学位论文 > 优秀研究生学位论文题录展示

粗糙集理论及粗糙混合智能方法在船舶电力系统中的应用研究

作　者: 张腾飞
导　师: 王锡淮
学　校: 上海海事大学
专　业: 电力电子与电力传动
关键词: 粗糙集 RBF神经网络船舶电力系统动态建模励磁控制粗糙控制
分类号: U665.1
类　型: 博士论文
年　份: 2007年
下　载: 502次
引　用: 2次
阅　读: 论文下载

内容摘要

目前，船舶控制向着自动化和智能化的方向发展，发电机系统的容量不断增大，船舶电力系统越来越复杂，对船舶电力系统的研究也提出了更高的要求。采用新的人工智能技术、方法研究船舶电力系统，进行智能化信息处理、动态建模和智能控制，并应用于船舶电力系统是有现实意义的。波兰数学家Z.Pawlak于1982年提出的粗糙集理论(Rough Set Theory)是一种较新的软计算方法，它能有效地分析和处理不精确、不一致、不完整等各种不完备信息，并从中发现隐含的知识，揭示潜在的规律，在某些方面可以弥补其它软计算方法的不足。粗糙集理论的发展以及粗糙集与神经网络的集成研究为船舶电站的建模与控制提供了一种新的思路和方法。目前，粗糙集理论在船舶电站电力系统中的研究和应用还较少，尚处在起步、探索阶段。本文利用粗糙集理论在智能信息处理方面的突出特点、强大的数据分析能力，以及神经网络的自组织学习、容错性能，对粗糙集理论以及粗糙集和RBF神经网络混合系统在船舶电力系统建模与控制中的应用进行探索研究。主要研究内容包括：●粗糙集理论算法研究针对粗糙集方法只能处理量化数据以及传统离散化方法存在的缺点，提出了一种基于微粒群优化(PSO)的连续属性离散化方法，降低了连续属性离散化后决策表的不相容度；在深入研究粗糙集理论的基础上，发现了正区域的一些有用性质，提出了一种基于正区域的直接求核方法，并给出了两个利用正区域求取属性相对约简的算法；为了在属性约简的过程中省去对属性正区域的多次计算，引入了广义决策表这一工具，发现了一些度量属性核与相对约简的性质，提出了一种基于广义决策表的属性求核与约简算法，可以非常简单地求取属性的核与相对约简，所给算法既适用于相容决策表也适用于不相容决策表；由于从实际系统中采集到的数据所构成的信息系统往往是不完备的，通常要对其进行预处理，提出了一种不完备信息系统的属性相对约简算法；决策规则的约简是基于粗糙集智能信息处理的一个重要内容，基于二进制可辨矩阵给出一个简单的直接求取决策规则核的方法，并提出一种决策规则的约简算法。●基于粗糙集的径向基函数神经网络(粗糙-RBF网络)粗糙集理论与神经网络都是智能信息处理较为有效的方法，但都有着各自的局限性，同时两者之间存在着许多互补之处，为两者的集成研究提供了理论基础。在深入分析径向基函数特性和网络结构的基础上，提出了一种基于粗糙集理论的RBF神经网络(粗糙-RBF网络)设计方法，利用粗糙集简化神经网络输入样本，确定RBF网络的中心向量候选集和扩展常数，结合正交最小二乘(OLS)算法构造RBF网络的结构。●基于粗糙-RBF网络的船舶发电机动态建模方法粗糙集理论和神经网络的集成运用为处理包含不确定、不完整信息的复杂系统提供了一个强有力的工具，也为复杂系统的建模提供了一种新的思路。本文在对粗糙集理论与RBF神经网络集成研究的基础上，针对现有复杂非线性系统神经网络建模存在的缺点与不足，提出了一种基于粗糙-RBF网络的连续系统动态建模方法，并利用这种方法对具有复杂动态特性和不确定性的船舶同步发电机进行建模。●基于粗糙混合智能方法的船舶发电机励磁控制粗糙控制是近年来兴起的一种新的智能控制方法，粗糙集理论处理不确定性问题的独特方式以及它与其它理论较好的融合性将有利于它在智能控制领域的进一步发展。尽管对粗糙控制已经进行了一些研究，但数量和所占据的地位仍然相对较小，并且都是学术上的而不是真正意义上的应用。在计算智能领域，通过各种理论与方法相结合的方式解决实际问题是目前的主要研究方向之一。本文探索了基于粗糙集理论的混合智能算法，并应用于船舶同步发电机的励磁控制系统中。针对船舶电力系统的特点，首次提出了基于粗糙-RBF网络辨识的发电机励磁神经PID控制和粗糙-神经网络逆前馈补偿的发电机励磁复合控制两种混合智能粗糙控制方法，仿真结果验证了所设计方法的有效性。

