采用二次经验模态筛选的谐波辨识方法

谐波辨识研究在智能电网发展中占有重要的地位,采用传统Hilbert-Huang变换(Hilbert-Huang transform,HHT)对该类非稳态信号进行处理时,会产生模态混叠、端点效应等影响信号分析精度的问题。针对此情况,提出一种模态筛选算法,采用屏蔽信号(masking signal)与原扰动信号叠加实现对模态混叠的抑制,通过端点非镜面对称延拓消减Hilbert变换(Hilbert transform,HT)后的端点"飞翼",并提出二次经验模态筛选算法来提高固有模态函数(intrinsic mode functions,IMFs)中所含频率的唯一性,从而改善对非稳态信号的分析精度。稳态和非稳态信号谐波辨识实验验证了该算法在谐波辨识中具有很高的抗干扰性和准确性。     

面向环境参数测量的物联网协作感知方法研究

研究物联网传感节点协作感知测量模型和基于图小波理论的信息聚集方法,实现物联网协作感知测量数据稀疏化.     

基于分布式压缩感知的智能用电网络高分辨率谐波与间谐波测量

安全可靠的电能质量是智能用电网络的基本需求,谐波与间谐波则是其中最常见的电能质量扰动之一,在智能用电网络中准确的测量分析谐波和间谐波,对于保障用电设备安全具有重要意义。本文提出了一种基于分布式压缩感知的智能用电网络谐波与间谐波测量方法,首先通过构建多通道谐波与间谐波测量模型,将高分辨率的频率估计问题转化为分布式压缩感知中的多测量向量稀疏重构问题,然后利用智能用电网络下各用户谐波与间谐波信号可联合稀疏表示的特性,在不延长观测窗长的前提下,提高了频率估计的准确度,提升了智能用电网络下的抗噪声干扰能力,最终达到准确分析谐波与间谐波的目的。实验结果表明,相较现有的谐波分析参数及非参数方法,本方法在谐波与间谐波测量的准确度和对噪声的鲁棒性上都有相应的提升,为智能用电网络中电能质量的治理提供了有效的参考依据。     

采用优化经验模态分解的电力谐波辨识方法

电力谐波的准确辨识对智能用电具有重要的研究价值和意义。针对基于屏蔽信号的经验模态分解(M-EMD)在谐波辨识中幅值误差较大、模态分解不完整以及屏蔽信号构建参数依赖经验值等问题,提出对待分析信号进行滤波和模态预提取,并采用协同混沌粒子群优化算法(CCPSO)对屏蔽信号的构建参数进行寻优。电力谐波仿真辨识实验证明,与M-EMD算法相比,文中所述的IM-EMD算法在谐波辨识的准确度和可靠性上有了明显提高。     

无线传感网络协同概率多模识别方法

提出了一种无线传感网络协同概率多模目标识别方法。该方法采用小波分组提取待识别目标声音样本数据中的特征信息,并通过主分量分析对特征信息进行特征维数约简,使该方法在保留样本特征信息的基础上降低识别学习过程的计算量。在使用特征信息进行目标识别时,该方法采用了多模高斯分类过程算法,并通过权值可调的委员会决策进行无线多传感节点协作识别,获得全局目标识别结果。实验表明,所提出的方法能够适应复杂环境中的干扰因素,有效识别目标,具有较好的顽健性和识别准确度。     

基于稀疏信号重构的无线传感网络目标定位

提出了一种新的基于稀疏信号重构的无线传感网络目标定位方法.针对目标定位问题,将多目标位置表示为离散化测量空间上的稀疏向量,则多传感节点声音信号能量测量值向量可分解为测量矩阵、稀疏矩阵与稀疏向量的乘积,通过稀疏信号重构方法可以恢复目标位置稀疏向量,实现多目标定位.传统L1范数稀疏信号重构法要求测量矩阵和稀疏矩阵乘积满足受限等距性条件,在目标定位问题中难以满足.采用贪婪匹配追踪算法重构稀疏向量,基于噪声信号能量幅值终止迭代搜索,进行多目标定位.实验表明,基于贪婪匹配追踪稀疏信号重构目标定位方法能准确实现多目标定位,定位精度优于基于正交匹配追踪的稀疏信号重构目标定位方法和基于单纯形搜索的最大似然估计目标定位方法.     

无线传感网络节点能效性测量优化方法

本文研究了无线传感网络节点能效性测量优化问题.给出了无线传感网络分簇式拓扑结构和节点概率检测模型,建立了网络测量覆盖率指标和通信能耗指标.遗传算法和微粒群算法在节点能效性测量优化时存在容易陷入局部最优和精度不高的缺点.将禁忌搜索算法和遗传算法结合,增强了遗传算法的全局搜索能力.仿真实验证明,采用遗传-禁忌搜索算法进行节点能效性测量优化时,网络测量覆盖率更高,通信能耗更小,优化效果更好.     

一种无线传感网络能效性自适应稀疏测量方法

无线传感网络中无线传感节点由电池供电,能量有限.而无线传感网络目标跟踪应用中,只有部分传感节点需要执行测量任务,测量过程具有稀疏性.针对以上特性,这里提出一种新的基于声音信号的能量有效的自适应稀疏测量方法.采用径向基函数神经网络改进粒子滤波算法,对目标进行定位跟踪,提高目标跟踪精度;采用马氏距离作为判据进行网络测量节点选择;根据估计目标状态,推导预测定位精度,并利用预测定位精度设计自适应测量方法.实验结果显示,采用径向基函数神经网络改进粒子滤波算法,提高了目标定位精度和跟踪过程稳定性,自适应稀疏测量方法能有效节省网络能耗.