基于EOG的扫视角度识别与分类研究

论文对基于眼电信号（EOG）的扫视角度识别算法进行研究。设计了扫视角度定位和EOG采集实验。提出了联合线性预测系数和波形参数的EOG特征描述新方法;并使用BP神经网络与支持向量机对特征向量进行识别和分类。实验结果表明,本文所提出的方法能较好地识别出不同扫视角度的眼动模式。     

基于RA-DNN的电力变压器故障分类方法

由于电力变压器故障的现象和原因存在一定的模糊性和随机性,传统方法在复杂的情况下识别变压器故障的精度不高。提出了一种基于深层神经网络的变压器故障分类方法,利用无编码的油中溶解气体分析(dissolved gas analysis, DGA)数据,结合深度学习流行的修正线性单元(rectified linear units, ReLU)函数、Adam优化算法和批归一化(batch normalization, BN)的数据处理方法,通过与传统激活函数Sigmoid函数和随机梯度下降算法(stochastic gradient descent, SGD)做对比试验。结果表明,采用ReLU+Adam方案的神经网络,收敛速度更快,损失函数的收敛值也更低,提高了模型训练的速度和鲁棒性。通过与反向传播神经网络(back propagation neural network, BPNN)、支持向量机(support vector machine, SVM)的试验比较,在变压器故障分类上取得了较好的效果,为电力变压器的故障诊断提供新的方法与思路。     

基于BP神经网络的电网短期负荷预测模型研究

为了获得能够反映短期负荷波动的自动预测模型,将BP神经网络运算逻辑与Matlab神经网络工具箱相结合,利用供电系统的气象条件、供电日的日期类型等函数干扰因素作为BP网络神经元的约束"权值",结合自适应控制中的节假日、供电限制等"外部干预项",通过模型对系统历史运行短期负荷数据进行自动"学习",获得一个具有自适应学习速率...     

基于线性预测与归一化互相关的基音检测

基音是语音信号分析的重要特征参数之一,在众多领域有广泛的应用。由于传统的基音检测算法在信噪比较低时检测效果较差,提出了一种新型的基于线性预测与归一化互相关的基音检测算法,该算法利用线性预测分析,消除噪声和声道冲击响应对基音检测的影响,采用归一化互相关系数选取基音周期,并采取了动态规划算法对基音周期进行平滑。仿真实验表明,方法性能优于传统自相关法和平均幅度差法,尤其在信噪比较低的带噪语音音环境下也具有很好的鲁棒性。     

一种基于改进负荷矩的台区电压快速估算方法

针对不同截面导线混接给负荷矩计算带来的困难,提出了一种负荷矩归一化方法,在保证线路压降相同的情况下,能够通过归一化系数统一线路型号,将复杂的配电网络简单化、标准化。在此基础上,建立了节点负荷矩与节点电压之间的映射关系,通过基于Levenberg-Marquardt算法的BP神经网络,实现了对台区节点电压的全覆盖估算,克服了传统梯度下降算法在收敛速度、计算稳定性上的缺陷,所需训练样本少,计算效率高。选取某实际台区网络进行了仿真分析,算例结果验证了方法的有效性。     

基于神经网络的树木生长预测

概述了神经网络的有关理论，研讨了神经网络结构设计的步骤、方法及应注意的问题。应用神经网络技术对电力企业中高压线下的树木－－经过“生长控制技术”成果处理后的树木的生长情况进行了预测，并与最小二乘法预测的结果进行了比较。结果表明，BP网络的预测精度高，是解决非线性预测问题的一种有效的方法。     

基于神经网络的非线性预测控制

本文简单地介绍了基于神经网络预测控制的基本原理;并且根据神经网络所采用网络模型的不同对预测模型进行了分类以及按照求解最优控制作用方式的不同介绍了几种常用的优化算法。     

基于竞争分类的神经网络短期电力负荷预测

根据电力负荷的特点,在考虑天气、日类型、实际历史负荷等因素对预测负荷影响的基础上,提出了一种基于竞争分类的神经网络短期负荷预测方法.应用神经网络的竞争学习对相关数据进行分类,将历史数据分成若干类别从而找出与预测日同类型的预测类别.利用相应的BP算法对未来24小时负荷进行短期预测,该方法充分发挥了神经网络处理非线性问题的能力.结果表明,该方法取得了较满意的预测精度.     

基于卷积神经网络和语义特征的眼型分类

眼睛是人脸特征最重要的构成部分,研究眼睛的特征点定位和形状分类问题,对扩充智能模拟画像系统中的眼睛库起着至关重要的作用。提出一种基于级联卷积神经网络与语义特征的人眼分类方法,采用三级的级联卷积神经网络,检测并由粗略到细致地定位出106个特征点,根据定位眼睛的20个特征点对眼睛进行形状建模并定义3个确定眼型的形状参数,对这3个参数进行分段处理,通过每一区间对应不同的语义描述来达到眼型分类的目的。实验结果表明,此方法定位准确,能达到良好的眼睛分类效果。     

基于体感温度的电力系统负荷分类及负荷预测

针对体感温度与负荷之间的变化关系进行了深入研究,研究表明体感温度在不同范围内变化时将对地区负荷影响表现出截然不同特征。将负荷分为对体感温度敏感和不敏感2种类别,并提出2种负荷预测方法。2种负荷预测方法均以径向基神经网络为基础,并针对不同类型待预测负荷采取差异化样本选取和处理方法,有效提高了该负荷预测模型适用性和负荷预测精度。将该方法运用到某市总负荷预测中,预测结果表明该方法具有较高精度和较好实用性,是一种有效的短期负荷预测新方法。     

