,采用一种衰减记忆惯性权重策略动态,调整粒子飞行速度,从动态曲线求取模型参数,实现参数辨识。这种方法可以直接对非线性系统进行辨识,而且采用新的算法能够很好地平衡调节粒子群算法的局部搜索与全局搜索的能力,克服了基本粒子群算法容易陷入局部最优的缺点。

1 励磁系统参数辨识机理

参数辨识的任务就是确定标准模型中的参数,使励磁系统的原模型与标准模型的输入与输出保持在一定的误差范围之内。辨识原理如图1。

参数辨识过程为,在同一激励信号r的作用下,励磁系统的实际模型产生输出yˆ,励磁系统标准模型产生输出信号y,两者误差为E,经过辨识算法不断调整优化标准模型参数,直至误差E小于给定值为止[9,10]。

2 基本PSO算法

PSO的基本思想是,在解空间随机初始化一个种群,其中含有若干个粒子,这些粒子在解空间中的位置代表所求问题的解,粒子在解空间中根据自身目前取得的最佳位置pi和整个种群中的当前最佳位置pg来确定飞行路线,步步逼近最佳区域。

设为第i个粒子(i=1,2,,m)的D维位置矢量,根据事先设定的适应值函数计算zi当前的适应值,即可衡量粒子位置的优势为粒子i的飞行速度,即粒子移动的距离：为粒子迄今为止搜索到的最优位置为整个粒子群迄今为止搜索到的最优位置。

在每次迭代中,粒子根据式(1)、式(2)更新速度和位置:

其中:i=1,2,,m;d=1,2,,D;k为迭代次数;r1和r2为[0,1]之间的随机数。c1和c2为学习因子,其使粒子具有自我总结和向群体中优秀个体学习的能力,从而向自己的历史最优点以及群体内历史最优点靠近。第一项是惯性权重,起着权衡局部最优能力和全局最优能力的作用;第二项是“认知”部分,代表了粒子对自身的学习;第三项是“社会”部分,代表了粒子间的协作。

3 改进的PSO算法

在粒子群算法的可调整参数中,惯性权重w是最重要的参数,较大的w有利于提高算法的全局搜索能力,而较小的w会增强算法的局部搜索能力。

为了观察惯性权重对粒子群算法性能的影响,Shi和Eberhart把此算法应用到Schaffer’s f6函数中,因为这个函数是比较著名的评价优化算法的基准函数。他们改变惯性权重w的大小,通过大量的实验得到一些结论,当w<08.时,如果粒子群算法能找到最优的话,它所经历的搜索时间是很短的,即所有粒子会快速汇集。若最优解在初始的搜索空间内,粒子群算法将会很容易找到全局最优,否则它将不会找到全局最优。当w>12.时,粒子群算法的全局搜索能力加强,总是在探索新的区域。这时需要更多的迭代达到全局最优,且有可能找不到全局最优。粒子群算法采用惯性权重进行平衡全局搜索和局部搜索。大的惯性权重倾向于全局搜索,而小的惯性权重倾向于局部搜索[11,12,13,14,15,16]。

粒子群算法的搜索过程是非线性且是复杂的过程,一个从全局搜索到局部搜索的线性变化并不能真实地反映搜索全局最优。所以,为了拥有更好的搜索性能,惯性权重必须是非线性的,且能够动态权衡全局搜索和局部搜索[16]。

为了平衡PSO算法的全局搜索能力和局部搜索能力,可采用非线性的动态惯性权重系数公式,其表达式如式(3)所示:

其中:α=e-βk,pgk和pgk+1分别为第k次和第k+1次最佳群体位置对应的目标值。式(3)中,惯性权重随着目标函数值而自动改变。

改进粒子群算法的基本步骤如下:

①随机初始化种群中粒子的位置和速度;

②测量每个粒子的适应度,将当前各粒子的位置和适应值存储在各粒子的pbest中,将种群中所有pbest中适应值最优个体位置和适应值存储于gbest中;

③用式(1)和式(2)更新粒子的速度和位置;

④用式(3)更新式(1)中的惯性权重w;

⑤对种群中每个粒子,将其适应值与其经历过的最优位置作比较,若较好,则将其作为最优位置,比较当前所有pbest和gbest值,更新gbest;

