基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

一种基于SSA-DBN的室内可见光指纹定位算法

室内可见光定位在精度方面有着较高的要求,针对这一问题,文中提出了一种麻雀搜索算法(Sparrow Search Algorithm, SSA)优化深度置信网络(Deep Belief Network, DBN)的室内可见光指纹定位算法。首先,采用信号强度特征值与位置坐标建立离线指纹库;其次,利用麻雀搜索算法较好的全局探索和局部开发的能力,对深度置信网络的初始权阈值进行优化,建立网络训练模型,对待定位目标的位置进行预测,避免了DBN陷入局部最优以及收敛速度较慢的问题。最后,利用已建立的离线指纹库数据,计算定位误差并分析。在4 m×4 m×2.5 m的空间中进行实验,结果表明：文中算法的平均定位误差为3.51 cm,定位误差在6 cm以内的概率为89.9%,与DBN定位算法相比,平均定位误差下降了约22.5%。     

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中，模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题，提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取，通过分数阶与麻雀搜索算法(SSA)相融合，对极限学习机(ELM)的权重和阈值进行寻优，将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明，FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了8.91 s,单故障诊断准确率可达97.2%,比SSA-ELM和ELM分别提高了1.9%和2.8%;双故障诊断准确率可达95%,分别提高了0.4%和1.0%。该故障诊断方法准确率高、耗时短，具有较强的模拟电路故障检测能力。     

LVCSR系统中一种基于区分性和自适应瓶颈深度置信网络的特征提取方法

大词汇量连续语音识别系统中,为了进一步增强网络的鲁棒性、提升瓶颈深度置信网络的识别准确率,本文提出一种基于区分性和自适应瓶颈深度置信网络的特征提取方法。该方法首先使用鲁棒性较强的瓶颈深度置信网络进行初步特征提取,进而进行区分性训练,使网络的区分性更强、识别准确率更高,在此基础上引入说话人自适应技术对网络进行调整,提高系统的鲁棒性。本文利用提出的声学特征在多个噪声较强、主题风格较为随意的多个公共连续语音数据库上进行了测试,识别准确率取得了6.9%的提升。实验结果表明所提出的特征提取方法相对于传统方法的优越性。      

一种新的基于DBN的声学特征提取方法

大词汇量连续语音识别系统中,为了进一步增强网络的鲁棒性、提升深度置信网络的识别准确率,提出一种基于区分性和ODLR自适应瓶颈深度置信网络的特征提取方法。该方法首先使用鲁棒性较强的瓶颈深度置信网络进行初步特征提取,进而进行区分性训练,使网络的区分性更强、识别准确率更高,在此基础上引入说话人自适应技术对网络进行调整,提高模型的鲁棒性。利用提出的声学特征在多个噪声较强、主题风格较为随意的多个公共连续语音数据库上进行了测试,识别结果取得了22.2%的提升。实验结果表明所提出的特征提取方法有效性。     

基于DBN与健康指数的变压器评估与寿命预测方法

变压器的运行状态对电网能否正常运行至关重要,对变压器运行状态进行准确评估以及寿命预测是保证其变电站安全稳定运行的关键。提出了一种基于深度置信网络(DBN)与健康指数的变压器评估与寿命预测方法。通过无监督训练深度置信网络实现变压器运行状态数据的有效特征提取,进而构建设备运行状态的健康指数,对变压器状态进行评估,将评估结果结合健康指数曲线对其剩余寿命进行预测。以某变压器采集数据为例,结合实际运行情况,证明该方法能科学预测变压器设备有效寿命,为变电站的状态检修工作提供科学指导依据。     

基于麻雀搜索优化深度极限学习机的入侵检测方法

深度极限学习机(DELM)由于其性能好、泛化能力强等优点成功应用于许多领域.针对现有入侵检测技术存在检测效率低等问题,将DELM引入到网络入侵检测中,并针对其初始参数随机性较大等问题,提出了一种基于改进的麻雀搜索算法(RSSA)优化DELM的入侵检测模型RSSA-DELM.首先在麻雀搜索算法(SSA)中,对麻雀发现者和...     

