一种傅里叶变换与小波变换相结合的谐波检测方法

为了实现对电力系统谐波的检测,采用了傅里叶变换与小波变换相结合的方法,通过在实例中对比二者的不同特点,将二者的优点结合起来,应用到具体信号的分析中,经过MATLAB仿真,得到各次谐波的有效信息。从而表明,此方法可以对电力系统中的各次谐波进行检测和分析。     

基于STFT和FrFT的连续波雷达参数估计

连续波雷达的回波信号由目标进行调制,对回波参数的估计是雷达信号处理的主要任务.本文从短时傅里叶变换(STFT)和分数阶傅里叶变换(FrFT)的基本特点入手,介绍了他们进行雷达回波信号参数估计时的优缺点.针对这些特点,提出了一种基于两种方法的混合算法.混合算法分两步:首先,混合算法运用STFT进行速度粗测;然后,用FrFT对加速度进行估计同时进行速度的精测.最后本文进行蒙特卡罗仿真实验,实验结果证明,即使在较低信噪比下该算法依然有效.     

基于Matlab和Labview的电力系统谐波检测

快速傅里叶变换（FFT）在电力系统谐波检测中被广泛应用。由于电网频率的波动,很难做到严格意义上的同步采样,因而导致发生频谱泄漏与栅栏效应现象,造成较大的测量误差。本文从传统的FFT检测方法出发,深入研究了加汉宁窗并进行了插值运算的高精度算法。算例仿真时利用Labview中提供的Matlab节点,将两款软件进行有机结合,充分发挥各自的优点。精确检测出各次谐波频率、幅值和相位,并为进一步构建基于虚拟仪器的谐波检测系统打下基础。     

基于神经网络模型的谐波检测改进算法

通过对基于傅里叶基函数的神经网络模型算法和加窗快速傅里叶变换算法的研究,提出基于神经网络模型的加窗谐波检测改进算法。该改进算法针对原算法中只能检测已知频率谐波及收敛速度慢的缺点,结合最优化理论,通过相关权值调整的方法,实现了算法对任何未知频率的检测和快速收敛。     

基于STFT的无人机跳频信号检测与参数估计

为了有效实现对无人机的监管,避免涉密、干扰航班、扰民等事件发生,需快速识别出监测范围内的无人机信号,为此提出一种基于STFT的无人机跳频信号检测与参数估计方法。该技术对接收的信号样本做STFT变换,在时频图上采用时频能量对消法实现无人机跳频信号的盲检测,并在此基础上设计一种自适应的形态学滤波器消除干扰,同时引入最小二乘估计算法提升无人机跳频信号参数估计的性能。通过实验测试表明,算法在SNR不低于6 dB时,无人机跳频信号的检测概率在95%以上,且能正确估计出无人机跳频信号的跳频周期、跳频起跳时刻和跳频频率集等参数,实用性较强,工程使用价值较高。     

基于小波去噪的加窗FFT电网谐波检测

提出一种基于小波去噪的软硬阈值改良折衷法与加布莱克曼窗的傅里叶变换算法相结合的谐波检测方法。该方法采用小波软硬阈值改良折衷法对含噪的电力谐波信号进行降噪处理,利用加布莱克曼窗的傅里叶变换算法对去噪后的信号进行分析,提取各次谐波的幅值和频率。仿真检测结果表明小波去噪后的谐波波形接近于原始信号谐波波形,信噪比提高了8.3226dB,小波去噪与FFT结合的方法适合在谐波检测系统或装置中应用。     

基于STFT的缝翼滑轨故障静电监测技术的研究

针对飞机缝翼运动机构需要实时监测的要求,提出了一种新的能够提前预警故障的方法,即基于静电感应的状态监测方法.分析了静电监测的原理,并通过模拟实验对该方法进行了初步的研究.实验结果表明:静电传感器能够有效地监测到故障的静电荷水平变化,验证了此传感器用于缝翼滑轨模拟试验件监测的有效性.介绍了短时傅里叶变换(STFT)时频分...     

基于二阶海宁卷积窗和双峰插值傅里叶变换的谐波检测方法

针对采用傅里叶变换检测谐波时存在的频谱泄露和栅栏效应问题,提出采用二阶海宁卷积窗的加窗算法来减少频谱泄露,采用双峰谱线插值修正算法抑制栅栏效应的谐波检测方法。Matlab仿真结果表明,该谐波检测方法对于稳态谐波的检测精度较高,且很好地改善了频谱泄露和栅栏效应问题。对于波动谐波,提出可采用小波变化与傅里叶变换和加窗插值法相结合的谐波分析方案。     

STFT与图像压缩的探讨

时频分析在信号分析和处理中得到广泛的应用,分析信号从平稳扩展到非平稳,并且分析信号的约束条件减少了,同时信号分析的结果具有傅里叶分析所不具有的特性。从理论上和计算机仿真证明了可利用时频分析来进行数字图像压缩这一结论。     

基于卷积神经网络框架的回声隐藏检测方法

回声隐藏是一种以音频为载体的隐写技术,目前针对回声隐藏的隐写分析方法主要以倒谱系数作为手工特征进行分类。然而,这些传统方法普遍在回声幅度较低时检测性能不高。针对回声幅度较低的情况,提出一种基于卷积神经网络（CNN）的回声隐藏隐写分析方法。首先利用短时傅里叶变换（STFT）提取音频的幅度谱系数矩阵作为浅层特征,然后设计了一个卷积神经网络框架对浅层特征进行进一步的深度特征提取,网络框架中包含了四个卷积模块以及三层全连接层,最后分类结果以Softmax进行输出。在三种经典的回声隐藏算法上对提出的方法进行了隐写分析实验评估,实验结果表明,该方法在低回声幅度条件下的检测率分别为98.62%、98.53%和93.20%,与目前所提出的传统基于手工特征的方法和基于深度学习的方法相比,检测性能提升10%以上。     

