基于BP神经网络的GIS缺陷图像识别系统的研究

为了实现对气体绝缘金属封闭开关设备(GIS)的精确检测,提出了一种基于BP神经网络的对GIS内部典型缺陷图像自动识别的检测方法。通过内窥镜获得各种类型的异物缺陷图像,建立缺陷类型样本数据库。对样本数据库中的图像进行特征分析和特征提取,采用图像的有效特征对BP神经网络进行学习和训练,建立异物缺陷类型的识别模型,实现缺陷图像的自动识别。该系统的算法和界面均由MATLAB实现,系统测试表明,基于BP神经网络的GIS缺陷图像自动识别系统,能够对GIS内部异物缺陷类型进行准确监测和识别。     

电力系统数字显示值智能识别技术研究

目前,对电力系统数字显示值识别尤其是数字串中含有小数点的情况研究较少,本文在改进投影法的基础上提出了一种新的相对比较简单的小数点处理办法.针对传统BP神经网络的不足,采用带动量因子的自适应修改学习率的学习算法,并对采用该算法的BP神经网络参数进行设置.实验结果表明,基于改进投影法的小数点处理方法解决了小数点引起的误识问题,采用带动量因子的自适应学习率算法的BP神经网络的识别率能达到99%以上.     

复杂背景下多特征结合的深度学习手势识别

科学技术的快速发展使得基于深度学习的人机交互已经得到广泛的应用。手势识别作为人机交互领域的重要组成部分,同样具有重要的研究意义和应用价值。通过对传统的手势识别方法进行研究,发现主要是利用肤色检测算法实现手势识别和分类,但是传统方法在针对具有复杂背景的手势图像时会出现识别效果差等问题。为解决这一问题,提出一种基于卷积神经网络的肤色特征和边缘特征结合的手势识别方法。首先,在YCrCb颜色空间采用椭圆肤色模型和Otsu阈值肤色识别算法获取手势肤色特征,经算法判断后,对手势肤色图像采用改进Canny边缘检测算法获得手势边缘特征。其次,提出一种边缘填充方法对手势边缘图像处理,得到手势轮廓完整的手势边缘图像。最终,采用逻辑运算和形态学运算得到手势分割图像,并输入卷积神经网络进行训练和识别。实验结果表明,该方法在复杂背景下具有较好的手势识别效果,在NUS-II数据集上的平均识别率为98.83%。     

基于改进PSO-BP算法的机器人目标位姿识别方法

机器人作业环境复杂,物料分布具有随机性,导致机器人目标位姿的辨识和定位精度低,实时性差,为此提出一种基于改进粒子群算法-BP神经网络(PSO-BP)的机器人目标位姿识别方法。采用改进的中值滤波算法对目标图像预处理,构建多尺度灰度差异算子以及局部图像熵算子,将两者点积运算获取加权局部熵,抑制目标图像中的噪声。通过多视图几何中间帧的关联特征信息,提取机器人目标位姿特征。在BP神经网络训练阶段通过改进的PSO算法优化处理,采用优化后的BP神经网络算法对提取的特征展开训练和识别,最终实现机器人目标位姿识别。实验结果表明,当机器人目标测试样本数量为55个时,所提方法的亮度方差为0.305,当像素识别误差为1.5%时,所提方法获取的机器人目标位姿识别误差为0.11,所提方法能够在像素识别误差下准确识别机器人目标,获取高精度的机器人目标位姿识别结果。     

基于图像特征提取与BP神经网络的绝缘子憎水性识别方法

为了方便、快捷、准确地识别运行中绝缘子表面的憎水性等级,提出了基于图像特征提取与BP神经网络的绝缘子憎水性识别方法。首先,利用同态滤波和直方图均衡对憎水性图像进行增强预处理,然后利用改进的Canny算子提取了图像中水珠(或水迹)的边缘,并利用数学形态学对其进行修正得到最终的分割图像;提取图像中与憎水性相关的4个特征量,最后建立了基于BP神经网络的憎水性识别模型,并对测试样本的憎水性等级进行了识别。实验结果表明,该方法克服了人为因素的影响,能够有效识别绝缘子7种典型憎水性等级,总识别率达90%,为在线检测绝缘子憎水性提供一种新的有效方法。     

