锁相解调器

本文介绍锁相技术的一种应用——锁相解调扩展调频门限的原理和按最小均方相位误差的环路设计。具体方法有二:其一是根据调制信号谱密度,用维纳方程确定环路参数;其二是根据调制信号谱密度和选定的环路阶数确定环路参数。我们用后一种方法,以二阶环路为例,研制了24路调频解调器,进行了性能测试,并得到了初步结果。     

峰值检波解调器

在电子技术的许多领域中,常用解调器把交流信息转换为直流电压信息。现行的解调器通常是带有低通滤波器的某种形式的同步整流器。低通滤波器用来使输出纹波减小到一个可以接受的电平,然而它却限制了系统的频率响应。本文用采样/保持电路代替低通滤波器这样局部改进方法,克服了上述现行电路设计存在的问题。通过对输入交流信息峰值采样,且     

采样解调器

引言在位置伺服系统、反馈力平衡系统和电测技术中常用的各种位移传感器,如线性可变差动变压器、E型差动变压器、微动同步器和差动电容传感器的输出是调幅信号。在实际使用时,往往需要对它进行相敏整流。常用的解调制器如二极管环形相敏整流器、相敏整流放大器的解调输出信号脉动很大,需要加滤波器。本文研究一种用采样方法构成的解调制器。它     

基于神经网络的信号处理技术

综述了在信号处理与神经网络基础上发展起来的一门新兴交叉学科，即基于神经网络的信号处理技术，阐述了基于神经网络的信号处理的基本理论、方法及其应用情况。     

基于神经网络的信号处理技术

综述了在信号处理与神经网络基础上发展起来的一门新兴交叉学科，即基于神经网络的信号处理技术，阐述了基于神经网络的信号处理的基本理论、方法及其应用情况。     

超声探伤信号的神经网络识别

提出一种基于傅立叶变换和模式识别技术的奥氏体超声探伤信号的缺陷定性分类方法。该方法利用快速傅立叶变换提取反映缺陷性质的特征值,然后运用BP神经网络对特征值进行缺陷定性识别。实验结果表明,此方法简单易行,且能较好地实现奥氏体的缺陷识别。     

基于深度神经网络的功率分配方案

在无线通信中,与传统的单输入单输出(Single Input Single Output, SISO)技术相比,协同通信(Cooperative communication, CC)技术具有更好的性能。在放大转发(Amplify and Forward, AF)中继方案中,功率分配对系统的性能和功率利用起着关键作用。本文提出了一种新的基于机器学习的功率分配方法,其核心思想是将信道衰落系数的方差作为深度神经网络(Deep Neural Network,DNN)的输入,利用该系统的误码率闭环表达式,通过数值计算得到使误码率最小的功率分配方案,验证了深度神经网络在功率分配方法中的优势。结果表明,通过大量的数据训练,神经网络得到的功率分配方案的误码率(Symbol-Error-Rate,SER)无限逼近SER的精确值,并且随着隐含层层数的增加,神经网络的均方误差也在不断减小。与传统的功率分配相比,DNN在协作通信的功率分配中能够更好的减小网络传输的误码率。     

基于相似矩阵盲源分离与卷积神经网络的局部放电超声信号深度学习模式识别方法

电气设备的故障类型与局部放电现象密切相关,有效提取和分析局部放电信号中的特征信息对故障类型判断和运维检修具有重要意义。针对局部放电超声信号的特点,提出了基于相似矩阵的盲源分离方法对原始超声信号进行预处理,有效提取局部放电的特征量。采用光纤传输的局部放电超声检测平台对4种类型的局部放电信号进行采集,并应用上述方法对信号数据预处理,将处理后的数据作为训练样本用于深度学习模式识别,选用卷积神经网络,最终识别准确率达到90%以上,提高了局部放电类型识别的准确性,为新一代电力系统的设备故障诊断提供了一种新方法。     

电力系统中信号模拟的神经网络方法

本文介绍了一种利用神经网络识别系统问题的方法。传统的系统识别方法需要了解模型的结构，然后才利用参数估计方法。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于深度神经网络的电力系统快速状态估计

随着现代电力系统的迅猛发展,电网结构和运行方式日益复杂,对状态估计的实时性和准确性也提出了更高的要求.为此,该文提出一种基于深度神经网络的电力系统快速状态估计,通过相关性分析筛选出该状态估计模型的输入量测集,进一步利用海量历史数据建立基于深度神经网络的状态估计模型.当电力系统的实时量测更新时,将强相关量测输入已建立的状...     

基于多列深度神经网络的电力负荷预测模型

为了研究新型电力负荷预测方法,设计了一种基于多列深度神经网络的电力负荷预测模型.在离散数据模式下,使用差值法初步治理,通过小波变换提取其时域特征,傅里叶变换提取其频域特征.对负荷形成的时域、频域特征共8组数据进行多列深度神经网络分析,在此基础上进行一次多列神经网络分析,得到最终的叠加三角函数回归方程.通过仿真分析表明,与多项式曲线估计法和深度迭代模糊矩阵法相比,实现了预测数据质量的显著提升.模型适用于电力负荷预测任务.     

