柔性铰接板振动视觉测量与小波神经网络控制

为了解决航天器上用于供能的太阳帆板类柔性薄板结构的振动问题,针对一种移动柔性铰接板系统构建了双目视觉系统的振动测控实验平台,采用双目立体视觉方法来检测振动,并设计了自回归小波神经网络控制器(Self-Recurrent Wavelet Neural Network Controller,SRWNNC)来抑制振动。对双目视觉系统进行了标定,基于视差原理和图像处理算法,通过解算标志点的三维坐标来获取振动信号。建立了系统的有限元模型,并通过辨识得到校正后的系统模型参数。基于辨识得到的模型在仿真环境中训练SRWNNC,用于实验系统的振动主动控制。分别针对移动柔性铰接板系统固定基座和平移轨迹运动两种情况,进行了双目视觉振动检测和振动控制仿真和实验研究。仿真和实验结果表明,双目视觉传感器对振动信号的检测精度小于0.1 mm,SRWNNC也展现出比大增益PD控制器更好的抑振效果,验证了双目视觉振动检测和SRWNNC抑制振动的准确性和有效性。

基于改进小波神经网络的实时系统任务流量预测方法

针对当前航空装备实时系统对非周期实时任务无法预知难以实现可靠调度的困难,开展对航空装备实时系统非周期任务流量预测方法的研究。以小波神经网络为基础结合航空装备实时系统的特性建立任务流量预测模型,并提出利用人工鱼群算法对小波预测模型关键参数进行优化,避免陷入局部最优解,最终构建一种人工鱼群算法改进的小波神经网络任务流量预测系统。利用提出的预测模型开展实时任务流量预测对比仿真实验,实验结果表明,建立的基于改进小波神经网络的实时系统任务流量预测系统对非周期实时任务具有较高的预测精度,预测效果优于原始小波神经网络模型及T-S模糊神经网络模型。

基于自回归小波神经网络的机械臂自适应滑模控制

针对机械臂存在模型不确定和未知扰动的问题,提出一种动力学模型参数分块逼近的神经网络非奇异终端滑模(nonsingular terminal sliding mode, NTSM)控制方法.为加快系统跟踪误差的收敛速度,避免传统终端滑模存在的奇异性问题,采用一种非奇异终端滑模面.利用多组自回归小波神经网络(self-recurrent wavelet neural network, SRWNN)分块逼近系统未知的动力学模型参数,并采用自适应更新律调整权重.通过积分控制项补偿SRWNN的逼近误差,并使用Lyapunov稳定性理论证明了系统稳定性.使用MATLAB进行仿真分析,分块SRWNN滑模控制与滑模控制、整体SRWNN滑模控制相比,关节角度跟踪误差的平均稳态误差分别降低了31.9%、76.5%,表明此方法是一种可靠、有效的轨迹跟踪控制方法.

基于小波神经网络的特高压直流输电线路故障测距方法

传统特高压直流输电线路故障测距方法直接对故障区段进行识别,未对故障电压信号空间状态模型进行构建,这导致了传统方法测距的精度存在较大误差。针对这一问题,文章提出了基于小波神经网络的特高压直流输电线路故障测距方法。通过构建故障电压信号空间状态模型进行故障区段识别,最后基于小波神经网络实现故障测距。对比实验结果表明,本文研究方法测距精度误差较小,具有重要的实际应用价值。

基于遗传算法小波神经网络的光伏电站发电量预测方法

针对光伏电站发电量预测不准确及多种气象因素下预测结果出现波动的问题,提出一种基于遗传算法小波神经网络(GA-WNN)的光伏电站发电量预测方法。首先,以反向传播(BP)神经网络的结构为框架,选择小波基函数作为隐含层的传递函数,将网络连接权值、小波函数伸缩因子、小波函数平移因子视为遗传个体,并通过遗传算法(GA)进行个体寻优以得到网络最优初始参数;然后,利用优化后的网络进行仿真预测,并对仿真数据进行分析;最后,将预测结果与实际发电量进行对比,以评估预测模型的误差和可靠性。实例分析表明,GA-WNN预测模型具有更小的误差和更高的预测精度,适用于精确预测光伏电站的发电量。

