基于正交小波包变换的前馈神经网络盲均衡算法

针对前馈神经网络盲均衡算法收敛速度慢、均方误差大的缺点,在分析前馈神经网络盲均衡算法和正交小波包变换理论的基础上,提出了基于正交小波包变换的前馈神经网络盲均衡算法。该算法利用正交小波包变换良好的去相关性,对前馈神经网络均衡器输入信号进行预处理后,降低了输入信号的自相性,从而加快了收敛速度和减小了均方误差。水声信道的仿真结果表明,该算法在收敛速度与均方误差方面的性能比前馈神经网络盲均衡算法优越。     

基于模糊神经网络的直线超声电机自适应控制

针对直线超声电机很强的非线性和时变特性,提出了模糊神经网络控制。为了更好地将PID控制的经验融入模糊神经网络,对离散型PID表达式的各项进行了划分,将轨迹跟踪误差信号、轨迹跟踪误差信号的变化和轨迹跟踪误差信号的变化率等三项作为模糊神经网络的输入。采用自适应律并结合了反向传播算法和梯度下降法进行学习优化。试验结果表明,所设计的模糊神经网络控制器不仅明显优于PID和自组织神经网络控制器,而且具有很好的抗干扰能力。     

自适应校相的锁定放大器设计

针对强噪声通信环境的微弱信号检测问题,利用锁相放大器技术将输入的微弱信号与相位可变的参考信号相干解调滤波提取信号信息。系统由信号预处理电路、参考信号移相电路、相敏检波电路、窄带低通滤波器组成,其中参考信号移相电路为相敏检波电路提供相干的参考信号,相敏检波电路将交流信号变为直流信号,窄带低通滤波器去除宽带噪声,通过多次测量和最小二乘线性拟合提高精度。该系统信噪比SNR增益大于60 dB,信号幅度在10 μV～1 mV,并且混杂有噪声时检测误差不超过6%。     

漏钢炉电子监控系统故障检测方法研究

目前常规采用的基于模型的漏钢炉电子监控系统,其准确性易受到复杂设备建模误差与外界扰动的影响,造成漏报或误报。为了解决这一问题,提出一种漏钢炉电子监控系统故障检测方法,建立系统传感器未知输入故障模型,把电子设备的传感器电流与电压信号作为故障检测特征输入神经网络,运用残差修正方法完成外界干扰抑制。通过对某大型漏钢炉电子监控系统故障数字仿真试验表明,该方法能够大幅提高系统故障检测的准确性。     

线性定常电液伺服MRAS误差与信号传递原理

本文对单输入单输出、线性定常对象的模型参考自适应控制系统（简称ＭＲＡＳ）广义状态误差与自适应信号之间的关系进行了详细的分析和数字推导。证明了线性定常对象状态微变量与对象输入信号微变量之间的线性关系定理。证明了ＭＲＡＳ广义状态误差与自适应信号之间的线性传递原理。     

基于参考通道随机化的TIADC校准算法

提出了一种针对时间交织模数转换器(time interleaved ADC,TI-ADC)通道间失配误差的基于参考通道的后台校准算法。该算法利用参考通道与同采样时刻TI-ADC子通道ADC输出差值估计待校准子ADC的失配误差,然后从系统输出中减之实现自适应误差补偿;为了克服当TI-ADC系统前端不存在单独输入缓冲器时,参考ADC通过输入网络耦合对TI-ADC产生干扰问题,进一步加入随机化技术,减少残余失配误差产生毛刺;该校准系统可以实现3种主要失配误差的同时有效校准,对输入信号带宽没有限制。应用于12位1 GS/s TI-ADC系统,当输入信号频率为470 MHz时,FPGA验证结果表明,校准后无杂散动态范围(SFDR)提升了44.14 dB,达到76.16 dB。     

线性定常电液伺服MRAS误差与信号传递原理

本文对单输入单输出、线性定常对象的模型参考自适应控制系统（简称ＭＲＡＳ）广大状态误差与自适应信号之间的矢系进行了详细的分析和数学推导。证明了线性定常对象状态微变量与对象输入信号微变量之间的线性关系定理。证明了ＭＲＡＳ广义状态误差与自适应信号之间的线性传递原理。     

基于WindPro数据修正及风电场风速预测研究

根据某风场数据,先对风场数据进行修正,剔除错误数据,以避免累计误差的出现,提高预测精度。在神经网络的输入变量中不仅考虑了风速风向,还加入了跟大气运动形成风能的温度、重力常数和海拔。通过对神经网络法的粒子群优化算法(PSO)优化和惯性权重的调整来预测风速,通过神经网络训练该方法能够提高预测的准确性,能够改善风电并网的稳定运行和电网调度的调整。     

谐波检测中软件测频方法探讨

谐波检测中常用的付氏级数法，在输入信号频率变化而采样时间不变时，会产生计算误差，因此根据系统频率自适应调整采样时间，就成为谐波检测的基本要求。利用软件测频方法可成功地实现这项功能。     

基于小波分析与神经网络的语音端点检测研究

在语音识别系统中,端点检测是极其重要的一个环节。为了提高在各种实际噪声环境下语音端点检测的正确率,提出一种基于小波分析与神经网络的语音端点检测算法来提高语音端点检测率。利用小波分析提取语音信号的特征量,然后将特征向量作为BP神经网络输入进行学习,采用粒子群算法优化BP神经网络参数,建立语音端检测模型,并进行仿真实验,结果表明WA-IMPSO-BP提高了语音端点检测率,有效降低了虚检率和漏检率,是一种检测率高,抗噪性能强的语音检测算法。     

