细胞神经网络应用于字符特征检测

细胞神经网络由于其连续时间的特性，因此在图象处理和图形辩识方面有着潜在的应用。本文在细胞神经网络理论的基础上，对字符特征检测过程进行研究。     

细胞神经网络的理论研究

简要论述了细胞神经网络的原理、结构,并对细胞神经网络的动态范围及其稳定性进行了探讨。     

细胞神经网络应用于字符特征检测

细胞神经网络由于其连续时间的特性，因此在图象处理和图形辩识方面有着潜在的应用。本文在细胞神经网络理论的基础上，对字符特征检测过程进行研究。     

基于细胞神经网络的逻辑函数设计

基于细胞神经网络构造动态逻辑门是近年来一个全新的研究方向。由于非线性系统状态演化具有很强的非线性特征和丰富的动态模式,细胞神经网络在构建灵活、可重构的逻辑门电路中具有独特的优势。本文提出基于细胞神经网络的逻辑函数设计,首先设计了两输入线性可分布尔函数“与”门和“或”门的标准非耦合细胞神经网络的模板参数的求解过程,然后给出了使用运放实现的细胞电路设计以及功能之间转换的时序仿真结果。同时以此方式设计了另外12种两输入线性可分布尔函数的模板参数,实现了在电路结构不变的情况下,改变参数即能动态调整布尔逻辑的功能。     

基于小波神经网络的电网故障诊断研究

分析了小波神经网络的基本原理,将小波神经网络引入到电网故障诊断并在4母线系统进行了测试.仿真结果表明,该方法具有很好的故障诊断能力,与基于BP神经网络的电网故障诊断方法相比,基于小波神经网络的电网故障诊断方法原理简单、诊断效果更为理想.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

基于小波神经网络的电力负荷预测方法

分析了小波神经网络的特点，研究了在电力负荷预测中小波神经网络存在的优缺点及适用范围。通过对小波神经网络和BP神经网络的结构和算法进行理论分析，并对实际电力负荷预测算例进行对比研究，指出小波神经网络本身适合对波动性的信号进行预测，而且在神经网络节点数目相同的情况下，小波神经网络比BP神经网络具有更高的预测精度，因此采用小波神经网络有利于减少隐节点数目。还指出由于当前的连续小波神经网络主要使用传统BP神经网络的随机初始化方法和基于梯度的训练算法，因此存在收敛性差的缺点。     

基于自组织竞争网络与RPROP算法的线损计算研究

为更好地发现高效的降损措施,并为科学地制定线损目标提供依据,提出了一种基于自组织竞争神经网络的RPROP神经网络的线损计算方法。RPROP神经网络确保了网络在有限的训练次数下能够收敛,利用自组织竞争神经网络对信息数据进行有效分类,提高了RPROP神经网络的输出精度。通过在MATLAB平台进行仿真实验,并与线性回归算法、标准BP神经网络算法,以及未分类的RPROP算法进行比较,验证了该方法的有效性。     

基于深度卷积序列残差组合神经网络的电能质量扰动分类方法

针对当前电能质量扰动学习模型在参数更新过程中易出现梯度爆炸而导致参数不更新和深层神经网络容易出现过拟合的问题,提出一种深度卷积序列残差组合神经网络模型,该模型采用深度卷积神经网络对电能质量波形进行深度特征提取,使用循环神经网络对提取后的特征进行时间序列学习,使用残差神经网络对学习到的波形序列信息进行更深层的学习。同时,在卷积神经网络和残差神经网络中加入循环神经网络对电能质量扰动信号进行序列特征的学习,有效避免了由于对电能质量扰动信号序列信息学习不充分而导致的分类精度低的情况。     