MFA-SGWNN:基于多特征聚合谱图小波神经网络的僵尸网络检测

在僵尸网络攻击中,由于伪装后的僵尸网络流量数据特征与正常流量数据特征过于相似,使得传统的检测方法难以准确地进行区分。为解决这一问题,提出一种基于多特征聚合谱图小波神经网络的方法(Multi-feature Aggregation Spectral Graph Wavelet Neural Network,MFA-SGWNN),将流量的属性特征与空间特征相结合,能有效地捕获隐藏的感染主机流量特征,增强僵尸网络节点的特征表示,同时规避了数据样本不平衡和恶意加密流量对检测的影响。在ISCX2014僵尸网络数据集和CIC-IDS 2017(僵尸网络)数据集上的实验结果表明,MFA-SGWNN检测效果优于现有方法,具有更强的鲁棒性和泛化能力。

基于PSO优化小波神经网络的无人机动力系统故障诊断模型

针对传统小波神经网络对无人机动力系统的故障信号降噪和识别能力差以及网络收敛速度慢、训练精度不高的问题,构建了基于改进粒子群算法(PSO)优化小波神经网络的无人机动力系统故障诊断模型。该模型运用软、硬阈值函数组合改进的新阈值函数和改进PSO优化小波神经网络的方式,克服重构信号不连续或严重失真的问题,优化了小波神经网络初始权值和阈值,使模型能够实现快速、准确分析和识别故障类型,具有较好的故障预测和诊断能力。本文中通过对比不同阈值函数的降噪能力和PSO、GA、ACO对小波神经网络的改进效果,比较BP神经网络、传统小波神经网络、PSO优化小波神经网络的故障诊断预测效果,验证了本文中构建的PSO优化小波神经网络故障诊断模型远优于其他对比模型,具有故障识别和降噪能力强、收敛速度快、训练精度高的优点,在无人机动力系统的故障诊断领域,具有较好的可行性和有效性。

基于小波神经网络结合物联网架构的大规模集中接入风电站功率自动预测

风力发电的功率受风速、风向等多个气象因素影响,因此风力发电的功率具有不稳定性和时变性,因而很难通过传统的算法和数学模型来预测。为此,结合小波神经网络和物联网架构设计一种大规模集中接入风电站功率自动预测方法。设计基于物联网架构的风电站数据采集架构,利用无线传感器与射频标签等设备采集风力发电机组设备运行状态信息与风电站周边环境信息,所采集信息利用无线传感模块传输至网络服务层内实施处理与存储;客户端层构建基于小波神经网络的预测模型,将网络服务层内所存储的数据作为输入,通过网络初始化与训练输出功率预测结果。实验结果显示,该方法能够获取准确的功率预测结果。

基于小波神经网络的模拟集成电路短路故障诊断方法

针对传统方法短路故障诊断效果较差的问题,本文提出基于小波神经网络的模拟集成电路短路故障诊断方法。首先重构模拟集成电路原始信号,提取短路故障信号特征,然后利用确定的故障位置通过小波神经网络识别故障类型,最后判别短路故障严重程度,实现模拟集成电路短路故障诊断。实验结果表明:所提设计方法判别的短路故障程度与目标值十分接近,具有实际应用价值。

基于小波神经网络的嵌入式语音识别系统设计

针对嵌入式语音识别中的资源受限问题,提出一种基于小波神经网络的轻量化识别方案。该方案利用小波变换提取语音信号的时频域特征,并结合小波神经网络的非线性拟合能力,构建了高效的语音识别模型。实证研究表明,该方案在TIMIT数据集上取得了80.17%的帧识别准确率,在满足实时性约束的同时,显著提升了嵌入式语音识别系统的性能表现,为智能语音交互在资源受限场景下的应用部署提供了新的思路。