全文目录

中文摘要  4-6
ABSTRACT  6-12
第一章绪论  12-28
  1.1 引言  12-13
  1.2 粗糙集理论及应用  13-16
    1.2.1 粗糙集理论的发展及现状  13-14
    1.2.2 粗糙集在电力系统中的应用  14-16
  1.3 粗糙集与神经网络的集成  16-19
  1.4 粗糙控制  19-21
  1.5 船舶电力系统综述  21-26
  1.6 本文的研究内容与结构安排  26-28
第二章粗糙集基本理论  28-40
  2.1 不精确信息的描述  28
  2.2 知识与不可分辨关系  28-31
  2.3 决策表、约简与核  31-32
  2.4 区分矩阵与区分函数  32-34
  2.5 决策规则与规则约简  34-36
  2.6 粗糙集的信息论观点  36-38
  2.7 不完备信息系统及粗糙集扩展模型  38-39
  2.8 本章小结  39-40
第三章径向基函数神经网络  40-48
  3.1 神经网络简介  40-41
  3.2 RBF神经网络理论  41-46
    3.2.1 径向基函数  41-42
    3.2.2 RBF网络的结构与工作原理  42-43
    3.2.3 多变量RBF插值问题  43-44
    3.2.4 RBF网络的学习算法  44-46
  3.3 RBF神经网络中心选取算法  46-47
  3.4 本章小结  47-48
第四章粗糙集理论算法研究  48-76
  4.1 引言  48-49
  4.2 连续属性离散化  49-54
    4.2.1 离散化问题描述  49-50
    4.2.2 现有离散化方法  50-51
    4.2.3 基于微粒群优化的连续属性离散化  51-54
  4.3 基于粗糙集的属性约简  54-70
    4.3.1 属性的重要性度量  54-55
    4.3.2 属性的求核与约简  55-57
    4.3.3 基于正区域的属性求核与相对约简  57-61
    4.3.4 基于广义决策表的属性求核与相对约简  61-66
    4.3.5 不完备信息系统的属性相对约简  66-70
  4.4 决策规则约简算法  70-75
  4.5 本章小结  75-76
第五章基于粗糙-RBF网络的船舶发电机动态建模  76-112
  5.1 引言  76-77
  5.2 船舶电力系统建模与仿真  77-96
    5.2.1 船舶电力系统机理建模  81-88
    5.2.2 船舶电力系统仿真  88-96
  5.3 基于粗糙集理论的RBF神经网络  96-101
    5.3.1 基于粗糙集的RBF网络参数选取  98-99
    5.3.2 基于粗糙集的RBF网络OLS学习算法  99-101
  5.4 基于粗糙-RBF网络的动态建模方法  101-103
  5.5 基于粗糙-RBF网络的船舶发电机动态建模仿真  103-110
  5.6 本章小结  110-112
第六章基于粗糙混合智能方法的船舶发电机励磁控制  112-151
  6.1 引言  112-113
  6.2 基于粗糙-RBF网络辨识的船舶发电机励磁神经PID控制  113-124
    6.2.1 基于粗糙-RBF网络的神经PID励磁控制器设计  114-117
    6.2.2 船舶发电机励磁控制仿真实例  117-124
  6.3 粗糙-神经网络逆系统方法研究  124-140
    6.3.1 逆系统方法原理  125-126
    6.3.2 基于粗糙集的粗糙规则逆模型  126-130
    6.3.3 粗糙规则RBF网络推理引擎  130-132
    6.3.4 粗糙-神经网络逆控制方法研究  132-140
  6.4 粗糙-神经网络逆前馈补偿的船舶发电机励磁复合控制  140-149
    6.4.1 船舶发电机励磁粗糙-神经网络逆复合控制器设计  140-144
    6.4.2 船舶发电机励磁控制仿真实例  144-149
  6.5 本章小结  149-151
第七章结论  151-155
  7.1 本文工作结论  151-153
  7.2 今后工作展望  153-155
致谢  155-156
参考文献  156-171
附录攻读博士学位期间完成的学术论文  171-172

粗糙集理论及粗糙混合智能方法在船舶电力系统中的应用研究

内容摘要

全文目录

相似论文