⑥若满足停止条件(预设的计算精度或迭代次数),搜索停止,输出结果,否则返回③继续搜索。

4 基于改进PSO算法的励磁系统参数辨识

4.1 目标函数的建立

将原模型系统与标准模型系统误差函数作为励磁系统参数辨识的目标函数。在同一激励的情况下,设励磁系统的原模型的输出为标准模型的输出为y,对输出的以及y进行采样,并按式(4)进行计算:

式中:T为采样点的个数。

励磁系统参数辨识的目标就是使目标函数E取最小值。

4.2 参数辨识流程

以下为基于改进粒子群算法的励磁系统参数辨识的具体步骤:

①利用PSS/E建立励磁系统的原模型和标准模型,将式(4)作为参数辨识的目标函数;

②确定标准模型中待辨识的参数;

③输入激励信号,进行仿真计算,根据励磁系统的原模型、标准模型的输出误差计算微粒的适应度;

④找取最小目标值的微粒位置,否则则回到(3)。

4.3 确定待辨识的参数和范围

发电机励磁系统待辨识参数和范围如表1所示。

4.4 算例分析

为了验证该算法的正确性和有效性,对于图2所示的励磁调节系统,在受到阶跃扰动时,记录被调量的变化曲线,利用被测信号采用改进的粒子群算法实现参数辨识。利用改进的粒子群算法进行辨识的结果如表2所示。

图3与图4中,响应曲线标识为红色最优响应的是原模型的输出;未标识的为标准系统的输出。对比图3和图4可以看出,基本PSO算法的寻优能力明显比改进的PSO算法的寻优能力差。

辨识结果如表2所示。从表2可以看出,在同样的适应度下,IPSO收敛代数比基本PSO的少。说明IPSO的收敛速度更快。

5 结论

根据目标函数,动态调整粒子飞行速度的惯性权重,能够很好地平衡调节PSO的局部搜索与全局搜索能力,避免了粒子群过早陷入局部最优。通过与基本PSO对励磁系统参数的辨识对比,证明了改进粒子群算法的有效性、正确性。

摘要：励磁系统模型参数的求取一般采用频域测试方法,但是电力系统是一个非线性系统,因此频域测试方法需要做线性化处理,而时域辨识方法中的参数模型辨识方法也存在线性化处理的问题。利用时域非参数模型辨识的方法,对待测系统受到阶跃扰动时,记录被调量的变化曲线,辨识出非线性特性,用动态拟合技术,利用被测信号采用改进的粒子群算法,根据目标函数,动态调整粒子飞行速度的惯性权重,从动态曲线求取模型参数,实现参数辨识。试验证明,新的算法能够很好地平衡调节粒子群算法的局部搜索与全局搜索的能力,克服了基本粒子群算法容易陷入局部最优的缺点。

参数改进 第7篇

支持向量机(Support Vector Machines,简称SVM)是20世纪90年代由Vapnik等人提出的一种新的学习机器。它建立在学习统计理论和结构风险最小化原则的基础上,在理论上充分保证了其良好的泛化能力,具有坚实的理论基础和良好的推广能力。与传统的学习方法相比,支持向量机能够很好的克服小样本、维数灾难、局部极小点以及过拟合等问题,通过构造最优分类面,使得对未知样本的分类误差最小,表现出了极高的泛化能力。由于其良好的性能,所以支持向量机算法一经提出便受到了越来越多的研究人员的关注,近年来支持向量机被广泛应用于模式识别[1]、预测领域[2,3]、故障分类[4]等领域。但是,作为一种新兴的学习机器,支持向量机也有一些待完善的地方,比如其参数的选取至今仍然没有一个统一的标准,传统的参数选取大多依靠经验采取试凑的方法,这样不仅费时而且很难得到满意的结果,显然,传统的参数选取方法并不能适应支持向量机的发展。文献[5]利用PSO对SVM的参数进行优化,取得了比较好的效果,并且将其应用到建立聚丙烯腈数均分子测量模型;文献[6]在分析了几种评估SVM性能的方法之后,利用梯度下降法对SVM参数进行优化,取得了较好的效果,但是梯度下降法容易陷入局部极小值。

本文应用了基于改进遗传算法的参数优化的方法,利用遗传算法的全局搜索能力,而且这种搜索能力不依赖于特定的模型,所以该方法能够得到更好的支持向量机参数,从而使向量机具有更高的分类精度,为支持向量机参数选取提供一个有效的方法。仿真结果表明本方法是可行的。