基于人工蜂群优化小波神经网络的深基坑开挖对既有盾构隧道变形的预测分析

小波神经网络在对数据预测方面存在收敛速度慢、极易陷入局部最优的缺陷,人工蜂群算法全局寻优能力强、收敛速度快,但其本身也存在寻找到最优解时速度变慢以及后期寻优能力弱的缺点。本文利用人工蜂群算法对小波神经网络进行优化,建立ABC-WNN分析模型,并依托基坑工程实例,对基坑开挖引起的盾构隧道变形量进行预测分析,并将结果与单一的BP神经网络模型、WNN模型进行均方差以及平均绝对误差对比。结果表明:(1)ABC-WNN模型预测值与实际工程数据拟合程度高,相对误差最大仅为2.41×10^(-5),表明该模型预测功能较为可靠;(2)ABC-WNN的各项统计学特征均为最低,分别为0.557和0.563,人工蜂群优化后的小波神经网络模型对变形量预测精度更高、计算稳定性更好、收敛速度更快。研究成果可为类似工程的盾构隧道变形预测提供一种新途径。

基于小波神经网络的通信电源逆变器故障诊断方法

常规的通信电源逆变器故障诊断方法以电流诊断为主,受逆变器故障模型代价函数的影响,误诊的情况相对较多。因此,设计基于小波神经网络的通信电源逆变器故障诊断方法。根据通信电源逆变器能量交换环境与结构特点,划分出逆变器故障类别。根据通信电源逆变器的电压变化情况,分析逆变器故障的等效电路。对逆变器短路故障、开路故障的电压空间矢量进行容错控制,避免故障诊断失误的问题。

基于小波神经网络算法的同步发电机转子绕组匝间短路故障诊断

为了准确诊断转子绕组匝间短路的故障程度,文章提出了一种基于小波神经网络算法的诊断方法。首先,对收集到的发电厂实验数据进行预处理,并将其划分为训练样本集和测试样本集;其次,基于小波神经网络算法建立同步发电机转子绕组匝间短路的故障诊断模型,并提取对应的故障特征;最后,根据实测的样本数据对所提出方法进行验证。相关研究表明,文章所提方法可以诊断转子绕组匝间短路的故障程度,并且相比传统的BP神经网络在诊断精度上有显著提升。

结合改进算术优化算法与小波神经网络的网络流量预测模型

网络流量具有非线性、复杂性特征,传统方法预测精度较低。为此,提出结合改进算术优化算法IAOA与小波神经网络WNN的网络流量预测模型。利用IAOA算法对小波神经网络关键参数初值调优,有效解决常规调参易陷入局部最优的缺陷,提高学习精度和收敛速度。对标准算术优化算法进行改进,设计拉丁超立方抽样法进行种群初始化,提高种群多样性;利用余弦函数对AOA的数学优化器非线性更新,均衡算法全局搜索与局部开发;引入针对最优解的高斯变异机制,避免算法陷入局部最优。利用十个基准函数对IAOA算法进行数值仿真,证实算法能够提高搜索精度和收敛速度。而网络流量预测实验结果表明,提出的预测模型具有更高的精确度,预测性能更加稳定,能够满足网络流量预测的高精度和实时性要求。

基于改进小波神经网络的新型PMSM速度控制

采用传统PI控制策略的永磁同步电机调速系统无法兼顾良好的动态响应性能与抗扰动能力,且在实际应用中参数整定繁琐。为改善以上问题,对速度环设计一种改进型小波神经网络PI控制器,该控制器基于自适应学习速率的梯度下降法并引入惯性项在线更新网络参数,通过权重因子扩大PI参数输出范围,以增强控制器性能;为消除电流环比例参数对速度环的影响,设计无差拍电流预测控制器,进一步提升系统动态响应性能。仿真结果表明,上述控制方案能够实现速度环PI参数在线自整定,明显提升系统动态响应性能,且具有良好的抗扰动能力。