基于Online LS-SVM的钢铁件淬火硬度在线检测

为了实现钢铁件淬火硬度的在线电磁无损检测,提出了在线最小二乘支持向量机（online least square support vector machine）的建模方法。Online LS-SVM是以增量学习训练SVM,以减量学习减少样本数,实现小样本估计的训练方法。实验结果表明,Online LS-SVM不仅能实现钢铁件淬火硬度的在线电磁无损检测,而且具有学习速度快,泛化性能好,对样本依赖程度低的优点。     

线性递减权重粒子群优化人工神经网络算法的光伏系统谐波检测

提出了一种改进的人工神经网络(ANN)算法,利用线性递减权重粒子群优化算法(LDWPSO)来调节ANN各层的权重值,得到收敛最小时的权向量,计算谐波相角,实现对谐波的检测。仿真结果表明,线性递减权重粒子群人工神经网络算法(ANN-LDWPSO)具有高控制精度和快收敛速度,并能准确地检测电网谐波,从而验证了算法的可行性和实用性。     

基于互信息最小的非线性混合胎儿心电信号提取方法

胎儿心电信号提取具有重要的临床意义。目前大多数胎儿心电信号提取方法是基于线性瞬时混合模型,使用多路信号实现.本文基于更符合实际情况的非线性混合模型,使用两路心电信号,提出一种新颖的从母体腹部混合信号中提取胎儿心电信号方法。首先,在假定母体和胎儿两个心电信号相互独立的基础上,基于互信息最小原则,提出一种新的目标函数;然后,利用多层感知机拟合母体心电信号传导至腹部所经历的非线性变换,从而得到母体腹部混合信号中母体心电成分的最优估计;最后,从母体腹部混合信号中减去母体心电信号的最优估计,实现胎儿心电信号的成功提取。实验结果验证了该方法的正确性和有效性。     

油中局部放电超声信号模式识别的研究

本文设计了4种油中局部放电模型，通过实验采集了局部放电超声,在一超声信号的时域，频域特征和时域压缩波形数据等特征提取方法，采用人工神经网络进行了局部放电的模式识别，获得了较好的模式识别效果，最后分析了影响识别效果的主要因素。     

基于 GAF-CNN 的弓网电弧识别方法研究

由于高速铁路接触网会产生弓网电弧对弓网系统有危害,为了减少弓网损害。提出一种电流时间序列编码技术,即格拉姆角求和/差分场(GASF/GADF)。由于不同受流状态的电流信号不同,其时间序列编码形成的图像也不同,这使得计算机视觉技术可以用于时间序列分类,用来识别弓网电弧。共进行了5组不同条件下的弓网受流实验,测量得到不同条件下弓网系统中的电流数据,并将弓网实验得到的电流数据的状态分为正常受流状态和电弧受流状态。通过构建神经网络,提取电弧电流信号,以格拉姆角场(GAF)图像的形式直观展示了卷积神经网络(CNN)对弓网电弧数据的抽象特征提取情况。实验结果表明,该方法可在不同条件下准确识别弓网电弧避免视频图像背景变化的问题为弓网电弧故障识别提供一种思路。     

电网故障诊断研究方法

介绍了电网故障诊断的研究目的和意义,对国内外电网故障诊断的研究方法进行了叙述,并分析了各种研究方法的特点和适用场合,最后指出了该领域的主要问题和未来发展的趋势。     

应用人工神经网络预测棒-板短空气间隙在淋雨条件下的交流放电电压

为了获得降雨条件下能预测空气间隙击穿电压的数学模型,根据在人工气候室试验得到的降雨条件下空气间隙击穿电压数据,运用神经网络原理,建立了降雨条件下的交流棒-板短空气间隙击穿电压的人工神经网络模型。利用该模型可以对一定降雨条件下的交流棒-板短空气间隙击穿电压进行预测,预测结果满足精度要求,同时,该文根据建立的人工神经网络模型模拟了降雨时单个及多个环境因素对空气间隙击穿电压的影响,并对模拟结果进行了分析,结果表明:大气压强一定时,随着降雨强度、雨水电导率的增加以及环境温度的降低,空气间隙的击穿电压随之降低;当降雨强度、雨水电导率和环境温度其中任一环境因素改变时,另两个因素对空气间隙击穿电压的影响程度也随之改变。人工神经网络模型对训练数据的依赖较大,对训练范围以外的数据预测精度较差。     

基于多特征信息融合的截齿磨损程度识别研究

为实现截割过程中截齿磨损程度的在线监测和精准识别,提出一种基于多特征信息融合的采煤机截齿磨损程度识别方法。针对不同磨损程度截齿截割过程中的振动和声发射信号进行时域分析和小波包分析;针对两相邻磨损程度截齿的特征样本存在数据交集,增加系统识别难度的问题,构建最小模糊度优化模型并计算各特征参数的最优模糊隶属度函数,获取特征样本的最大隶属度。运用多特征数据样本对BP(back-propagation)神经网络识别模型进行学习和训练。实验结果表明,截齿磨损程度识别模型的判别结果和样本实际磨损类别相符,能够实现对截齿磨损程度的在线监测和精准识别。研究结果对于实际工程中截齿的监测和更换具有重要意义。     

基于小波变换和神经网络的暂态电能质量扰动自动识别

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种暂态电能质量分类的新方法。先提取基波频段所在的小波系数将电压凹陷、电压凸起和电压中断分别检测出来;然后将小波包分解结果中的最佳子空间的熵值作为特征量,结合人工神经网络区分暂态脉冲和振荡。该方法利用小波和小波包各自的时频分解特点,实现了暂态电能质量扰动的自动检测和分类。经仿真分析,验证了此方法的准确性和高效性。