1 支持向量机及其参数的影响

1.1 支持向量机简介

支持向量机就是通过某种事先选择的非线性映射将输入向量映射到一个高维特征空间,并在这个空间中构造最优分类超平面。所谓最优分类面就是要求分类面不但能将两类正确分开(训练错误率为0),而且使分类间隔最大,如图1所示。

训练集为非线性时,通过一个非线性函数将训练集数据映射到一个高维线性特征空间,在这个维数可能为无穷大的线性空间中构造最优分类超平面,并得到分类器的决策函数。

对于训练样本集:

$\left(y{}_1,x{}_1\right),\cdots ‚\left(y{}_{\xi },x{}_{\xi }\right)‚x\in R{}^n,y\in \left\{-1,1\right\}$

最优分类超平面的二次最优化问题为:

$\begin{array}{c}\underset{\psi ,b}{{\displaystyle \min }}\frac{1}{2}\parallel \psi \parallel {}^2+C{\displaystyle \sum _{i=1}^l\xi }{}_i\hfill \\ s.t.y{}_i((x{}_i\psi )+b)\ge 1-\xi {}_i,\hfill \\ \xi {}_i\ge 0,i=1,\cdots ,l\hfill \end{array}(1)$

其中C 称为惩罚因子,通过改变惩罚因子可以在分类器的泛化能力和误分类率之间进行折衷。

其Lagrange函数为

$\begin{array}{c}L(\psi ,b,\alpha ,\beta )=\frac{1}{2}(\psi \psi )+C{\displaystyle \sum _{i=1}^l\xi }{}_i-\hfill \\ {\displaystyle \sum _{i=1}^l\alpha }{}_i\left(y{}_i\left[\left(\phi (x{}_i)\psi \right)+b\right]-1+\xi {}_i\right)-{\displaystyle \sum _{i=1}^l\beta }{}_i\xi {}_i\hfill \end{array}(2)$

其对偶问题为

$\begin{array}{c}\text{m}\text{a}\text{x}W(\alpha )={\displaystyle \sum _{i=1}^l\alpha }{}_i-\frac{1}{2}{\displaystyle \sum _{i,j=1}^{l}y}{}_{i}y{}_j\alpha {}_i\alpha {}_j\left(\phi (x{}_i)\phi (x{}_j)\right)=\hfill \\ {\displaystyle \sum _{i=1}^l\alpha }{}_i-\frac{1}{2}{\displaystyle \sum _{i,j=1}^{l}y}{}_{i}y{}_j\alpha {}_i\alpha {}_j{\rm K}(x{}_i,x{}_j)\hfill \\ s.t.\text{C}\ge \alpha {}_i\ge 0\hfill \\ {\displaystyle \sum _{i=1}^{l}y}{}_i\alpha {}_i=0\hfill \end{array}(3)$

其中K(xi,xj)=φ(xi)φ(xj)为核函数。

最终可以得到决策函数

$f(x,\alpha )=sign\left({\displaystyle \sum _{\text{支}\text{持}\text{向}\text{量}}y}{}_i\alpha {}_i^0{\rm K}(x{}_i,x{}_j)+b\right)(4)$

构造这一类决策函数的学习机器称为支持向量机.支持向量机的结构示意图如图2所示[7]。

1.2 支持向量机参数对其性能的影响

Vapnik等人在研究中发现,不同的核函数对SVM性能的影响不大,反而核函数的参数和误差惩罚因子C是影响SVM性能的关键因素。因此选择合适的核函数参数和误差惩罚因子C对学习机器的性能至关重要。本文针对目前使用最广泛的径向基函数SVM的核参数和误差惩罚因子C进行优化。

支持向量机的性能依赖于多个参数,核函数参数γ主要影响样本数据在高维特征空间中分布的复杂程度,核参数的改变实际上隐含着特征空间的VC维的改变,从而影响置信范围,最终影响结构风险范围。惩罚因子C控制间隔的最大化与分类误差之间的折衷,C越大,则对于错分样本的惩罚越大;C的取值小表示惩罚小,学习机器的复杂度小而经验风险值较大,前者称为“过学习”,而后者则为“欠学习”。除了在同一特征空间优化C以获得对应空间的最优SVM,还要优化核函数参数以获得全局最优的SVM。

