基于改进Fisher Ratio的RBF网络在油浸变压器故障诊断中的应用

针对Fisher Ratio不能使网络结构得到最大优化这一缺点,提出应用改进Fisher Ratio方法选择RBF网络隐层节点数及径向基函数中心,并采用改进的Fisher比算法完成基于DGA的油浸变压器故障诊断。结果表明,该方法能极大地简化网络结构,提高了分类能力和收敛精度。与改良电协研法相比,具有较好的故障识别效果。     

基于核Fisher判别分析技术的电力变压器DGA故障诊断模型研究

鉴于核Fisher判别分析技术(KFDA)在模式识别问题中表现出的良好性能,提出了基于KFDA的变压器故障诊断模型,该模型首先提出了区分放电及过热两大类故障的特征量,并用KFDA分类器来识别类内故障的具体类别。采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性。实例分析表明,该模型具有训练时间短、不存在局部极小等优点,与IEC三比值及改良电协研法相比,具有更好的故障识别效果。     

面向转子故障诊断的核局部边界Fisher判别方法

提出一种基于核的局部边界Fisher判别(KLMFD)算法用核函数将故障特征数据映射到高维核空间,以每点与所有局部邻域点中最远同类数据点和最近异类数据点构成的点对来计算类内散度和类间散度,构建边界局部核Fisher判别函数,求出最优故障识别向量,然后利用该向量对测试特征数据进行故障诊断。转子故障诊断实验表明,对于多传感器振动特征融合信号,KMLFD算法的故障诊断效果最好,当选取合适参数时能完全识别故障类型。     

基于Fisher准则函数的二维阈值图像分割算法

文章针对图像分割中小目标物体识别困难和抗噪声性能差的问题，引入模式识别中的Fisher评价函数作为图像分割准则函数，基于Fisher准则函数提出二维阈值分割新技术，结合二维直方图抗噪声性能强和Fisher准则函数受目标和背景比例影响小的特点，对图像进行分割。实验结果表明，方法具有较好的识别能力和较强的抗噪声性能。     

无线数传信号编码盲识别与解码技术研究

针对无线数传信号中广泛采用的线性分组码盲识别问题展开研究,利用分组码的线性构造和校验性质,对线性分组码的新型数据矩阵盲识别模型进行了改进。理论上通过求解二元域线性方程组来实现对编码参数及生成矩阵的盲识别,降低了识别所需的数据量;对改进的识别模型进行了大量的仿真分析,结果表明其识别模型的有效性;论文最后将改进的识别模型应用到工程实践当中,对实际接收的无线数传信号进行分析,完成了对信道编码和信源编码的盲识别,并成功恢复出数据信息。     

小电流单相接地故障选线的Fisher信息方式

为了解决小电流接地系统单相接地故障选线困难的问题,提出了将小波分析理论与Fisher信息理论相结合的方法,应用于故障选线技术中。通过比较故障线路和非故障线路零序电流信号在各个小波系数下提取到的Fisher信息值的突变量来进行故障选线。基于PSCAD/EMTDC仿真平台下的大量仿真结果表明:这种Fisher信息的计算方法不受系统中性点接地方式、电压初相角、过渡电阻的影响,选线灵敏度高,能准确定位故障时刻,是一种故障选线的新方法。     

三种典型小波神经网络模型

文中阐述小波神经网络发展过程中的三种典型模型,并对其在目标识别中的应用进行比较研究,给出分析结果.     

基于改进GA的RBF核函数参数优化模型

为解决高斯径向基(RBF)核函数参数难选择的问题,提出一种基于Fisher判别准则的径向基核函数参数优化模型.为了寻求模型最优解,对传统遗传算法进行了改进,改进的算法保证了适应度大于平均适应度的个体可以遗传到下一代的种群中.通过改进优化求解的效率更高.利用经过改进的遗传算法对所提出的模型进行全局优化求解,最后使用MATLAB 2009a作为工具,并使用UCI数据库的葡萄酒数据作为分析对象进行了实际的算法验证和评价实验.仿真结果表明,提出模型能够有效地找到合适的参数值,提高了SVM的分类准确度.     

