Detection and classification of power quality disturbances using S-transform and modular neural network

This paper presents an S-transform based modular neural network (NN) classifier for recognition of power quality disturbances. The excellent time—frequency resolution characteristics of the S-transform makes it an attractive candidate for the analysis of power quality (PQ) disturbances under noisy condition and has the ability to detect the disturbance correctly. On the other hand, the performance of wavelet transform (WT) degrades while detecting and localizing the disturbances in the presence of noise. Features extracted by using the S-transform are applied to a modular NN for automatic classification of the PQ disturbances that solves a relatively complex problem by decomposing it into simpler subtasks. Modularity of neural network provides better classification, model complexity reduction and better learning capability, etc. Eleven types of PQ disturbances are considered for the classification. The simulation results show that the combination of the S-transform and a modular NN can effectively detect and classify different power quality disturbances.     

广义S 变换窗函数的分析和改进

地震信号是一种非线性、非平稳的信号,用时频分析技术处理地震信号,可以最大化地保留原始信息,也可以较为精确地分析数据时间和频率特征。现阶段应用于地震数据处理方面的时频分析方法有很多种,该文在对S变换和广义S变换方法进行对比分析的基础上,对广义S变换的窗函数进行了详细分析研究,结果表明窗函数的控制参数可以简化。文中给出了实际资料的计算结果,简化后的变换方法其效果与广义S变换一致。 更多还原     

基于S变换自适应滤波迭代的多源地震数据分离

S变换是由小波变换和短时傅里叶变换发展而来的时频分析方法,动校正后共中心点道集（NMO-CMP）中相同时刻各道地震信号的振幅、相位基本一致,多源地震数据中的混叠噪声在CMP道集中呈随机分布;将NMO-CMP道集叠加,以叠加道S变换谱为参考,可以判断出各道S变换谱中噪声与信号的分布。根据NMO-CMP道集中地震道S变换谱与叠加参考道S变换谱之间的偏离程度设计自适应滤波器,通过多级滤波、多次迭代的方法,提取多震源数据中的有效反射信号、分离混叠噪声。理论数据和实际数据模拟的多源地震数据试算结果表明,本文方法能够有效提取多源地震数据中的有效反射信号、分离混叠噪声和随机噪声。     

一种分尺度的面波压制方法

面波是陆上地震勘探中的主要干扰波之一,常规的面波压制方法仅从面波与反射信号在某一方面的差异进行压制,会在一定程度上造成有效信号的损伤。利用不同尺度面波与有效信号的差异,提出一种分尺度分级压制面波的方法。对地震数据的高尺度部分在Shearlet域进行反射波与面波的分离,对地震数据的低尺度部分在S域采用经验模态分解（EMD）的方式进行信噪分离。将该方法用于模型及实际资料处理,处理结果表明了该方法的正确性与有效性;并与Curvelet域的阈值法进行了对比,结果表明此方法在保持反射信息的同时面波压制更彻底。     

SMFCC:一种新的语音信号特征提取方法

针对说话人识别系统中存在的有效语音特征提取以及噪声影响的问题,提出了一种新的语音特征提取方法——基于S变换的美尔倒谱系数(SMFCC)。该方法是在传统美尔倒谱系数(MFCC)的基础上利用S变换的二维时频多分辨率特性,以及奇异值分解(SVD)方法的二维时频矩阵有效去噪性,并结合相关统计分析方法最终获得语音特征。采用TIMIT语音数据库,将所提的特征和现有特征进行对比实验。SMFCC特征的等错误率(EER)和最小检测代价(MinDCF)均小于线性预测倒谱系数(LPCC)、MFCC及其结合方法LMFCC,比MFCC的EER和MinDCF08分别下降了3.6%与17.9%。实验结果表明所提方法能够有效去除语音信号中的噪声,提升局部分辨率。     

电能质量暂态扰动的HS变换检测方法

为提高电能质量暂态扰动检测定位能力,设计一种采用Hyperbolic S变换(HS变换)的扰动检测方法.在采用HS变换处理电能质量信号的基础上,通过计算HS变换模矩阵上各采样点不同频率对应的幅值之和未定位扰动起止点.新方法首先通过阈值对幅值和曲线进行预处理;之后,采用峰值点定位扰动起止时间.仿真实验证明,新方法实现了不同参数条件下电压暂降、电压暂升、电压中断、电磁脉冲、电压尖峰、电压切痕、振荡暂态等7种扰动的准确检测.该算法具有较好的鲁棒性与抗噪性,受不同扰动参数影响较小,符合实际环境下的扰动定位要求.     

S变换在电能质量扰动分析中的应用综述

结合国内外采用S变换应用于电能质量扰动分析的现状,对基于S变换的电能质量扰动检测、识别以及其他方面的应用进行了分类和总结。分析了S变换结合各种人工智能与数学工具在进行电能质量扰动分析时的优势和不足,介绍了近年来利用广义S变换、改进S变换和双曲S变换等其他形式S变换在电能质量扰动分析中的应用情况。最后对S变换应用于电能质量扰动分析的发展趋势以及值得进一步研究的问题进行了展望。     

基于S变换和多级SVM的电能质量扰动检测识别

提出了一种基于S变换和多级支持向量机(SVMs)的电能质量扰动检测和识别方法.首先通过S变换对电能质量扰动信号进行时频分析,有效实现对各种扰动的检测输出.然后对检测输出进行时频特征提取,并通过一个N?1级支持向量机器分类器,最后实现N种电能质量扰动信号的分类识别.测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动,识别正确率高,且训练时间很短,实时性能好.     

基于变尺度标杆的短时电能质量分类法

短时电能质量扰动特征取决于其频率特征和持续时间,S变换被认为是最适合于分析短时扰动的方法之一。提出了基于S变换的不同类型扰动标杆相似度识别不同持续时间扰动的方法。基于双线性插值的尺度变换建立同类扰动不同持续时间的标杆,该扰动标杆涵盖了同类扰动的不同特征;对被测扰动信号进行S变换,经过尺度变换后统一为与标杆维数相同的矩阵,依据相似度最大原则对扰动类型进行识别。该方法无需额外的分类器,过程简单有效。仿真证明,该方法对噪声不敏感,能较好地解决不同持续时间的电能质量扰动信号的识别问题。     

基于广义S变换的电压骤降特征量检测方法

为实现电压骤降信号特征量的准确检测,提出并建立了基于广义S变换的电压骤降特征量检测方法。介绍了广义S变换的基本原理,构建了电压骤降特征量的计算模型,给出了电压骤降特征参数的检测流程。对离散电压信号进行广义S变换,通过广义S变换的基波幅值曲线计算电压骤降幅值;由广义S变换的高频频谱幅值和曲线得到电压骤降起始、结束时刻和电压骤降持续时间;利用广义S矩阵的相位矩阵计算得到电压骤降相位跳变值。仿真实验验证了方法的准确性。与现有检测方法相比,基于广义S变换的电压骤降特征量检测方法计算量小,准确度高,抑制噪声干扰与谐波影响效果好。