2 基于改进遗传算法的SVM参数优化

2.1 遗传算法

遗传算法[8,9](Genetic Algorithms,简称GA)是基于达尔文进化论,在计算机上模拟生命进化机制而发展起来的搜索最优解方法。它根据“适者生存”、“优胜劣汰”等自然进化规则来进行搜索计算和问题求解。遗传算法对于复杂的优化问题无须建模和复杂运算,只要利用遗传算法的三种算子就能得到最优解。标准遗传算法的构成包括染色体的编码、种群规模、适应度函数、遗传算子。

2.1.1 染色体的编码

所谓编码就是指将问题的解空间转换成遗传算法所能处理的搜索空间。常用的编码方式有二进制编码、符号编码和浮点数编码。由于二进制编码、解码操作简单易行,遗传操作便于实现。所以本文采用二进制编码。

2.1.2 种群规模

群体规模直接影响遗传算法的性能,一般来说,种群规模在20-200之间时,能够很好地实现种群多样性与算法复杂度之间的折衷。

2.1.3 适应度函数

适应度函数是用于评价各码串对问题适应程度的准则,它是遗传算法指导搜索的唯一信息,它的好坏是衡量算法优劣的关键。

2.1.4 遗传算子

(1)选择算子:将父代中适应度值高(性能优良)的染色体(个体)选择复制到下一代中,并淘汰劣势个体,选择过程通常采用适应度比例选择法又称赌轮选择法,适应度越高的个体被复制到下一代的概率越高。

(2)交叉算子:从群体中随机选择一对个体,以交叉概率$p{}_c\left(0<p{}_{c}1\right)$实施交叉操作,即互相交换各自的部分基因(表示染色体的数字串的某一位),从而形成一对新的个体,常见的交叉方式有单点交叉、两点交叉、多点交叉及均匀交叉等。交叉概率一般取pc=0.6～1.0。

(3)变异算子:以很小的概率随机地改变遗传基因的值,在染色体以二进制编码的算法中,它随机地将染色体的某一位基因由1变为0,或由0变为1。通过变异算子,可确保群体中基因类型的多样性,防止搜索停滞,一般取变异概率pm=0.001～0.1。

2.2 改进的方法

遗传算法虽然在理论上形成了一套较为完整的算法体系,然而在实践中还存在很多问题,如早熟问题,它使遗传算法搜索不到真正的最优值。对标准遗传算法作如下改进:

遗传算法初期个体之间的差异性比较大,较大的交叉概率和较小的变异概率有利于保存有用的遗传信息;而在遗传算法后期,个体之间适应度的差别很小,较小的交叉概率和较大的变异概率能够增加个体的多样性,有利于进行全局搜索和克服早熟现象。所以本文采用自适应的交叉概率和变异概率:

$p{}_c(G+1)=p{}_c(G)-\frac{[p{}_c(1)-0.6]}{G{}_{\max }}(5)$

$p{}_m(G+1)=p{}_m(G)+\frac{[0.08-p{}_m(1)]}{G{}_{\max }}(6)$

式中:G为遗传代数,Gmax为最大遗传代数,pc(1)和pm(1)分别是第一代交叉概率和变异概率,pc(G)和pm(G)分别是第G代交叉概率和变异概率。

2.3 基于改进遗传算法的SVM参数优化设计

为了实现应用遗传算法对SVM参数的优化,本文对标准遗传算法进行了改进,并在此基础上对SVM参数优化,其流程图设计如图3所示。

应用改进遗传算法对SVM进行参数优化的具体实现步骤如下:

Step 1:初始化SVM参数并对其进行二进制编码,产生遗传算法的初始群体;群体数量选取100,二进制编码码串的长度根据要搜索的SVM参数的范围与精度来确定。以利用RBF核函数为例,SVM需要优化的参数为C与γ,码串中包括两个参数的二进制码。