一种基于人工神经网络的音频水印算法

本文提出了一种新的基于人工神经网络的音频水印算法。该算法利用人工神经网络来智能地估计原宿主信号的水印强度因子,并以这些强度因子的值作为确定水印嵌入强度的依据,以此种方式嵌入水印后的信号其能量频谱能够总是保持在宿主信号的最小听觉掩蔽门限之下。实验结果表明,在音频作品里面以这样的方式加入水印,不但能够保持相当好的透明性,而且对诸如加噪、重采样、重新量化等攻击表现出较好的稳健性。     

人工神经网络在材料设计中的应用及其若干共性问题的研究

应用人工神经网络进行材料设计已取得了可喜的进展，本文回顾了人工神经网络应用于材料制备工艺研究时的一些共性问题，如：样本筛选、网络结构的确定、加快网络训练速度、改善网络预测效果、最优工艺参数的确定等，并给出相应的解决办法。     

应用人工神经网络确定声波孔隙度

利用声波测井获得的时差求取地层孔隙度是石油测井解释中一项重要任务，传统的方法主要是利用Wyllie实验得到的时间平均公式以及其改进形式或经验公式，均为统计学方法，在具体应用上是很不方便的，优越于统计学理论的人工神经网络方法具有高度的自学习、自适应和抗干扰性等优点，采用带有非线性连接权的二层前馈神经网络能够取代三层BP网络的功能，实际应用表明，应用神经网络能够很好地确定声波孔隙度．     

基于WEB的人工神经网络材料设计系统

开发了一个基于WEB的人工神经网络材料设计系统。该系统用DelphiMIDAS技术结合ActiveX技术实现对数据库的维护;利用MATLAB的WEB技术结合其数据库工具箱和神经网络工具箱编写程序,从材料数据库中获得数据进行神经网络计算,并将结果通过WEB服务器返回给浏览器。     

基于BP神经网络的储层参数计算

本文提出了采用人工神经网络对油藏描述中的储层参数进行计算的方法 ,对 BP神经网络的算法进行了改进 ,提高了网络的收敛速度 ,在应用中取得了良好的效果。对神经网络技术在油藏描述中的应用进行了有益的尝试。     

基于人工免疫网络的神经网络集成方法

提出基于人工免疫网络的神经网络集成方法AINEN。在用Bagging生成神经网络集成之后,将人工免疫网络的原理应用到神经网络集成,组成了一个从微观上看是一个一个的神经网络,而从宏观上看是一个大的人工免疫网络的集成。通过在微观层次上提高神经网络集成的个体之间的异构度,在宏观层次上提高免疫网络的适应度,从而降低集成的泛化误差。AINEN与GASEN方法在标准数据集上进行的实验表明,AINEN能取得更小的泛化误差。     

基于人工神经网络改进的Delphi法

采用传统Delphi方法进行决策、预测时,成员权重主要根据成员的经历、职务、年龄和自我评定等情况来确定,易导致加权平均值及方差计算不准确,影响Delphi法的精度和效率。为提高传统Delphi法的精度和效率,本文在基于BP神经网络的加权平均值计算模型基础上,提出了基于BP神经网络的改进Delphi法。改进的Delphi法使成员权值分配与其决策预测结果直接相关,减少了人为不正确因素对权值分配的影响。该方法已被应用于股票上市公司经营业绩综合评价排序,通过与传统Delphi法应用对比,证实了改进的Delphi法具有较高的计算精度和效率。     

基于人工神经网络的配电网距离保护方法研究

基于神经网络技术提出了一种新的配电网距离保护方法,用于提高距离继电器在配电网中抗开路故障的性能。给出了保护方法的详细数学模型。该方案采用的人工神经网络结构简单,只需离线训练,不会对距离继电器的工作时间造成大的时延,也不需要特殊的通信辅助手段。测试结果表明,采用该方案的距离继电器不仅能够检测电网线路中的开路情况,而且无论故障前的电流负载如何,都能够定位故障位置,验证了所提方法的有效性。     

基于低时延和高精度脉冲神经网络的目标检测

人工神经网络(artificial neural network, ANN)在众多领域取得了显著进展, 但其对计算资源和能耗的高需求限制了其在硬件端的部署和应用. 脉冲神经网络(spiking neural network, SNN)因其低功耗和快速推理的特性, 在神经形态硬件上表现出色. 然而, SNN的神经元动态和脉冲发放机制导致其训练过程复杂, 目前主要研究集中在图像分类任务上, 本文尝试将SNN应用于更为复杂的计算机视觉任务. 本文以YOLOv3-tiny网络为基础, 提出了Spiking YOLOv3模型, 其符合SNN特性的网络模型, 在检测任务上实现了更高的准确度, 并将平均推理时间减少至约原来工作的1/4. 此外, 我们还分析了ANN-SNN转换过程中产生的转换误差, 并采用量化激活函数对Spiking YOLOv3模型进行了优化以减小转换误差. 优化后的模型平均推理时间减少至约原来的1/2, 并在VOC与UAV数据集上实现在ANN-SNN无损转换, 显著提升了基于该模型的检测效率.     

人工神经网络及其在材料中的应用

人工神经网络是模拟人脑生物过程的人工智能技术。在很多领域都得到了有效的应用。在材料科学中,神经网络也得到了应用,本文论述的是人工神经网络通过对材料制备工艺参数的一些研究,从而得到一个最优的工艺过程的定量关系。