基于相对变分的边缘检测

边缘检测是机器视觉与图像理解中的基础问题,准确地提取轮廓有助于提高后续操作的质量和效率。在深入分析图像纹理结构、噪声及细胞神经网络算法(cellular neural network,CNN)的基础上提出一种基于相对变分正则化的细胞神经网络边缘检测方法。首先采用相对变分正则化的方法将图像的纹理进行平滑,去除纹理以及噪声对边缘提取的影响;然后再用标准的细胞神经网络算法对平滑后的图像进行边缘检测。实验结果表明:算法与Canny、CDCNN等算法相比,在没有重新设计新的复杂CNN模板参数的情况下,针对具有复杂纹理及含有一定量噪声的图片进行边缘检测,算法能得到更好的检测结果。     

A denoising-classification neural network for power transformer protection

Artificial intelligence (AI) can potentially improve the reliability of transformer protection by fusing multiple features. However, owing to the data scarcity of inrush current and internal fault, the existing methods face the problem of poor generalizability. In this paper, a denoising-classification neural network (DCNN) is proposed, one which integrates a convolutional auto-encoder (CAE) and a convolutional neural network (CNN), and is used to develop a reliable transformer protection scheme by identifying the exciting voltage-differential current curve (VICur). In the DCNN, CAE shares its encoder part with the CNN, where the CNN combines the encoder and a classifier. Based on the interaction of the CAE reconstruction process and the CNN classification process, the CAE regards the saturated features of the VICur as noise and removes them accurately. Consequently, it guides CNN to focus on the unsaturated features of the VICur. The unsaturated part of the VICur approximates an ellipse, and this significantly differentiates between a healthy and faulty transformer. Therefore, the unsaturated features extracted by the CNN help to decrease the data ergodicity requirement of AI and improve the generalizability. Finally, a CNN which is trained well by the DCNN is used to develop a protection scheme. PSCAD simulations and dynamic model experiments verify its superior performance.     

Compact CMOS implementation of a low‐power,current‐mode programmable cellular neural network

We report on the design and characterization of a full‐analog programmable current‐mode cellular neural network (CNN) in CMOS technology. In the proposed CNN, a novel cell‐core topology, which allows for an easy programming of both feedback and control templates over a wide range of values, including all those required for many signal processing tasks, is employed. The CMOS implementation of this network features both low‐power consumption and small‐area occupation, making it suitable for the realization of large cell‐grid sizes. Device level and Monte Carlo simulations of the network proved that the proposed CNN can be successfully adopted for several applications in both grey‐scale and binary image processing tasks. Results from the characterization of a preliminary CNN test‐chip (8×1 array), intended as a simple demonstrator of the proposed circuit technique, are also reported and discussed. Copyright © 2001 John Wiley & Sons, Ltd.     

BP学习算法在CNN发电机建模中应用

在应用混沌神经网络(CNN)进行同步发电机的建模过程中,对于CNN的学习,网络训练过程的收敛性很难控制。在研究了BP学习算法及其一些改进方法进行人工神经网络训练的轨迹收敛特性后,观测到运用梯度下降动量与自适应学习速率相结合的BP学习算法的神经网络训练轨迹的收敛特性良好。在用基于Aihara混沌神经元构成的3层反馈CNN进行同步发电机建模的应用中,用该BP学习算法对CNN进行了训练。结果表明:用该BP算法进行CNN发电机建模具有学习速度快和均方误差曲线轨迹收敛性好的特点,而且所建立的CNN同步发电机模型运行的动态过程误差小。     

基于CNN的配电网快速重构方法

针对现有配电网重构算法求解速度慢的问题,提出基于卷积神经网络(CNN）的配电网快速重构方法。首先,搭建基于配电网环路结构的多分支CNN模型,减少建模过程对配电网具体结构的依赖;其次,利用混合训练方法训练CNN模型,使模型具备对不同负载模式的配网进行快速重构的能力;最后,以IEEE33节点测试系统为例,验证所提方法的有效性。     