Step 2:设定遗传算法的参数,初始代数设为G=1,初始交叉概率pc(1)=0.8 ,初始变异概率pm(1)=0.008,最大遗传代数Gmax=100。

Step 3:将初始群体解码后送入SVM进行训练并计算个体的适应度,本文适应度函数采用SVM分类的正确率。

Step4:应用最优保存策略,在进行遗传操作之前先把适应度(正确率)最高的个体保存下来,以防止优秀基因因遗传算子操作而丢失;记录最差个体的序号 Index。

Step5:进行遗传操作,选择算子采用赌轮选择法,交叉算子采用单点交叉,经过遗传算子操作产生新群体,并用Step 4保存的最优个体替换序号为 Index 的新个体,并最终产生新的群体,然后返回Step 3进行训练。

Step6:检查是否满足算法终止条件,由于分类正确率(适应度)本身就是要搜索的结果,很难作为终止条件,但是当连续几代最优个体的适应度相等时则认为种群不能再进化,作为算法终止的条件之一,把设定的最大遗传代数也作为算法的终止条件之一,当满足上述两个条件中的任何一个时,则自动终止算法。

3 仿真结果与分析

为了验证算法的有效性,本文利用UCI[10]数据库中ionosphere、vehicle、zoo等数据在Matlab环境下进行仿真验证,各类数据的属性如表1所示。

在划分各数据的训练样本和测试样本时,以一半的数据进行训练,另一半数据进行测试。支持向量机的核函数采用径向基核函数:

${\rm K}(x,x{}_i)=\exp \{-\gamma \left|x-x{}_i\right|{}^2\}(7)$

本文同时利用网格搜索的方法对SVM参数优化进行了仿真,仿真结果如表2所示。

由以上仿真结果可以看出,改进的遗传算法比网格搜索的方法有更高的分类正确率, ionosphere、vehicle、zoo三类数据的分类正确率分别提高了1.11%、0.81%、2.12%,这表明改进的遗传算法比网格搜索的方法搜索能力更强,能够搜索到更优的参数值;而两种方法的支持向量数(SVs)基本一致,所以运算速度基本一致,这表明算法的运算速度并没有因为算法的复杂化而降低;还可以看到,无论是在两类分类(ionosphere)还是多类分类(vehicle、zoo)问题中,分类正确率都得到了提高,这表明改进的遗传算法具有良好的泛化性能。

4 结束语

(1)本文在简单介绍支持向量机和遗传算法的基本原理之后,针对所存在的问题设计了一种基于改进遗传算法的支持向量机参数优化方法。

(2)在Matlab环境下对所提出的算法进行了仿真,总的来说,支持向量机的总体性能得到了提高,仿真结果验证了本文所提出的算法的有效性,为支持向量机的参数优化提供了一种切实可行的方法。

摘要：支持向量机是一种非常有前景的学习机器,但是,支持向量机参数的选取一直没有一套成熟的理论,这给支持向量机的应用带来了很大的不便。为此,本文提出了基于改进遗传算法的支持向量机的参数优化方法,利用遗传算法的全局搜索能力得到支持向量机的最优参数值。仿真实验结果表明,得到的参数可使支持向量机具有良好的泛化性能,此方法切实有效。

关键词：支持向量机,改进遗传算法,参数优化

参考文献

[1]李杰,楚恒,朱维乐,彭静.基于支持向量机和遗传算法的纹理识别[J].四川大学学报(工程科学版),2005,37(4):104-108

[2]张伟,胡昌华,焦李成,薄列峰.克隆规划-交叉验证参数优化的LSSVM及惯性器件预测[J].西安电子科技大学学报(自然科学版),2007,34(3):428-437

[3]周辉仁,郑丕谔,赵春秀.基于遗传算法的LS-SVM参数优选及其在经济预测中的应用[J].计算机应用,2007,27(6):1418-1429

[4]张周锁,李凌均,何正嘉.基于支持向量机故障分类器的参数优化研究[J].西安交通大学学报,2003,37(11):1101-1109

[5]邵信光,杨慧中,陈刚.基于粒子群优化算法的支持向量机参数选择及其应用[J].控制理论与应用,2006,23(5):740-748

[6]CHAPELLE O,VAPNIK V,BOUSQUET O,et al.Choosing Multiple Parameters for Support Vector Machines[J].MachineLearning,2002,(46):131-159

[7]Vapnik著,许建华,张学工,译.统计学习理论[M].北京:电子工业出版社,2004.

[8]李人厚.智能控制理论和方法[M].陕西:西安电子科技大学出版社,2005.

