共查询到20条相似文献,搜索用时 432 毫秒
1.
为了提高基于油中溶解气体分析技术(DGA)的变压器故障诊断准确率,本文提出了一种基于谱聚类集成的变压器在线故障诊断(TOFD-SCE)方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集,以基础谱聚类学习问题的局部知识;平衡多样性与正确性选择集成成员;集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型,缺乏在线学习的能力;TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型,提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明:TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法,验证了其有效性. 相似文献
2.
3.
4.
《现代电子技术》2019,(23):26-30
为提高数字调制方式的识别速度和准确率,提出一种基于免疫算法(IA)的反向后传(BP)神经网络数字调制方式识别算法。首先对信号的特征进行分析和提取,其次利用具有全局搜索能力的免疫算法优化BP神经网络的权重及阈值,最后利用Levenberg-Marquardt算法训练BP网络。文中不仅给出了详细的算法分析,同时进行了仿真实验。实验结果表明,所提方法的收敛速度明显优于传统的BP算法和遗传算法,在信噪比大于-2 dB时,所提方法的平均识别准确率也优于传统的BP算法和遗传算法。所提免疫优化算法在训练多层前向神经网络时可有效地避免BP算法易陷入局部极小,且算法收敛速度快,具有精确的全局寻优性能,进而提高了数字调制方式的识别准确率。 相似文献
5.
基于联想记忆神经网络模型的BP算法 总被引:4,自引:4,他引:0
提出一种改进神经网络BP算法的识别训练系统。实验结果表明,基于联想记忆神经网络模型的BP算法,大大降低样本可变系统的网络训练次数。该系统有效降低样本可变系统的网络训练时间,为BP算法应用于对实时性要求高的场合提供算法基础。 相似文献
6.
为了更好地实现对掺假蜂蜜进行检测和识别,提出一种遗传算法优化反向传播(BP)神经网络和激光诱导荧光(LIF)技术相结合的新方法.实验采用蜂蜜、果葡糖浆以及二者以不同比例混合获取的实验样本,每类样本数为150个,共600个实验样本.通过激光诱导荧光技术获取实验数据.将各类样本的70%用于算法模型训练、30%用于模型预测评估.通过PCA降维技术进行特征提取,分别用极限学习机(ELM)算法、BP神经网络算法、GA_BP三种算法进行实验.实验结果表明,相比于极限学习机的82.78%、BP神经网络算法的95.89%的准确率,GA_BP算法对预测样本的预测准确率最高,可达100%.通过将GA_BP与蚁群算法(ACO)优化BP网路、粒子群算法(PSO)优化BP网络作对比,发现GA_BP算法具有运行时间较短、鲁棒性较好的特点. 相似文献
7.
8.
针对地铁车辆辅助逆变电路中电容软故障无明显征兆,难以识别的问题,本文提出一种基于时域参数的样本特征提取,结合模糊聚类方法建立全体样本特征的模糊相似矩阵,并采用竞争神经网络模型对滤波电容进行状态分类。实际应用时,首先建立MATLAB电路模型,分别对该电路的不同故障状态和正常状态进行仿真分析,提取输出电压信号进行时域分析得到信号特征向量,作为特征样本;其次,利用全部状态的特征样本求得模糊相似矩阵,并将其引入竞争神经网络对故障进行分类。实验表明,此方法能简单有效检测区分软硬故障,实现滤波电容状态识别,分类正确率达到93.75%。 相似文献
9.
基于接收信号强度指示(received signal strength indication, RSSI)测距的研究和应用领域很广泛,一直是物联网研究的热点. 为降低传统基于反向传播(back propagation,BP)神经网络的RSSI测距误差,文中提出一种基于K-means聚类算法对样本数据进行预处理的BP神经网络测距算法,来解决由于RSSI值衰减程度不同引起的不同距离区间RSSI值和真实距离之间映射关系不均匀的问题. 将K-means聚类算法应用于BP神经网络模型中,对样本数据进行距离区间划分,然后将已经分类好的数据分别输入BP神经网络建立网络模型并进行实验仿真. 结果显示:传统基于BP神经网络的RSSI测距算法的均方根误差为1.425 7 m;而经过K-means算法改进后的BP神经网络测距算法的均方根误差为1.288 7 m,降低了测距误差,并优化了目标RSSI值与真实距离的映射关系. 相似文献
10.