基于多维参量关联分析的变压器故障诊断算法研究

针对目前变压器的智能故障诊断技术精确度低、耗时长且仍需现场确认等问题,提出了一种改进的变压器故障诊断算法。该算法构建了变压器故障诊断的多维参量关联分析体系,包括局放数据、振动传感器数据及油色谱数据共三个维度参量。利用深度置信网络（DBN）对不同来源数据进行分析处理,完成多维参量特征的同步提取。采用基于改进DS证据理论的融合决策方法,实现对多维参量特征的关联分析与决策,并获得异常变压器的远程故障诊断结果。基于山东电网某变压器的真实运行数据展开算法性能测试的结果表明,与基于BP神经网络和传统DS证据理论的故障诊断算法相比,文中算法能够融合多维数据特征,从而有效提高变压器远程故障诊断的准确率。     

应用深度学习的信号解调

针对噪声干扰信道下的信号解调问题,提出了应用深度学习的信号识别方法,通过识别信号完成信号解调.深层置信网络使用受限波尔兹曼机为基本单元,设计针对通信信号识别的多层深层置信网络.通信信号首先变换为特定表征序列,并以此构建完备的训练集合对深度置信网络进行逐层的无监督学习和全局有监督的微调反馈学习,在深层置信网络的权重参数优化过程中实现对通信信号的特征提取与识别.仿真实验表明,与传统调制信号解调方法相比,应用深度学习的信号解调方法的检测性能有约0.4 dB的提升.     

基于语音增强方法的语音端点检测

语音端点检测的检测结果好坏对后续的语音处理起着决定性的作用。为了解决语音端点在低信噪比情况下检测率不高的问题,该文提出了基于深度置信网络去噪的语音增强方法与传统的端点检测方法相结合的方法。该方法首先由大量的语音数据训练深度置信网络模型,使其能够很好地映射带噪与无噪语音之间的非线性关系,进而使其成为一个良好的降噪滤波器,再对比带噪与去噪后语音对端点检测准确率的影响,以及不同信噪比的端点检测的正确率。从该实验结果可以得到,该方法在平稳噪声和非平稳噪声的低信噪比情况下都可以提高语音端点检测的准确率。     

基于红外图像的ISSA-BP神经网络机载电路板芯片故障诊断

针对传统红外图像的机载电路板芯片故障诊断法诊断率低且无法诊断动态故障的问题,本文提出了一种基于红外温度数据的改进麻雀搜索算法优化BP神经网络（Improved sparrow search algorithm-Back propagation neural networks, ISSA-BPNN）机载电路板芯片故障诊断方法。首先,提取红外热像仪采集的电路板芯片温度数据,建立电路板芯片升温过程中静态、动态、统计特征的特征模型;然后,利用Sine混沌映射初始化麻雀种群分布,利用Levy飞行策略改进发现者种群位置更新公式,将改进后的麻雀搜索算法优化BP神经网络的权值参数;最后,将温度特征模型输入到ISSA-BP神经网络进行训练和测试,从而完成电路板芯片故障诊断。实验采用航电系统电源电路板进行可靠性分析,实验结果表明,该方法在电路板不同工况下综合故障诊断率达到97.84%。     

基于进化神经网络的电力变压器故障诊断

提出了基于进化神经网络（ENNs）的电力变压器故障诊断方法。基于文中所提算法,ENNs能自动调整神经网络的网络参数以达到最佳模型。应用进化算法的全局搜索能力和神经网络的高度非线性映射性质,ENNs可以识别变压器油中溶解气体含量和相应故障类型之间的复杂关系。文中所提的ENNs以某电力公司的诊断记录为依据进行测试,并与模糊诊断系统、人工神经网络和传统方法进行对比。测试结果证明ENNs比现有的方法更能准确诊断故障,所需学习时间更少。     

双监督信号深度学习的电气设备红外故障识别

为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备;最后,基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练,并自行建立700幅电气设备红外故障图像数据集,其中500幅用于训练,200幅用于测试。实验结果表明:使用双监督信号深度学习算法测试准确率达到98.6%,比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。     