[9]杨淑莹,著.模式识别与智能计算———Matlab技术实现[M].北京:电子工业出版社,2008.

参数改进 第8篇

同步发电机是电力系统的重要设备,准确的同步电机参数对研究和分析电力系统运行、控制系统设计等问题有着重要的意义。其中,反映同步电机暂态过程的瞬态参数与电力系统的稳定性、继电保护设备和其它电器的选择及使用有着密切的关系[1,2,3]。

在工程实际应用中,传统对瞬态参数的求解一般是通过对突然短路电流曲线的包络线加减来得到短路电流的周期分量和非周期分量,这种数据处理方法精度不高,严重影响计算的准确度和可信度[4]。鉴于此,不少改进措施被提出:文献[4]提出了基于扩展Prony算法的超瞬态参数计算方法,提高了辨识精度。但算法在实际应用中存在阶数确定的难题,而且辨识结果对噪声比较敏感;文献[5]提出了基于HHT的辨识方法,可以在强噪声背景下准确地提取出短路电流数据中的基波分量和直流分量,很大程度上消除了噪声影响,但HHT的EMD信号分析方法目前存在难以解决的“端点效应”问题[6,7]。

本文将遗传算法与经典搜索方法结合起来,构成的改进混合遗传算法融合了具有强局部搜索能力的模式搜索方法,极大地改善了遗传算法的性能。将该算法应用到同步电机参数辨识中,克服了传统方法精度低的缺点,不仅避免了混合遗传算法中矩阵导数的计算,而且所需数据窗短,对搜索初值不敏感。

1 同步电机极值优化模型

空载情况下同步电机发生突然三相短路后,a相中的定子电流可表示为[8]:

式(1)中为了考虑短路试验时的实际情况,假定电流由两部分组成:前一部分为电流的非周期分量、基波分量和二次谐波分量,完全由给定的电机参数决定,可以将其称为短路电流的实际值或准确值;后一部分e(t)为噪声电流,主要由饱和、涡流、磁滞和环境噪声所引起的高次谐波电流组成[5],因此可假设e(t)表达式为:

式(1)中,发电机参数包括xd,'xd,'xd,'xq,Ta,Td',Td'。同步电抗xd一般随运行情况发生变化,但突然短路过渡过程作为一个测试同步电机瞬态和超瞬态参数的一个标准过程,可以假设xd不变。由此可见,式(1)是由除xd之外的六个参数的共同函数,将其简记为:

式(1)中,记sT为信号采样时间间隔,f=1/Ts为采样频率,每周期采样N点。若信号基频分量的实际周期T不等于Ts的整数倍,将产生非同步采样误差。引入采样非同步度λ=NTs/T=Nf/fs,量纲为1,将λ代入式(1)并令t=n Ts,并考虑到式(2),则式(1)也是λ与Ak的函数,设第n时刻的电流采样值为in,则:

将式(4)简记为:

式中:假设X为1l的向量,则给出l个数据采样点,就可以得到l个相互独立的方程,从而可以求解出待辨识的电机参数。为了方便求解,将式(5)转化为一个等价的极值优化问题如式(6)所示。

式中:Φ为方程组的解区间,当F(X)最小为0时,对应的X即为方程组的解。

2 改进的混合遗传算法设计

2.1 混合遗传算法设计

(1)编码方式及初始种群选取

采用实数编码方式,个体的长度等于待求变量的个数,个体基因初始值等于解区间范围内一个随机值。

(2)适应度函数选取

从式(6)知,F(X)值越小,X越逼近方程组的解,因此本文选择将目标函数选为适应度函数:

(3)选择操作

采用随机联赛选择方法[9]。这是一种基于个体适应度之间大小关系的选择方法,其基本思想是每次随机选取W个个体进行比较,将其中最好的一个复制到下一代群体中,并重复进行M次(M为群体规模)。本文选取适应度值最小的个体形成新的种群。

(4)交叉操作

随机选择2个位置,以交叉概率Pc进行式(8)中均匀算数交叉,并重复M次(M为群体规模)。

式(8)中:a是一个0~1之间的随机数。

(5)变异操作

本文采用文献[10]中的非均匀变异方法。设变量xi解的范围为[ai bi],以变异概率Pm进行以下变异操作:

