基于深度特征聚类和RNN的电网故障诊断

针对传统方法难以利用大量时序数据和无标签数据对电网进行故障诊断的问题,提出了基于深度特征聚类和循环神经网络(RNN)的电网智能故障诊断方法.该方法首先利用卷积神经网络搭建起特征提取器来提取时序数据的高层特征,然后对提取的特征进行半监督聚类,为无标签样本获得对应的标签,从而可以确定无标签样本所属的故障类别并加以利用;然后...     

TMS320LF2407在电力谐波分析中的应用

电力网谐波分析测量是电能质量分析和改善不可缺少的环节。本文将DSP技术应用到电力谐波分析中，介绍了一个基于TMS320LF2407的谐波分析系统。并采用了过采样技术以克服TMS320LF2407芯片内部AD只有10位的特点。实现了高性价比、高精度、高可靠性的谐波测量。     

基于双向LSTM卷积网络与注意力机制的自动睡眠分期模型

针对现阶段深度睡眠分期模型存在的梯度消失、对时序信息学习能力较弱等问题,提出一种基于双向长短时记忆卷积网络与注意力机制的自动睡眠分期模型。将少样本类别的睡眠脑电数据通过过采样方式进行数据增强后,利用带残差块的卷积神经网络学习数据特征表示,再通过带注意力层的双向长短时记忆网络挖掘深层时序信息,使用Softmax层实现睡眠分期的自动判别。实验使用Sleep-EDF数据集中19晚单通道脑电信号对模型进行交叉验证,取得了较高的分类准确率和宏平均F₁值,优于对比方法。该方法能够有效缓解睡眠分期判别中少数类分类性能较低的问题,并提高了深度睡眠分期模型的整体分类性能。     

基于压缩感知的低复杂度分数时延信道估计方法

基于压缩感知(compressed sensing,CS)技术的信道估计方法已被应用于正交频分复用(orthogonal frequency division multiplexing,OFDM)系统的信道估计中以提高频谱利用率。然而,传统的时域普通采样方法会导致信道测量矩阵不够精细,无法精确恢复信道状态信息。针对这一问题,提出利用分数时延信道模型模拟系统的无线多径信道,利用接收端时域过采样方法细化信道测量矩阵以提高信道估计精度。同时,为了克服由时域过采样导致的算法复杂度增加的问题,提出一种改进正交匹配追踪算法(modified orthogonal matching pursuit,MOMP)。仿真实验结果表明,在分数时延信道条件下,提出的接收端时域过采样方法能准确检测到信道的分数时延且提出的MOMP算法能显著降低估计算法的计算复杂度。     

基于概念漂移检测的网络数据流分类

互联网环境日新月异,使得网络数据流中存在概念漂移,对数据流的分类也由传统的静态分类变为动态分类,而如何对概念漂移进行检测是动态分类的关键.本文提出一种基于概念漂移检测的网络数据流自适应分类算法,通过比较滑动窗口中数据与历史数据的分布差异来检测概念漂移,然后将窗口中数据过采样来减少样本间的不均衡性,最后将处理后的数据集输...     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

SL-SMOTE和CS-RVM结合的电子设备故障检测方法

针对电子设备故障检测问题中故障机理复杂、故障样本贫瘠的问题，提出一种SL-SMOTE(Safe Level Synthetic Minority Oversampling TEchnique）和代价敏感相关向量机（Cost Sensitive Relevance Vector Machine，CS-RVM）结合的电子设备故障检测方法。所提方法将电子设备的故障检测视为一个非平衡的二分类问题，首先在数据层采用SL-SMOTE对故障样本进行拓展，然后根据优化后的样本训练得到RVM检测器，最后将代价敏感学习引入到检测结果的判别中，得到损失代价最小的检测结果。UCI数据集以及应用案例的实验结果表明所提方法有效提高了检测正确率。     

基于Lévy分布的不平衡数据过采样方法

针对不平衡数据集上的分类问题，提出了基于Lévy分布的过采样方法，其核心思想是根据初始数据集的分布，利用Lévy分布构造新样本的密度分布。基于Lévy分布的特性，使得从边界样本合成的新样本密度最大，靠近多数类的样本合成的新样本密度次之，靠近少数类的样本合成的新样本密度最小。因此，该算法可以增强分类边界，同时可以减小噪声生成。通过在多个数据集上的实验，表明所提算法可以有效改善不平衡数据的分类效果。     

Online state-of-health prediction of lithium-ion batteries with limited labeled data

State-of-health (SOH) plays a vital role in battery health management and power system stability. This process can be achieved by capacity estimation. However, in practice, the capacity of a battery is difficult to obtain online given that it cannot be determined with general sensors. This means that the capacity is only known for the limited cycles of the batteries. To address this issue, we propose a novel semi-supervised learning framework to estimate the capacity of unlabeled data to achieve better SOH prediction. First, four indirect features are extracted from the charging profiles. Then an improved locally linear reconstruction method is used to determine the capacity distributions of the unlabeled data. Combined with the oversampling method applied to generate a series of data by the estimated distributions, a support vector regression model is utilized to predict the RUL of the batteries given the threshold values of the batteries. A case study with two types of cellular phone lithium-ion batteries is presented to illustrate the effectiveness of the proposed method for the prediction of the remaining useful life of different batteries and different starting points. The experimental results prove that the performance of the proposed method is better than the K-nearest neighbor method and locally linear reconstruction method in terms of accuracy and robustness.     

Delta-Sigma A/D转换器原理及其PSpice仿真

为了深入理解Delta-Sigma A/D转换器的工作原理,合理地使用这类A/D转换器产品,或者用FPGA实现自己的Delta-Sigma A/D转换器设计。采用PSpice仿真软件进行模拟仿真的方法,对不同幅度的输入信号进行了一阶Delta-Sig-ma A/D转换器仿真实验,获得了与理论相一致的结果。通过对元件的参数扫描仿真为实际电路设计中元件的选择提供了实验依据。仿真实验过程完整,易于重复,与纯数学推导相比,仿真具有直观的特点。