基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别

针对配电网系统电能质量扰动的非平稳性、突变性和短时持续性问题,提出一种基于提升小波和改进BP神经网络的扰动定位与识别新方法。首先用Euclidean分解算法得到db4小波提升方案;然后对扰动信号进行提升小波分解,结合模极大值对扰动突变点峰值进行定位检测;再利用自适应学习率和增加动量项相结合的方法对BP神经网络改进并进行扰动识别训练。仿真结果表明,该方法能更好地获取扰动时刻信息,定位快速且精度高,能有效地克服传统BP神经网络易陷入局部极小点和收敛速度慢的缺点,对配电网系统电能质量扰动识别率高。     

基于BP神经网络的复合绝缘子憎水性等级的判定

憎水性检测对于确保复合绝缘子安全可靠运行具有重要意义。笔者提出把图像处理技术和BP神经网络引入到绝缘子憎水性检测中。首先,运用对比度受限自适应直方图均衡和数学形态学滤波对憎水性图像进行增强。然后,利用自适应阈值对图像进行分割,并提取图像中与憎水性相关的4个特征量。最后,选择BP神经网络判定绝缘子憎水性等级。分别采用BP标准算法和4种改进算法对网络进行训练,并对测试样本进行了憎水性等级判定。基于4个特征量的BP网络在一定程度上能够准确地判定绝缘子的憎水性等级。各种算法的判定结果表明L-M算法是比较合理的判定绝缘子憎水性等级的BP神经网络算法。     

一种改进的神经网络车牌识别算法研究

根据实际应用要求,要求使车牌实时识别系统识别准确率高,提出了一种改进的神经网络车牌识别算法,基于标准的神经网络的识别算法上进行了改进,在标准神经网络算法中增加惯性冲量分批处理的方法进行改进,并通过训练大量样本进行了实验。实验结果表明,改进的神经网络识别算法与未改进的标准神经网络字符识别算法相比其识别率和处理速度有了很大的提高,已在小区停车场应用,达到了应用的要求,证明了改进后的神经网络车牌识别算法与标准神经网络算法相比在实时识别正确率上有了很大提高。     

管道腐蚀视觉测量图像边缘检测算法研究

为实现管道内表面腐蚀图像的边缘检测,分析了经典的边缘检测方法,针对其存在检测精度低和抗噪声性能差等缺点,研究了一种基于BP神经网络的图像边缘检测算法。利用标准图像和经传统边缘检测算法检测得到的边缘图像作为输入输出数据,并用大量数据进行训练,构建了可实现图像边缘检测的BP神经网络。用训练好的神经网络实现管道内表面腐蚀图像边缘检测,并与传统的边缘检测算法检测结果进行了比对,实验结果表明,该算法可明显提高检测精度及抗噪声能力,具有广泛的适用性。     

基于纵横交叉优化BP神经网络的变压器故障诊断研究

为提高电力变压器故障诊断的准确率,提出一种基于纵横交叉算法改进BP神经网络的故障诊断方法。该方法在BP神经网络结构的基础上,利用纵横交叉CSO算法对BP神经网络的权值和阈值进行优化,得到最优的权值和阚值向量,并将优化值代入BP神经网络训练模型中,然后利用BP神经网络的自学习功能进行训练,最终得到基于CSO-BPNN的变压器故障诊断模型。将提出的基于CSO-BPNN算法的故障诊断结果与标准BP神经网络算法故障诊断结果进行对比。测试结果表明,CSO-BPNN算法融合了CSO算法和BPNN算法的优点,能更有效地提高变压器故障诊断的识别精度,具有良好的工程实用价值。     

变压器可听声诊断技术中传声器的选择

变压器故障检测技术研究一直是变压器研究领域的热点问题,基于可听声的变压器诊断技术是当前较新的变压器故障诊断方法。其中可听声数据采集过程是非常关键的一步,因此可听声信号采集设备的性能直接影响诊断结果的判定。文中在对常用的动圈式、电容式、驻极体电容式传声器的结构、参数性能进行分析比较的基础上,根据变压器可听声信号的特性及检测要求,推荐在变压器可听声诊断检测中采用驻极体电容式传声器。最后,采用驻极体电容式CRY333型传声器对某地区实时运行中的变压器进行数据采集,结果表明该类传声器参数性能合适,适用于变压器可听声采集。     

基于特征融合的调制识别增强与迁移演化

针对调制识别中单一图像的特征信息不足,区分度不够高,识别范围受限的问题。本文提出了一种基于时频图和星座图特征融合的调制识别特征增强方法,利用深度学习神经网络提取信号图像的特征,构建特征空间,通过多维特征融合,挖掘和整合不同特征的优势,增强模型算法的鲁棒性。此外运用了模型迁移的方法,仅需对分类器进行训练,大幅节约了训练时间和资源,具有很强的实时性和实用性。仿真结果显示,在0db左右的条件下,相比于单一特征图像,采用特征融合增强的方法能将信号的平均识别率提高约25%,通过模型迁移,省去了卷积神经网络的训练,所需的训练时间约为迁移前的9.6%,消耗内存约为迁移前的7.3%,同时模型的识别率损失控制在了5%以内。     