式中:a,β为0~1之间的随机数,t为进化代数,T为最大进化代数。

(6)混合操作

选择合适的混合算子对算法的成功很关键。为改善遗传算法运行效率,提高计算精度,在每一代选择、交叉、变异操作后,以概率Ph嵌入改进模式搜索方法。

模式搜索方法是求解无约束最优化问题的直接方法,该方法仅用到目标函数的函数值,而不必要计算导数值,也不需要使用一维搜索技巧。但由于式(6)是一个含约束最优化问题,因此本文对文献[11]中模式搜索算法改进如下:

1)取初始点X(1),初始步长α>0,置精度要求ε及最大搜索次数N,置t1=X(1),k=1。

2)对于i=1,2,,n,做:如果ti+αei∈[a i bi]并且f(ti+αei)

3)若f(tn+1)

置k=k+1,如果kN转2),否则停止计算。

4)若t1≠X(k),则置t1=X(k),转2)。

5)若α<ε,则停止计算;否则置α=α/2,转2)。

2.2 混合遗传算法流程

混合遗传算法流程如图1所示。图1中各框的功能如下:

1)框(1),算法初始化,确定最大进化代数T、变异概率Pm、交叉概率Pc、种群规模M、每代淘汰数目E、个体大小L、联赛规模W、混合运算概率Ph、终止精度要求δ、个体解区间Φ,加载同步电机短路电流数据D(包括采样频率fs),产生初始种群P,并计算种群P中个体的适应度Fit(计算适应度时,本文均匀选择D中L个数据点,经大量测试该选择方式有利于加速收敛)。

2)框(2),对种群P进行遗传算法的选择、交叉、变异操作,产生种群P',并计算种群P'中个体的适应度Fit'。

3)框(3),以概率Ph更新种群P',并更新对应的适应度Fit'。

4)框(4),找出种群P'中最好的E个个体,并用它们替换种群P中最差的E个个体。

5)框(5),比较种群P中最好个体的适应值Best Fit是否小于终止精度要求δ或者已经到达最大进化代数T,如果是则终止。

2.3 改进混合遗传算法

较之单纯的遗传算法,上述混合算法能明显改善效率,但进一步观察可以发现,这一性能还可改进。对改进模式搜索优化算法,给定初始点后,算法将逐步向初始点附近的一个最优点收敛,在绝大多数情况下,结果是一个局部最优点。但事实上这些局部最优点的准确位置并不需要,因为本文关心的是全局最优点。理想的算法是在到达全局最优点的收敛域之后,再使用改进模式搜索,获得全局最优点的准确位置。也就是说,上述混合算法中的改进模式搜索操作,在到达全局最优点收敛域之前,没有必要彻底进行。

注意到这一特点,就应该在混合运算过程中改变混合运算概率Ph,只是当算法接近全局最优时,才大量使用改进模式搜索操作。Ph具体的控制方式如式(10)所示。

式中:Pmin不应该太小,本文取0.1;Pmax不应该取太大,由于种群规模M较大,大量的改进模式搜索操作将耗费大量时间,文中取0.2。

通过上述方面的改进,大大减少了混合算法的计算量,同时保留了混合算法较好的收敛特性。经过实验证实了它的效果。

3 算例分析

为验证本文方法的有效性,本文初始化遗传算法参数值如下:T=20,Pm=0.02,Pc=0.7,M=300,E=5,W=8,δ=1.0e-005。

初始化模式搜索算法参数值如下:ε=1.0e-6,α=0.5,N=200。

3.1 不含噪声的短路电流分析

取短路初始相角θ0=π/6,fs=1000(每周期采样20点,实际基波频率f=50.25 Hz),E=1。按表1中参数预设值仿真电机发生三相短路后的电流波形(不包括噪声分量)如图2所示。

采用改进的混合遗传算法进行10次实验(成功9次,其中在最大进化代数T=20内,最好个体适应值小于δ=1.0e-005的就认为实验成功),其运算结果如表1所示。

从表1及遗传算法相关参数中可以看出,由于以概率hP加入了混合操作,在选择、交叉、变异等操作对解空间进行全局搜索的同时,一旦有某个个体进入模式搜索方法的收敛区域,即可以很高概率快速收敛到满足精度的解(平均值最大误差为x'd,但小于0.0172%)。

