牟浩
- 作品数：8 被引量：11H指数：2
- 供职机构：重庆通信学院更多>>
- 发文基金：重庆高校优秀成果转化资助项目更多>>
- 相关领域：自动化与计算机技术电气工程更多>>
- 基于SMBus的智能锂动力电池总线系统的实现被引量：1
- 2012年
- 介绍了系统管理总线SMBus(Smart Manegement Bus),SMBus是智能电池系统SBS(Smart Baterry System)中升压单元、电池充电单元、控制单元、锂动力电池及外设之间的互连接口,它能对电池的充放电电流、电压、温度、容量等重要参数进行监测和控制。
- 吴珍毅任开春李锐秦恺牟浩
- 关键词：系统管理总线智能电池锂动力电池
- Boost变换器PWM模糊滑模变结构控制器设计被引量：2
- 2013年
- 针对Boost变换器的强非线性,传统控制方法不易取得良好的控制效果,设计了Boost变换器PWM模糊滑模变结构控制器。该控制器结合PWM调制、模糊推理和滑模变结构控制三者的优点,通过在线模糊逻辑推理调整滑模变结构控制的切换面参数,从而使系统状态点的滑模运动保持稳定,逐渐趋向平衡点,提高滑模变结构控制器的控制效果。通过Matlab仿真比较,该控制器较好地解决了系统抖振问题,具有良好的动态性和较强的鲁棒性。
- 田力曹龙汉李锐吴珍毅牟浩
- 关键词：模糊控制PWMMATLAB仿真
- 锂离子电池最优充电电流预测方法研究被引量：3
- 2016年
- 为解决锂离子电池最优充电中电流设定的关键问题,提出蚁群算法(ACO)优化回归型支持向量机(SVR)核心参数,并将蚁群优化的回归型支持向量机(ACO-SVR)用于最优充电电流的预测。SVR核心参数C和g以节点值的形式在蚁群系统中体现,以交叉验证意义下误差作为目标函数更新节点信息素浓度,经过有限次迭代得到最优C和g值,使SVR性能最优。根据锂离子电池实测充电数据建立了ACO-SVR最优充电电流模型,结果表明ACO-SVR模型具有较少的寻优时间和较好的预测精度,通过理论分析和实验数据验证了该方法具有一定的实用性和有效性。
- 牟浩曹龙汉李锐焦晓燕
- 关键词：蚁群算法支持向量机参数优化锂离子电池
- 基于蚁群优化的Elman神经网络在故障诊断中的应用研究被引量：2
- 2013年
- 指出普通Elman神经网络BP学习算法的不足,将蚁群算法和Elman神经网络相融合,采用信息素挥发因子ρ和信息素τ更新策略自动调整的自适应蚁群算法优化Elman神经网络的权阚值,并将其应用到柴油机涡轮增压系统故障诊断中。仿真实验表明,优化的Elman神经网络有较快的收敛速度和较高的故障诊断精度,可以有效地诊断柴油机涡轮增压系统的故障,能够更好地避免局部最小,实现了对柴油机涡轮增压系统故障的有效诊断。
- 曹龙汉牟浩张迁余佳玲李景南
- 关键词：ELMAN神经网络蚁群算法柴油机涡轮增压系统故障诊断
- 基于IDE-LSSVM的柴油机气门故障诊断算法研究被引量：2
- 2014年
- 最小二乘支持向量机在柴油机故障样本少的情况下具有优越的学习能力和泛化能力,特别适合故障诊断,但同时也存在着参数设置等难题。针对最小二乘支持向量机参数设置问题,提出了一种改进微分进化算法优化最小二乘支持向量机方法。利用柴油机气门振动信号实测数据,经小波变换作为诊断模型的故障特征,建立了基于IDE-LSSVM的柴油机气门间隙故障诊断模型,并与基于遗传和基于粒子群算法的LSSVM模型进行比较,结果表明:基于IDE优化的LSSVM模型收敛速度快,故障识别率较高。
- 曹龙汉秦恺张迁牟浩文迪
- 关键词：柴油机故障诊断微分进化算法最小二乘支持向量机
- 基于神经网络的柴油机故障诊断
- 2013年
- 智能化故障诊断是现代设备诊断技术发展的必由之路,也是当前诊断技术的发展方向。本文主要以BP网络和RBF网络的基本原理,利用Matlab神经网络工具箱,对基于BP网络和RBF网络分别进行柴油机的故障诊断,并且对两种算法的诊断结果进行了对比。
- 秦恺任开春牟浩吴珍毅田力
- 关键词：BP神经网络RBF神经网络故障诊断
- 模糊神经网络在网络中心机房温度调节中的应用研究
- 2013年
- 网络中心机房的温度是大延时、大惯性的被控对象,针对此特点,以模糊控制和神经网络结合的思想,设计了一种基于模糊神经网络的控制器。建立了以T-S模糊模型为基础的5层模糊神经网络结构,并采用改进的BP算法和最小二乘法为模糊神经网络的学习算法。仿真结果表明,该方法下系统响应时间短、超调量小且稳态精度高,有较好的动态品质、稳定性和抗干扰性。
- 牟浩任开春文迪秦恺
- 关键词：模糊神经网络BP学习算法温度调节
- 基于LVQ神经网络集成的柴油机气门故障诊断被引量：1
- 2014年
- 针对柴油机气门故障的诊断样本少和非线性数据特征等问题，文中提出了一种基于学刁向量量化（LVQ，LearningVectorquantization）神经网络集成的柴油机故障诊断方法，该方法通过使飘LVQ神经两络作为基础学习器．采用Bagging算法对LVQ神经网络分类器进行相对多数投票集成，并用LVQ神经网络．LVQ神经网络集成．BP神经网络和RBF神经网络等方法对柴油机气门故障诊断．对评价结果进行了分析和比较，LVQ神经网络集成对柴油机气门故障诊断的正确率高于其他神经网络，神经网络集成的柴油机气门故障诊断精度高于单个神经网络的精度.
- 秦恺曹龙汉牟浩文迪张迁
- 关键词：LVQ神经网络神经网络集成柴油机气门BAGGING算法神经网络分类器