基于DSP的逆变器神经网络控制

针对传统的基于最优消谐波理论的逆变器，采用了一种全新的神经网络控制器。当系统工作时，由基于DSP的在线神经网络实时调节逆变器输出电压的大小；同时各功率管的开关角由另一个神经网络通过最优PWM最优开关角的拟合，由DSP直接诸出来。整个控制系统具有结构简单、反应灵敏、调压精确、输出电能质量高，控制系统全数字化的特点。     

基于蚁群算法的神经网络配电网故障选线方法

为了克服基于神经网络的故障选线方法收敛速度慢、易于陷入局部极小点的缺点,提出了蚁群算法和神经网络相结合的故障选线方法。利用ATP-EMTP做单相接地仿真试验,得到各线路的零序电流信号,通过小波变换和傅里叶变换提取其中的故障特征作为神经网络的输入。利用蚁群算法对神经网络进行训练,完成训练的神经网络模型即可实现故障选线。仿真结果表明,该方法训练速度快、误判率低。     

基于模糊神经网络的交流伺服系统

提出了一种基于神经网络的模糊控制交流伺服系统,将神经网络与模糊逻辑结合起来,输入信号先模糊化,然后通过构建的神经网络,在线调整其权值和变化的控制参数,使系统的输出具有更好的动、静态性能,提高了系统的鲁棒性。仿真实验证明了这种基于神经网络模糊控制方法在交流伺服系统中应用的可行性和可靠性。     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

A solution method of unit commitment by artificial neural networks

The authors explore the possibility of applying the Hopfield neural network to combinatorial optimization problems in power systems, in particular to unit commitment. A large number of inequality constraints included in unit commitment can be handled by dedicated neural networks. As an exact mapping of the problem onto the neural network is impossible with the state of the art, a two-step solution method was developed. First, generators to be stored up at each period are determined by the network, and then their outputs are adjusted by a conventional algorithm. The proposed neural network could solve a large-scale unit commitment problem with 30 generators over 24 periods, and results obtained were very encouraging     

模糊神经网络负荷模型的内插外推能力

为了分析综合负荷模型的实用性,研究了综合负荷模型的内差外推能力。通过分析模糊神经网络综合负荷模型建模数据的特征,确定模糊模型的初始结构;通过模糊神经网络对建模数据的学习,获取模糊推理规则并调整隶属度函数的参数,进而辨识出模糊模型并调整隶属度函数;将电压、有功和无功作为模糊神经网络的广义模型输入,对综合负荷进行解耦建模。在综合负荷构成成分相同的3组数据中,用其中1组建模数据训练得出模糊模型的结构和参数去拟合其它2组建模实测数据,获得良好的拟合效果,从而验证了模糊神经网络综合负荷模型的良好的内插外推能力和收敛性。该特性对于综合负荷模型的实用化具有重要的指导意义。     

新型复合神经网络控制的并联有源电力滤波器

为向用户提供高质量的电能,同时消除负载对供电系统的不利影响,提出了一种新的基于复合神经网络的并联有源电力滤波器(APF),并将其应用于配电系统的谐波治理中.采用复合神经网络组成APF提取控制回路,它分为补偿信号提取回路和逆变器控制回路两部分.前者确定电流中的谐波成分,后者通过对PWM逆变器的输入信号的调整使逆变器提供更精确的补偿.仿真结果表明,复合神经网络控制的有源电力滤波器能够显著降低供电系统中的畸变,且反应迅速,补偿精度高,效果稳定.     

基于GA优化BP神经网络的微电网蓄电池健康状态评估

由于微电网蓄电池在工作过程中其电力性能会发生退化,其性能退化具有明显的非线性和波动性的特征,传统的数学建模方法普适性差、不同工况条件下预测受限、精度不足,难以准确的评估其健康状态。针对上述问题,构建了标准BP神经网络和基于遗传算法优化的BP神经网络,借助微电网蓄电池每次放电过程中的可测参数对网络进行训练,使神经网络的权值和阈值得到较为准确的调整。通过测试集对建立的神经网络进行测试,结果表明,基于遗传算法优化的BP神经网络能有效提高评估结果的准确性,使误差结果控制在精度要求的范围内,最大误差在5%以内,平均误差2%。证明了基于遗传算法优化的BP神经网络对不同工况条件下的蓄电池SOH的精确评估是有效可行的。     

基于人工神经网络的电力负荷坏数据辨识与调整

电力负荷坏数据辨识应充分考虑负荷曲线本身的特征。先用Kohonen网对日负荷曲线进行聚类,产生各类的特征曲线;然后用特征曲线及由此产生的含有坏数据的曲线形成的样本集对BP网进行训练,利用BP网的泛化能力,使之具备对本类曲线进行坏数据精确定位的能力;最后利用特征曲线进行坏数据的调整。该方法能够做到离线训练,在线辨识,实例分析取得了良好的效果。     

永磁直线电机神经滑模控制器设计

提出了一种用于永磁直线电机伺服控制的神经滑模控制方法,通过神经网络的在线学习,削弱了滑模控制的抖振.该方法由推力,磁链的积分函数建市滑模面,然后将滑模向量作为RBF神经网络的输入量,RBF神经网络的输出量即为d-q轴控制电压u<,d>、u<,q>,自适应算法根据可达性条件实时在线调整RBF神经网络的连接权值,从而使得系...