基于小波变换和人工神经网络的保护原理研究

提出了一种利用小波变换提取信号特征,并结合神经网络来识别电力系统短路故障的方法,该方法首先对测量信号作小波变换,提取特征量,作为多层前向神经网络的输入,对不同的输出要求,提出同的神经网络,判断出发生故障的相位、性质和位置。     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型,来识别电力系统短路故障．用小波变换提取测量信号的特征量,作为多层前向神经网络的输入．对不同的输出要求,采用不同的神经网络,判断出发生故障的相别、性质和位置．实验结果表明,该模型是有效、可行的．     

基于小波变换和人工神经网络的保护模型

采用一种结合小波变换和神经网络原理的模型，来识别电力系统短路故障，用小波变换提取测量信号的特征量，作为多层的神经网络的输入，对不同的输出要求，采用不同的神经网络，判断出发生故障的相别、性质和位置。实验结果表明，该模型是有效、可行的。     

利用小波变换提取电力系统故障时刻的研究

在简要介绍小波理论的基础上，将小波变换应用于电力系统故障时刻的提取，并给出了220kV系统单相接地故障的MATLAB仿真实例，同时根据有效信号和随机噪声的小波变换呈现出不同的特征，探讨了小波分析用于微机继电保护时，尺度参数对小波变换的影响。     

小波变换与小波神经元的选择

研究了单隐层前馈型小波神经网络模拟高度复杂的非线性映射。针对如何减小网络结构，提出了用小波元能量密度作为衡量其是滞是有效神经元的标准，并对网络构造，学习中的问题提出了观点。     

基于傅立叶变换和小波变换的信号处理

介绍了傅立叶变换、小波变换等几种常见的分析处理信号的方法，并对一个实例信号分别利用这两种方法进行了分析处理，阐明了这两种变换在对信号处理上的不同特点。     

小波变换和人工神经网络在电力系统动态等值中的应用

利用小波变换对功角数据进行处理,并用人工神经网络来识别系统中的相关发电机组,能取得较传统的相关识别方法更高的等值精度．以东北电网作算例,证明利用该方法进行电力系统动态等值有很好的效果．利用小波变换和人工神经网络进行发电机相关识别,为电力系统动态等值提供了一种新的方法,也为动态等值实时化提供了一条新思路．     

基于小波变换和矢量变换的数字水印技术

数字水印技术是数字产品产权保护的有效手段之一。根据小波变换和矢量变换的特点，利用人眼视觉特性，对原始静态图像的水印嵌入进行了研究，提出了一种水印嵌入算法，实现了在原始静态图像上嵌入二值图像水印，水印检测为恢复性检测。实验结果表明，该方法能很好地保持图像质量，并且在抗常规的信号处理如加噪、滤波及有损压缩方面表现出良好的稳健性。     

基于傅立叶变换和小波变换的信号处理

介绍了傅立叶变换、小波变换等几种常见的分析处理信号的方法,并对一个实例信号分别利用这两种方法进行了分析处理,阐明了这两种变换在对信号处理上的不同特点。     

基于小波变换和RBF神经网络的电力数据压缩算法

针对电力生产过程中数据种类多,数据量大,而实际存储空间有限的情况,提出了一种基于小波变换和神经网络的数据压缩算法.该算法采用离散小波变换结合径向基神经网络的方法对电力生产过程中的实时数据进行压缩和解压缩.利用实测数据对算法进行验证,结果表明,该算法实现了对原始数据的两级压缩,能够获得较高的压缩比,是一种有效的实时数据压缩方法.     

基于小波和神经网络模型的邮电业务总量预测

引入极大重叠离散小波变换的概念,利用极大重叠离散小波变换的多分辨分析特性,对邮电业务总量序列进行分解.然后对分离得到的光滑项和细节项两部分利用小波神经网络模型进行建模和预测,最后再重构得到邮电业务总量序列的预测值.数据测试结果表明:本文方法可实现多步预测,且对邮电业务总量的预测精度比单纯的用小波神经网络模型或BP神经网络模型高.     

基于人工神经网络的变电站故障诊断

介绍了一种利用人工神经网络（ＡＮＮ） 实现变电站故障诊断的方法,该方法充分利用人工神经网络所具有的强大的学习能力及高度的容错性等特点,实现对变电站故障元件的诊断．仿真结果表明,该方法不仅能准确地诊断出保护、开关正确动作时的故障元件,也可有效地诊断出因保护或开关拒动的越级故障时的故障元件．     

基于小波神经网络的容差模拟电路故障诊断方法

以模拟电路的故障诊断为例,利用小波分析,将电路故障信号进行层次分解,获得不同频段的信号成分,取其能反映故障信号特征的成分作为电路故障特征,再输入给神经网络,大大减少了神经网络的输入数目、简化了神经网络的结构、减少了它的训练时间,并提高了辨识故障类别的能力.     

基于小波分析和BP神经网络的图像特征提取

提出一种基于小波分析与神经网络复合模型的图像特征提取方法.利用二维离散小波变换对图像信号进行滤波和边缘提取,作为图像的输入量供BP网络识别分析.构建了3层BP神经网络模型对图像特征进行识别,采用模糊加权算子的模糊化分层,特征提取模板提取图像中的不同特征,输出层采用均方差权值输出.通过对由50幅图像组成的训练集合进行训练和实验验证,结果表明,本方法的分辩误差率在4%以内.     

基于小波网络的矿井提升机运行故障趋势预测研究

采用小波网络方法，通过对矿井提升机钢丝绳磨损度、空动时间、衬垫磨损寿命、闸瓦间隙、残压、制动盘偏摆度等关键特征参数的时间序列预测，实现了其特征参数的故障预报，由于小波网络比一般神经网络具有更多的自由度，从而使其具有更灵活有效的函数逼近能力，小渡神经元的良好局部特性和多分辨率学习实现了与信号的良好匹配，使得小渡网络有更强的自适应能力、更快的收敛速度和更高的预报精度，仿真和实验结果表明，预报精度满足要求。     

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.     

基于人工神经网络的非线性系统辨识

人工神经网络是一个非线性动力学系统，具有自适应、自组织、自学习等功能。本文利用人工神经网络具有表达任意非线性映射的能力，对非线性系统进行系统辨识。仿真结果表明，该方法是可行的，计算精度高。     

基于小波神经网络预测的退火炉温控制

目的 通过对退火炉炉温控制系统的设计,使得控制系统的控制性能和控制精度提高、抗干扰性增强.方法 针对被控对象一退火炉本身的非线性、大滞后性、时变性等特点,采用把小波函数引入神经网络预测模型对退火炉温进行预测,再把此预测模型与BP神经网络控制器相结合对退火炉的脉冲燃烧器进行控制,进而控制炉温.结果 由小波神经网络预测模型组成的控制系统,综合了小波分析和传统神经网络的优点,且具有不断吸收环境新信息的函数学习能力和推广能力.从仿真曲线上看,此控制方法 相比较传统控制的方法 具有收敛速度快,预测精度高的特点.结论 实现了对具有大干扰、大滞后性和不确定随机干扰因素的炉温控制系统进行精确控制,具有良好的动态和稳态性能.