基于Gamma深度信念网络的飞行员脑疲劳状态识别

飞行员疲劳状态识别面临两个重要问题,如何提取表征疲劳的特征以及如何对疲劳特征建模学习.首先提取脑电信号节律波,计算基于仿射伪平滑Wigner-Ville分布的瞬时频域信息,构建疲劳状态指标.其次,基于脑电信号各通道的周期性变化提出Gamma深度信念网络的疲劳状态分类算法,与采用卷积与池化运算的学习网络不同,Gamma深度信念网络没有将图像或信号按尺度分割,但在底部的隐藏层已经可以有效地学习特定区域的特征,且当层数增加时,可有效提取特征的区域增多,学习到的特征更为一般化.然后改进用于训练深度信念网络的Gibbs采样算法,提出向上向下Gibbs采样以推断网络参数.最后,实验结果显示,本文的Gamma深度信念网络在识别准确率、稳定性、迭代用时等方面均达到了令人满意的效果.     

基于灰靶理论的变压器绝缘状态监测

变压器发生绝缘故障是电力系统事故的主要诱因,要保证变压器在电力系统中的安全运行,对其绝缘状态实施在线监测是非常必要的。变压器在线监测的关键是实现绝缘状态的评估,评估结果受多个内外因素的随机性约束,影响因子多,建模复杂。针对这一问题,本文建立了基于灰靶理论的变压器绝缘状态监测系统,通过计算各项指标对绝缘状态的影响复合权重,从而确保评估结果的合理性。经实验验证,该系统能实现对变压器设备绝缘状态的有效判断,为变压器的检修计划提供重要参考。     

基于GA与L-M优化算法的变压器故障诊断研究

利用MATLAB环境建立一个用于变压器故障诊断的BP网络模型。首先利用具有全局寻优功能的遗传算法对BP神经网络的初始权值和阈值进行优化,然后采用L-M(Levenberg-Marquardt)优化算法对BP神经网络进行训练,从而达到加快网络训练速度,避免训练过程陷入局部极小点的目的。最后,详细记录网络的实际输出,并与期望输出做对比研究,最终证实了此网络达到了设计要求,可用于变压器的故障诊断。     

基于改进麻雀搜索算法优化BP神经网络的气动光学成像偏移预测

气动光学效应导致的目标图像偏移对于飞行器的导航、定位以及寻的影响很大,对气 动光学成像偏移的实时补偿具有重要的实用价值。提出了一种基于改进型麻雀搜索算法 优化BP神经网络(improved sparrow search agorithm optimized BP neural network, ISSA-BP)的模型,对气动光学成像偏移进行预测。为提高预测算法的 搜索和跳出局部最优的能力,在标准麻雀搜索算法(sparrow search algorithm,SSA)中借助鸟群算法(bird swarm algorithm,BSA)飞行行 为的思想,使加入者以一定的概率向发现者靠近,缩短了算法的运行时间,保证了全局收敛 和种群的多样性。最后将 算法模型与BP神经网络模型和麻雀搜索算法优化BP神经网络(sparrow search algorithm BP,SSA-BP)模型进行对比 ,使用三种评价指标对三种算法模型进行评价, 结果表明的ISSA-BP模型能够及时准确的对气动光学成像偏移进行预测,ISSA-BP 模型的均方误差(MSE)、平均绝对误差(MAE)和决定系数(R²)分别为2.511、1.969和0.999。     

基于深度信念网络资源需求预测的虚拟网络功能动态迁移算法

针对5G网络场景下缺乏对资源需求的有效预测而导致的虚拟网络功能(VNF)实时性迁移问题,该文提出一种基于深度信念网络资源需求预测的VNF动态迁移算法。该算法首先建立综合带宽开销和迁移代价的系统总开销模型,然后设计基于在线学习的深度信念网络预测算法预测未来时刻的资源需求情况,在此基础上采用自适应学习率并引入多任务学习模式优化预测模型,最后根据预测结果以及对网络拓扑和资源的感知,以尽可能地减少系统开销为目标,通过基于择优选择的贪婪算法将VNF迁移到满足资源阈值约束的底层节点上,并提出基于禁忌搜索的迁移机制进一步优化迁移策略。仿真表明,该预测模型能够获得很好的预测效果,自适应学习率加快了训练网络的收敛速度,与迁移算法结合在一起的方式有效地降低了迁移过程中的系统开销和服务级别协议(SLA)违例次数,提高了网络服务的性能。