为提高空气中挥发性有机物(VOC)检测可靠性,提出了一种基于气敏传感器阵列结合遗传算法(GA)优化反向传播(BP)神经网络算法的VOC检测模型。选用多个气体传感器组建阵列对VOC混合气体样本进行响应测试,使用主成分分析(PCA)对响应数据进行数据降维及初步分类探索,使用构建的GA-BP神经网络算法模型在PCA探索性分析的基础上进行定性及定量识别,并与BP神经网络识别结果进行对比。结果表明:遗传算法优化后的BP神经网络多元分类和回归模型性能优良且稳定,气体分类识别准确率达96%,浓度回归预测均方根误差为1.8×10-2,平均相对误差为5.2%,平均训练耗时分别降至1.5 s和1.12 s,效果显著优于BP神经网络算法模型。这些研究结果进一步拓展了GA-BP算法结合气敏传感器在挥发性有机物检测识别中的应用前景。 相似文献
11.
针对传统数显表读数识别算法适用性差、抗噪能力弱等问题,提出了一种适用于小数据集的基于语义分割和卷积神经网络(CNN)的数显表读数识别算法。该算法通过融合残差网络的U-net实现数字区域定位,利用卷积神经网络实现数字识别。采用mnist数据集预训练模型,使用真实表盘数字图片进行微调,建立适用于多种类、有背景噪声条件下的数显表识别模型。利用家用水表图片构建的测试数据集对算法进行验证。实验结果表明,数字区域定位分割结果的平均IoU为99.76%,160张水表读数识别准确率为100%,单张图片识别用时350.59 ms,满足工程应用需求。 相似文献
12.
13.
14.
15.
传统的电源运行监测方法存在监测准确率低的问题,因此提出基于K均值聚类算法的电源运行状态数据分析法.通过采集电源运行数据样本,并对电源样本数据进行清洗,去除冗余数据,对清洗后的数据进行归一化处理,运用K均值聚类算法对电源运行数据进行分类分析.通过对比实验,证明设计的电源运行状态数据分析方法分析准确率较高,具有实用性. 相似文献
16.
针对5G信号调制识别在非协作通信环境下对先验信息要求高,依靠人工提取特征复杂等问题。提出了基于BP人工神经网络、ELM神经网络和Kohonen神经网络对常用5G调制信号进行分类识别。首先,选择小波变换特征提取方式对π/2-BPSK、QPSK、16QAM、64QAM、256QAM 5种常用5G调制信号提取有利于识别的特征;然后,在具有噪声条件下,利用训练数据样本构建识别分类模型;最后,通过测试数据样本测试识别模型的性能。实验结果表明,在不同信噪比情况下,采用BP人工神经网络和Kohonen神经网络识别率比较低。而ELM神经网络占优势,平均识别率可达93.6%。 相似文献
17.
18.
针对现有基于多层线性感知器(Multi-Layer Perceptron, MLP)神经网络的DDoS攻击检测模型参数更新方法(MLP-UD)易遗忘模型训练原参数所用的DDoS攻击数据集(原数据集)知识、时间空间开销大的问题,该文提出一种基于弹性权重保持(Elastic Weight Consolidation, EWC)算法的模型参数更新方法(EWC-UD)。首先,使用K-Means算法计算原数据集聚类簇中心点作为费雪信息矩阵计算样本,有效提升计算样本均匀度与聚类覆盖率,大幅减少费雪信息矩阵计算量,提升参数更新效率。其次,基于费雪信息矩阵,对模型参数更新过程中的损失函数增加2次惩罚项,限制MLP神经网络中重要权重与偏置参数的变化,在保持对原数据集检测性能的基础上,提升对新DDoS攻击数据集的检测准确率。然后基于概率论对EWC-UD方法进行正确性证明,并分析时间复杂度。实验表明,针对构建的测试数据集,EWC-UD方法相较于MLP-UD仅训练新DDoS攻击数据集的更新方法,检测准确率提升37.05%,相较于MLP-UD同时训练新旧DDoS攻击数据集的更新方法,时间开销下降80.65%,内存开销降低33.18%。 相似文献