在改进混合遗传算法的计算过程中,模式搜索算法的精度要求ε是用来控制参数辨识精度的,辨识参数结果的极限精度便是ε;遗传算法终止精度要求δ主要是来控制算法效率的,δ越小算法计算时间越长。两者配合使用,一般δ可以取0.1~1ε。

注:表1与表2中误差指仿真值的计算误差。

3.2 含噪声的短路电流分析

在图2短路电流基础上迭加一噪声,假设该噪声是由幅值为0.1的3、5、7、8高次谐波构成,,则噪声电流分量波形如图3所示。

采用改进的混合遗传算法进行10次实验(成功5次),其运算结果如表2所示。由于个体规模较大,且最大进化代数较小,表2中结果误差较表1大,而且大概有0.5的概率不收敛。为了增加收敛概率,应该适当增加混合运算的次数(如增加式(10)中的Pmin)、增大最大进化代数、减小遗传算法终止精度要求δ、增大种群等方式。

4 结论

本文将遗传算法及模式搜索算法结合起来,形成混合遗传算法,然后去掉了冗余的混合操作,从而改进了其计算效率,并将其应用于同步电机参数辨识,针对误差因素形成相关数学优化模型,获得了精确结果,对研究和分析电力系统运行、控制系统设计等问题有着重要的意义。

理论分析和大量实验均表明该改进混合遗传算法具有以下特点:

继承了遗传算法对计算初始点不敏感优点,拥有模式搜索方法不需要一维搜索技巧及计算矩阵导数特点,计算所需数据窗短,进化代数少(一般在均在20代内可以得到较精确结果),算法的收敛性好、计算精度好,为提高辨识准确度打下了良好的基础。

参考文献

[1]高景德,王祥珩,李发海.交流电机及其系统的分析[M].北京:清华大学出版社,1993.

[2]沈善德.电力系统辨识[M].北京:清华大学出版社,1992.

[3]孙宇光,王祥珩,桂林,等.场路耦合法计算同步发电机定子绕组内部故障的暂态过程[J].中国电机工程学报,2004,24(1):136-141.SUN Yu-guang,WANG Xiang-heng,GUI Lin,et al.Transient Calculation of Stator’s Internal Faults in Synchronous Generator Using Fem Coupled with Multi-lop Method[J].Proceedings of the CSEE,2004,24(1):136-141(in Chinese).

[4]李天云,高磊,陈晓东,等.基于HHT的同步电机参数辨识[J].中国电机工程学报,2006,26(8):153-158.LI Tian-yun,GAO Lei,CHEN Xiao-dong,et al.Parameter Identification of Synchronous Machine Based on Hilbert-Huang Transform[J].Proceedings of the CSEE,2006,26(8):153-158(in Chinese).

[5]吴旭升,马伟明,王公宝,等.基于小波变换和prony算法的同步电机参数辨识[J].电力系统自动化,2003,27(19):38-42.WU Xu-sheng,MA Wei-ming,WANG Gong-bao,et al.Parameter Identification of Synchronous Machine based on Wavelet Transform and Prony Algorithm[J].Automation of Electric Power Systems,2003,27(19):38-42(in Chinese).

[6]邓拥军,王伟,钱成春.EMD方法及Hilbert变换中边界问题的处理[J].科学通报,2001,46(3):257-263.DENG Yong-jun,WANG Wei,QIAN Cheng-chun.Comments and Modifications on EMD Method[J].Chinese Science Bulletin,2001,46(3):257-263.

[7]纪跃波,秦树人,柏林,等.有限区间信号边界效应问题的研究[J].振动与冲击,2002,21(4):108-112.JI Yue-bo,QIN Shu-ren,BAI Lin,et al.Research on the Edge Effect of Cutoff Signal with Limited Time Domain[J].Journal of Vibration and Shock,2002,21(4):108-112.

[8]李光琦.电力系统暂态分析[M].北京:中国电力出版社,1995.

[9]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,1999.

[10]李媛,刘涤尘,杜新伟,等.混合遗传算法在电力参数测量中的应用[J].电力系统自动化,2007,31(12):86-91.LI Yuan,LIU Di-chen,DU Xin-wei,et al.Application of Hybrid Genetic Algorithm in Power System Parameter Measurement[J].Automation of Electric Power Systems,2007,31(12):86-91(in Chinese).