摘要：为提高永磁辅助同步磁阻电机(permanent magnet-assisted synchronous reluctance motor, PMa-SynRM)的输出性能,提出了基于核极限学习机(kernel extreme learning machine, kelm)和快速非支配排序遗传算法(nondominated sorting genetic algorithm, NSGA-Ⅱ)相结合的外转子PMa-SynRM多目标优化设计方法。首先,对PMa-SynRM转子磁障进行初步设计并分析PMa-SynRM工作原理。其次,通过综合敏感性分析评估每个设计变量对优化目标的影响,选取主要优化参数。然后,以高输出转矩、高效率和低转矩脉动为优化目标,建立基于kelm的代理模型。最后,采用NSGA-Ⅱ进行全局寻优,从NSGA-Ⅱ生成的Pareto前沿中选择最优解,并通过有限元分析进行验证。仿真结果表明:优化后的电机较初始电机平均转矩提高了15.83%,转矩脉动降低了60.27%,且优化后电机效率较初始电机也有所提高,验证了本文优化设计方法的有效性。

摘要：蔬菜水果图像的分类研究在智慧农业领域具有重要的地位。针对蔬菜水果的实时高精度的分类问题,提出了一种基于LBP的粒子群优化混合核函数ELM模型(LBP-PSO-kelm)的分类方法,首先通过LBP等价变换提取蔬菜水果图像的纹理特征,然后将多项式核函数和高斯核函数加权成的复杂核函数(kelm)引入极限学习机中,并使用粒子群算法(PSO)对kelm中的核系数进行自适应选取,同时对引入的其他3个关键参数寻找最优值,获得最优模型。通过对Fruits-360数据集进行分类实验,结果表明,LBP-PSO-kelm在此数据集的分类准确率达到98.865 8%,平均分类时间为3.7ms,比单核ELM以及传统的分类方法分类准确率更高,模型计算时间短,且对硬件设备要求低,满足了智慧农业的实际需求。