基于多层面压缩深度神经网络的轴承故障诊断

针对在资源有限的工业环境中难以应用基于深度神经网络的故障诊断模型的问题,提出一种压缩深度神经网络的轴承 故障诊断方法,将结构化剪枝、非结构化剪枝、参数量化及矩阵压缩多层面处理相结合,实现了网络多级压缩。 首先用结构化剪 枝剔除卷积层中输出低秩特征图对应的滤波器;再用非结构化剪枝去除全连接层中非重要性连接;最后通过对权重矩阵的参数 量化减少参数表示所需比特数,并结合权值矩阵压缩存储方法进一步减小了网络的参数存储量。 实验表明提出的压缩方法在 保证较高诊断准确率的前提下,极大减少了网络的参数存储量和浮点运算量,缩短了网络训练时间,加快了网络响应速度,为深 度神经网络方法的工业实际应用进行了有益探索。     

水库群运行的改进深度神经网络模拟方法

流域大规模水库群的形成导致径流时空分布发生深刻变化,而不同水库群往往分属不同业主调度管理,上游水库群的下泄计划无法实时获取,给下游水库调度计划编制带来困难,并且影响下游水库运行安全。本文提出一种水库群运行自适应矩估计改进深度神经网络模拟方法,通过改善深度神经网络参数训练方式,从水库群历史运行数据中提取调度规则,在此基础上对水库群运行进行模拟,并结合实例研究,将结果与传统神经网络方法进行综合对比。结果表明,本文所提出的方法能够更好地模拟水库群运行,所模拟的观音岩、锦屏一级和二滩水库下泄流量平均相对误差分别为8%、11%和10%,均优于反向传播(BP)神经网络结果,可为探究调度计划未知情况下的水库运行规律提供新途径。     

基于深度神经网络的电阻层析成像重建方法

电阻层析成像技术因其非侵入式测量特点、结果可视化的直观性和测量方法便捷性,被广泛用于医学造像,两相流工业检测和特殊材料检测。但其图像重建的逆过程由于固有的欠定性、病态特点,使得结果有一定偏差。针对该情况,设计了基于Resnet34改进的深度神经网络来求解电阻抗层析成像逆问题。通过设置场域内以像素点为中心,小范围内随机半径与电阻率分布变化强度,正向计算仿真32电极情况下各电极处边界电压,以此建立训练与测试数据集。经调参、训练后,该方法能较快收敛,并和高斯-牛顿法、全变差法以及Tikhonov正则化算法相比较,得到较好的判定性能。     

基于优化深度神经网络的配电网单相接地故障诊断

随着我国配电网的不断扩大,当配电网发生单相接地故障时,迅速找出并切除故障线路是供电可靠性的保证之一.提出了一种暂态故障特征和稳态故障特征相结合,并采用交叉熵损失函数和改进学习率优化的深度神经网络对故障进行辨别的方法.结果表明,方法有效地减少了深度神经网络的迭代次数,提高了学习效率.在辨别单相接地故障时,采用交叉熵损失函...     

基于深度神经网络的液体视觉识别研究

针对液体表面特征少,区分度低,机器视觉难以有效识别检测的问题,通过使用两束不同波长的激光光源同时照射液体来提高不同液体之间的区分度,设计了数据集自动采集装置为模型训练提供了大量有效的样本,并构建了基于EfficientNetV2深度神经网络的视觉识别模型,模型引入cosine学习率衰减,调节获得最佳超参数后,形成最优方式实现高效训练,进一步提升了预测精度,结果表明视觉检测系统能够获得100%的测试准确率,成功解决了液体视觉检测中特征少的难题。     

基于深度神经网络的多电平逆变器故障诊断

为解决多电平逆变器的故障诊断问题,文中提出了一种基于深度神经网络的多电平级联H桥逆变器的故障诊断方法。首先,介绍了多电平级联H桥逆变器的故障模型;然后,采用基于堆栈自编码器的深度神经网络直接从故障原始数据中进行故障特征提取;最后,运用SOFTMAX分类器对故障特征数据进行分类从而实现多电平逆变器的故障检测与诊断。基于MATLAB/Simulink对本文提出的方法进行了仿真实验,该方法与传统的智能诊断算法相比具有更高的准确率和更好的鲁棒性。     

基于卷积神经网络的变压器振动信号分析

为研究变压器振动与运行状态之间的关系,在小波分析方法的基础上,结合卷积神经网络的方法进行变压器振动信号分析。首先对1台油浸式变压器模拟绕组松动和铁心松动两种故障状态并分别测量其振动信号,然后对测试所得的振动信号进行小波变换,生成小波灰度图,并进行卷积神经网络训练分析。根据卷积神经训练的结果,该方法准确率在84.03%,说明卷积神经网络结合小波灰度图的分析方法可以有效识别振动信号中故障信息。比较2类故障验证样本中错误结果的分布情况可以发现,错误结果受变压器振动测点位置影响较大,在改善测点和增加训练数据的前提下,准确率还能有所提升。