堆叠稀疏降噪自编码的脑电信号识别

该文以深度学习中的自动编码机为基础,对原始输入向量加入噪声处理,隐含层加入稀疏限制,再将单一的网络结构堆叠成深层神经网络,提出改进算法——堆叠稀疏降噪自动编码机。通过在两个不同数据集（实验室采集数据集和2005年BCI竞赛数据集IVa）进行对比实验,结果表明该算法在运动想象脑电信号的特征提取上具有更强的学习能力和鲁棒性。     

风电场电能质量分析与评估

在电能质量各分项指标的基础上, 针对风电场的实际情况, 引入了功率波动作为附加的电能质量指标. 运用层次分析法(AHP)求取各项指标加权向量, 提出采用概率统计与模糊数学结合的分析方法对电能质量进行综合评估, 并用实测数据验证了该方法的可行性.     

嵌入式风电场电能质量监测装置设计

根据电能质量监测对于系统支持复杂算法和实时性的特殊要求,并在综合分析了目前风电场电能质量监测技术现状的基础上,本文提出了一种基于DSP ARM构架的嵌入式电能质量监测装置的解决方案,该装置可完成风电场电能质量指标的测量,并有数据显示、存储、通信等功能,能更加快捷地对电能质量数据进行分析和处理。     

基于DSP的多通道同步DAS及其应用

鉴于DSP在结构和技术性能上的特点,本文提出了一种基于DSP的多通道同步数据采集系统的设计方法。该系统采用锁相环(PLL)实时频率跟踪实现数据的同步采样,采用专门的A/D芯片实现多通道的同步,采用专门的开关电容滤波器提高采样系统的性能。通过初步的试验,验证了系统的性能,为进一步的研究奠定了基础。     

SDH指标自动化测试仪的研究

光同步（SDH）数字通信系统的出现不仅是电信传输体制上的重大革新,而且也为测试工作提出了崭新的课题.本文主要介绍了通过与目前通用的Agilent 37718高级网络分析仪和Actema OLC-65数控光衰结合.利用RS232串口线和网线连接,采用目前广泛应用的SCPI指令,编写出一套自动化测试软件,实现了不同速率光、电接口的指标自动化测试.自动化测试仪很好得改善了测试质量并提升了测试效率.     

微电网典型特征及关键技术

总结了微电网的运行模式、容量与电压等级和结构模式等典型特征,详细阐述了微电网的优化设计、运行控制、保护和经济运行等关键技术的研究方法和思路;分析了当前国内外典型微电网系统的重要特征及关键技术、微电网未来的发展方向和新型技术,并给出了对国内微电网研究和建设的相关建议。     

风-光-沼可再生能源分布式发电系统电源规划

为了有效提高风–光–沼混合可再生能源分布式发电系统的可靠性和经济性,首先研究分析了风、光、沼各发电电源特点以及该分布式发电系统结构特征,并以此为基础建立了其系统电源规划的优化目标函数和约束条件函数等数学模型。由于改进的自适应遗传算法使用最优保存策略进化模型的选择算子、改进的自适应交叉算子和变异算子,来获得较优的全局搜索能力和较强的鲁棒性,所以采用该遗传算法对此分布式发电系统电源规划进行优化运算处理。最后选取某负荷中心的300 kW负荷总量为对象进行风–光–沼混合可再生能源分布式发电系统的电源规划模拟优化求解,算例结果验证了该方法的可行性和有效性,而且对其它类型可再生能源分布式发电系统电源规划有一定的指导意义。     

双馈风力发电机系统的自抗扰神经网络的励磁控制

在双馈发电机传统控制方式的基础上, 将自抗扰控制技术和BP神经网络相结合结合, 应用于双馈风力发电机并网运行的控制上, 提出了一种新的双馈风力发电机并网运行控制方案. 该控制方案具有内外两个控制环, 内环通过BP神经网络实现双馈风力发电机的转子d-q轴电流控制, 外环通过自抗扰技术实现双馈风力发电机定子侧的有功、无功控制. 由于自抗扰控制器利用一阶跟踪微分器和扩张状态观测器对系统扰动进行动态跟踪补偿, 在此基础上输出双馈电机转子交--直轴电流的参考值, 然后将该参考值作为BP神经网络训练样本的输入, 训练后的BP神经网络可以更好地逼近实际转子电压输出量. 论文设计并实现了该方案的具体控制算法. 仿真测试表明: 该控制方案具有优良的动态性能, 对系统的内外扰动具有较强的鲁棒性, 在没有精确的发电机参数情况下依然可实现并网系统的稳定运行.     

基于条件深度卷积生成对抗网络的图像识别方法

生成对抗网络（Generative adversarial networks,GAN）是目前热门的生成式模型.深度卷积生成对抗网络（Deep convolutional GAN,DCGAN）在传统生成对抗网络的基础上,引入卷积神经网络（Convolutional neural networks,CNN）进行无监督训练;条件生成对抗网络（Conditional GAN,CGAN）在GAN的基础上加上条件扩展为条件模型.结合深度卷积生成对抗网络和条件生成对抗网络的优点,建立条件深度卷积生成对抗网络模型（Conditional-DCGAN,C-DCGAN）,利用卷积神经网络强大的特征提取能力,在此基础上加以条件辅助生成样本,将此结构再进行优化改进并用于图像识别中,实验结果表明,该方法能有效提高图像的识别准确率.     

基于条件经验模式分解和串并行CNN的脑电信号识别

针对运动想象脑电信号(EEG)的非线性、非平稳特点,该文提出一种结合条件经验模式分解(CEMD)和串并行卷积神经网络(SPCNN)的脑电信号识别方法。在CEMD过程中,采用各阶固有模式分量(IMF)与原始信号的相关性系数作为第1个IMF筛选条件,在此基础上,提出各阶IMF之间的相对能量占有率作为第2个IMF筛选条件。此外,为了考虑脑电信号各个通道之间的特征和突出每个通道内的特征,该文提出SPCNN网络模型对进行CEMD过程后的脑电信号进行分类。实验结果表明,在自行采集的脑电数据集上平均识别率达到94.58%。在公开数据集BCI competition IV 2b上平均识别率达到82.13%,比卷积神经网络提高了3.85%。最后,在自行设计的智能轮椅脑电控制平台上进行了轮椅前进、左转和右转在线控制实验,验证了该文算法对脑电信号识别的有效性。