基于改进Hough变换和BP网络的指针仪表识别

指针仪表示数的视觉识别,对于提高电气、机械、汽车等工业领域的生产效率具有重要意义。采用Hough变换方法完成指针直线特征的识别,进而在表盘圆形特征的识别过程中对Hough变换方法进行了改进,通过减少累加像素数目结合灰度中心法来提高原性特征定位的效率和精度。在字符识别阶段,构建了一个三层次的BP神经网络。实验结果表明,该方法对于Hough变换的改进措施达到了预期效果,BP神经网络也实现了字符特征的准确识别。     

基于卷积神经网络的变压器故障诊断方法

变压器是电力系统中的重要设备,其安全与稳定直接影响着国民经济的健康发展。油中溶解气体分析(Dissolved Gas Analysis,DGA)是分析变压器故障类别的重要手段。卷积神经网络是深度学习的一种模型,广泛应用于图像识别、语音处理等领域,具有非常好的分类能力。文章选取了变压器的五种油中溶解气体含量作为模型输入量,在借鉴传统浅层BP神经网络油中气体分析方法的基础上,针对BP神经网络表达能力不足以及容易过拟合的缺点,将卷积神经网络应用于变压器故障诊断,并与BP神经网络的分类效果进行了对比,通过算例研究证明了卷积神经网络的效果更优。文章也对卷积神经网络的卷积核个数、卷积核大小以及采样宽度对分类效果的影响进行了探讨。     

基于RBF神经网络的凝汽器故障诊断研究

针对BP网络的训练收敛速度慢,网络初值对学习性能影响比较大的缺陷,提出了一种基于RBF神经网络的故障诊断方法。介绍了RBF的网络结构和训练方法,并应用于凝汽器故障诊断中。通过对现有凝汽器运行中常见的典型故障及征兆集的分析,建立了完备的学习样本。通过实例证明,RBF网络训练速度快,分类性能良好,在故障诊断领域具有很好的实用性。     

基于改进型神经网络的电能质量扰动识别

为了改善神经网络的电能质量扰动识别能力,提出了一种改进型神经网络。在分析了传统BP神经网络和遗传算法优化BP神经网络(GA-BP)的基础上,将遗传算法和贝叶斯正则化神经网络相结合,并采用小波包能量熵作为特征向量。改进后的神经网络能有效克服传统BP神经网络易陷入局部最小,GA-BP易出现过拟合现象且网络节点数偏多等缺点。在MATLAB平台上建立各种电能质量扰动信号的仿真模型,分别采用传统BP神经网络、GA-BP及改进型神经网络进行扰动识别对比。仿真结果表明,改进后的神经网络显著提高了识别正确率。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

基于时频特征分析的变压器有载分接开关运行状态识别

为了对变压器有载分接开关的运行状态进行识别,该研究首先对其运行状态和故障特征进行总结分析,针对分接开关运行过程中产生的振动信号,利用集合经验模态(EEMD)分解为多个固有模态函数分量(IMF),再经过希尔伯特变换法,结合能量熵提取得到基于时频分析的特征向量。将特征向量输入自适应遗传算法(AGA)优化的BP神经网络模型中进行故障识别,并进行数据仿真,与相空间重构后提取的特征向量(PPDC)进行对比,验证不同网络模型下,所提方法的识别准确率和收敛速度。结果表明,以PPDC故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为81.68%和88.32%,收敛次数为981和363,当以基于时频特征提取的故障样本作为模型输入时,AGA算法优化前后的BP神经网络模型的识别准确率分别为91.66%和96.68%,收敛次数为349和159,AGA算法可显著提高BP神经网络模型的性能。由此可见,可将时频特征提取方法与AGA-BP神经网络结合,实现有载分接开关运行状态的有效识别。     

一种改进型BP网络在汽轮发电机组故障诊断中的应用

在标准BP网络基础上,提出一种加优先权值的改进BP网络模型,给出该网络模型的结构、具体的学习训练算法和反馈算法,并阐述输入层与输出层神经元部分连接的依据及其连接优先权值的确定问题。结合汽轮发电机组故障诊断实例,从单故障识别和多故障识别两个角度证明了该模型具有较强的故障识别能力,其诊断结果也更符合故障实际情况。