基于TensorFlow的高压输电线路异物识别

针对传统异物识别准确率较低的问题,提出一种基于TensorFlow的深度卷积神经网络的异物识别模型。将巡检图像进行图像灰度化和尺寸压缩等预处理,并采用三维块匹配滤波(BM3D)算法进行图像去噪得到实验所需的训练数据。提出基于TensorFlow的深度卷积神经网络框架,通过使用框架中的TensorBoard模块设计深度卷积神经网络模型结构与优选模型参数,并针对ReLU激活函数与特征权重进行理论分析。实验结果表明,经过15次迭代训练后,深度卷积神经网络比传统的支持向量机(SVM)、极限学习机(ELM)和BP神经网络算法具有更强的巡检图像识别能力;与经典的LeNet-5和VGGNet模型以及相关文献中的模型相比,所提模型更具有优越性。     

基于多源数据和模型融合的超短期母线负荷预测方法

母线负荷预测对于电网调度运行的安全性和在线分析决策的准确性具有重要的意义.为了进一步提高母线负荷预测精度,提出了一种基于多源数据和模型融合的超短期母线负荷预测方法.结合当前电力大数据,首先将历史负荷数据、日期信息以及天气信息等多类型数据作为预测模型的输入特征,并建立基于BP-ANN(back propagation)神...     

一种改进卷积神经网络的逆变器故障诊断

针对传统二极管钳位式三电平逆变器故障诊断方法存在的诊断效率低且准确率不高的问题,将一种自适应正则化系数引入卷积神经网络CNN(convolutional neural network),对逆变器进行故障诊断。在传统CNN模型引入正则化去拟合中,正则化系数常采用全局统一的常数型参数,训练过程中需不断试错且效果甚微,针对此提出根据目标损失函数梯度变化,自适应调整正则化系数的CNN模型,能够加快其在逆变器故障诊断中的收敛速度,增强模型泛化能力,提高故障识别准确率。实验表明,与传统BP神经网络和原始CNN模型相比,改进的CNN模型能对逆变器复杂故障做出实时准确诊断。     

基于卷积神经网络的高压电缆局部放电模式识别

由高压电缆不同类型缺陷诱发的局部放电(PD)的识别难度较大,尤其是某些相似度较高的电缆绝缘缺陷类型难以区分。提出了一种基于卷积神经网络(CNN)的高压电缆PD模式识别方法,研究了不同网络层数、不同激活函数以及不同池化方式对识别效果的影响,并与传统的支持向量机(SVM)和反向传播神经网络(BPNN)算法进行了对比。结果表明,相比SVM和BPNN,CNN的总体识别精度分别提高了3.71%和4.06%,且能较好地识别具有高相似度的电缆缺陷类型。     

基于卷积神经网络的电力系统暂态稳定预防控制方法

为了更好地实现电力系统暂态稳定预防控制,提出了基于卷积神经网络(Convolutional Neural Network, CNN)的电力系统暂态稳定预防控制方法。通过CNN模型输出变量灵敏度选择控制发电机并确定控制量,然后采用CNN和时域仿真相结合的暂态稳定评估方法进行控制方案校核,得到使系统在预想故障下稳定的控制方案。采用某省级电网算例进行预防控制效果验证。结果表明,采用所提出的预防控制方法,可以找到使系统恢复稳定的预防控制策略。     

基于CNN-GRU分位数回归的短期母线负荷概率密度预测

随着分布式电源大规模并网,母线负荷的波动性和不确定性日益增加,给母线负荷预测带来新的挑战。传统的点预测方法难以对母线负荷的不确定性进行描述,为此提出一种基于卷积神经网络和门控循环神经网络分位数回归的概率密度预测方法。该方法通过卷积神经网络提取反映母线负荷动态变化的高阶特征,门控循环神经网络基于提取的高阶特征、天气、日类型等因素进行分位数回归建模,预测未来任意时刻不同分位数条件下的母线负荷值,最后利用核密度估计得到母线负荷概率密度曲线。以江苏省某市220 kV母线负荷数据进行测试,结果表明本文所提方法能够有效刻画未来母线负荷的概率分布,为配电网安全运行提供更多的决策信息。