神经网络由于强大的非线性逼近能力、不需要建立数学模型等优势可以很好地完成荷电状态(state of charge,SOC)预测。但是常用的BP神经网络也存在学习效率慢、容易陷入局部极小值的缺点。为改进传统神经网络的不足,提高预测精度,提出自适应变异粒子群优化算法(Particle Swarm Optimizition with Adaptive Mutation,AMPSO)与BP神经网络相结合的估算方法。在高级车辆仿真器(ADVISOR)仿真环境下,利用实际工况条件下的数据进行SOC估计,并与PSO、EKF、UKF方法对比,结果显示,优化后的BP神经网络预测误差在2%以内,说明所提的SOC估计方法有更好的预测准确性和稳定性。

针对高炉冶炼过程的复杂、多变以及非线性等因素,提出了一种基于粒子群算法(Particleswarmoptimization,PSO)和遗传算法(Geneticalgorithm,GA)相结合来优化极限学习机(Extremelearningmachine,ELM)的高炉铁水硅含量预测模型。PSO-GA-ELM预测模型,主要是在PSO算法进行适应度值计算、粒子的速度更新和位置更新时将GA算法中的选择、交叉和变异等操作融入其中,使其输出最优的连接权值和阈值代入到ELM模型中。通过对4种不同的预测模型进行实验验证,结果表明,优化后的PSO-GA-ELM模型在进行铁水硅含量预测时的预测精度、学习能力和泛化性能均高于其他三种预测模型。

电气化铁路运行过程中,系统不仅存在低次谐波,还存在大量的高次谐波,这是由于电气化铁路主要运营着的交直交型机车,在行驶过程中和供电系统电气匹配不当,会使机车产生谐波并注入电网。为了能够有效抑制高速铁路的谐波谐振,基于电气化铁路的谐波特性,利用单调谐滤波器以及高通滤波器设计出了一种新型组合而成的无源滤波器的抑制高频谐波谐振策略,并证明了此设计的有效性。

主要研究工作于危险环境的远程探险机器人的网络监控系统，采用C／S架构，运用实时通信技术（RTC）完成音频视频的采集、传输和播放，以获得远端逼真的环境信息；利用串口通信技术与单片机通信，获取安装在机器人上的传感器信息，使用网络通信套接字技术实现客户端与服务器端的远程通信，形成单片机、服务器、客户端流水线处理过程，对地下开采等危险作业区远程监控的进一步研究提供重要的参考模式。