基于k-NN结合核Fisher判别的非侵入式负荷监测方法

非侵入式负荷监测是目前智能用电领域一个重要的研究方向,而负荷识别是非侵入式负荷监测的核心内容。以负荷的奇次谐波电流幅值作为特征建立负荷特征库,通过分析负荷样本在特征空间的分布,设计了一种AdaBoost样本筛选算法以精简负荷特征库。利用k近邻(k-NN)算法的简捷性和核Fisher判别算法的非线性分类能力,通过误判风险控制将k-NN与核Fisher判别相结合用于家庭负荷识别,兼顾识别精度和计算复杂度,以提高对负荷特征相近电器的识别能力及整体识别速度。经实测数据检测,结果表明所提方法能够快速准确地实现居民负荷识别。     

基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。     

基于Fisher主元分析和核极限学习机的非侵入式电力负荷辨识模型

非侵入式电力负荷监测与辨识是实现泛在电力物联网客户侧智能感知的关键技术.针对现有辨识模型存在的特征冗余度高、辨识准确率差、计算效率低等问题,提出了一种基于Fisher主元分析(Fisher principal component analysis,FPCA)和核极限学习机(kernel extreme learning...     

System identification of a class of Wiener systems with hysteretic nonlinearities

Existing works on Wiener system identification have essentially been focused on the case where the output nonlinearity is memoryless. When memory nonlinearities have been considered, the focus has been restricted to backlash like nonlinearities. In this paper, we are considering Wiener systems where the output nonlinearity is a general hysteresis operator captured by the well‐known Bouc–Wen model. The Wiener system identification problem is addressed by making use of a steady‐state property, obtained in periodic regime, referred to as ‘hysteretic loop assumption’. The complexity of this problem comes from the system nonlinearity as well as its unknown parameters that enter in a non‐affine way in the model. It is shown that the linear part of the system is accurately identified using a frequency method. Then, the nonlinear hysteretic subsystem is identified, on the basis of a parameterized representation, using a prediction‐error approach. Copyright © 2016 John Wiley & Sons, Ltd.     

基于一种改进的遗传模糊算法的短期负荷预测

使用输入-输出数据来确立模糊模型成为一种趋势。这种做法可视为一个系统辨识过程。模糊系统模型的辨识包括两个主要阶段:结构辨识和参数估计。旨在找到一个灵活的方法来学习和优化模糊推理系统的结构和参数。我们采取网络结构的Sugeno模糊系统作为初步预测模型,用改进的遗传算法来确定其结构和参数。通过对某电网负荷预测的实例表明,该模型具有较好的拟合精度。     

基于空载启动过程的串励电机参数辨识

介绍了电动机传统特性测试系统的缺点和近年来兴起的基于参数辨识方法的电机特性的综合测试方法,并且以串励电机为例对基于参数辨识技术的电机特性参数辨识方法进行了研究,从而提出了无耦合测试的思想:依据电机的空载起动过程,在电机完全空载的情况下施加驱动电压,通过对所采集的电流和电压信号进行处理不仅可以得到电机的输入输出输出特性,而且可以得到电机的特性参数。针对于电机特性的参数辨识,构造了测试原理,并且提出了适用于参数辨识的基于个体适应度阀值的遗传算法。在参数辨识的基础上,通过计算得到了单相串励电动机的各种特性,并将结果与由传统耦合测试方法得到的某些样机特性进行了对比实验,验证了特性的准确性和此测试方法的有效性。     

配电网综合负荷机理模型闭环辨识研究

电力系统具有天然闭环特性,在激励信号注入位置与辨识用信号量测位置不同时,负荷模型参数辨识可能具有较为明显的闭环特征。文章以台区模型辨识场景为例,研究了闭环条件下负荷机理模型参数辨识问题。通过对比分析常见的闭环辨识方法,总结了实现机理模型闭环辨识需满足的基本条件,并依据该条件选择了无需反馈通道模型先验知识且可直接辨识原系统模型的两阶段辨识法。对台区负荷动态机理模型进行线性化处理和模型转换,并将其嵌入两阶段辨识的第二阶段,可以实现机理模型参数的在线闭环辨识。通过仿真分析,验证了负荷辨识的闭环特性以及所提两阶段辨识方法的有效性。     

非平稳噪声扰动下的系统辨识

本文通过对一类非平稳随机过程的描述,提出了一种扩展辨识模型的修正辨识算法,把对非平稳噪声的辨识转化为对等效时变系统的辩识,可在不作滤波预处理的情况下,得到非平稳噪声扰动下系统参数的无偏估计。仿真试验验证了这一修正算法是简单可行的,且仍可在平稳随机噪声条件下使用。     

遗传算法在发电机励磁系统参数辨识中的应用

提出了一种基于遗传算法的将发电机励磁系统原模型转换为仿真软件下标准模型的参数辨识方法,以原模型和标准模型的输出误差最小作为辨识目标,利用遗传算法不断优化调整标准模型中的参数,最终得到满足误差要求的励磁系统标准模型参数.与传统的励磁系统参数辨识方法相比较,该方法很好地解决了励磁系统非线性环节难以有效辨识的问题,方便可靠,精度高.实际发电机励磁系统参数辨识结果表明,该方法具有很好的效果.