结合小波变换与改进SSA优化小波神经网络的电力负荷预测

电力负荷预测是输电网络扩展和规划及合理电力调度的关键手段;针对电力负荷时间序列的非线性和复杂性特征,提出结合小波变换与改进麻雀搜索算法优化小波神经网络的电力负荷预测模型ISSA-WNN;设计改进麻雀搜索算法ISSA对小波神经网络的关键参数初值寻优,解决梯度调参易陷入局部最优的不足;对标准麻雀搜索算法SSA改进,引入Logistic-Tent混合混沌种群初始化、发现者/警戒者自适应更新、跟随者可变对数螺旋更新和高斯-柯西混合变异策略提升算法寻优能力;利用小波变换对电力负荷样本分解与重构,降低负荷时序的无序性和波动性,在此基础上构建新的电力负荷预测模型ISSA-WNN;实验结果表明,与标准小波神经网络模型WNN和标准麻雀搜索算法优化小波神经网络模型ISSA-WNN相比,预测模型ISSA-WNN的平均绝对百分比误差和均方根误差指标值平均可以降低18.42%和21.21%,其拟合能力更强,预测性能更加稳定。

基于粒子群算法优化小波神经网络的BDS-3钟差预报研究

针对目前对于BDS-3钟差预报研究较少、BDS-3钟差预报模型不足的问题,提出利用粒子群算法(Particle Swarm Optimization,PSO)优化小波神经网络(Wavelet Neural Network,WNN)的BDS-3钟差预报模型,粒子群算法可以有效解决小波神经网络的权值和阈值的选择问题。该模型符合BDS-3钟差数据的特点,并且可以充分发挥粒子群算法优化的小波神经网络在非线性数据预报方面的优势。同时,利用IGS数据构建粒子群算法优化的小波神经网络BDS-3钟差预报模型,通过和GM(1,1)钟差预报模型、小波神经网络预报模型进行对比,说明了本研究的粒子群算法优化小波神经网络BDS-3预报模型具有较高的预报精度、模型稳定性更好、预报使用时间更少。由此证明,利用粒子群算法优化小波神经网络模型进行BDS-3钟差预报是具有可行性的。

改进的小波神经网络在智能运维中的预测研究

随着大数据时代的到来,神经网络算法目前已经得到了很好的发展和应用,但在应用时,固定的学习率太大或太小都将面临收敛速度缓慢甚至发散的问题。因此,为避免经验因素对传统神经网络影响,文章在调整权值的基础上引入了自适应学习率修订函数的改进方法,以达到提升网络训练的速度和稳定性的目的。以小波神经网络为例,应用智能运维中的趋势预测问题进行仿真检验,结果表明相对于固定学习率,文章提出的自适应学习率改进算法能够有效提高小波神经网络的收敛速度,并有效降低了其收敛误差。

基于小波神经网络的光伏并网逆变器故障自动检测方法

为提高光伏并网逆变器运行质量、保障其运行的安全性,利用小波神经网络展开了光伏并网逆变器故障自动检测方法研究。首先,配置数据采集系统,采集光伏并网逆变器的数据;然后,利用所收集的运行数据进行逆变电源的故障特征提取,输出提取到的特征参数;最后,以此为基础,构建小波神经网络,设计诊断函数,根据网络的输出判断逆变器是否存在故障。结果表明,应用所提方法后,不同故障状态类型的逆变器输出电压与输出电流检测结果基本与实际值一致,具有较高的检测精度,能准确识别逆变器运行状态,可检测出具体的故障类型。

基于IAFS算法融合小波神经网络的变压器故障诊断研究

鉴于小波神经网络训练模型在电力变压器故障诊断中存在易陷入局部最优与对初始值高难度、高要求性问题,通过将人工鱼群算法和小波神经网络技术有机地融入到变压器故障诊断中,开发出一种全新、高效的方法。采用人工鱼群算法改善小波神经网络训练模型的权重和阈值,以达到最佳的模型性能,提升模型的准确性和可靠性。在整个学习过程中,小波神经网络训练模型的复杂度和泛化能力都得到了较大的提升,同时加快了收敛速度,从全局搜索逐步转向精细搜索,避免算法出现局部最优的情况。最后,通过仿真实验结果证明所提方法可有效地提升变压器故障诊断的准确度,提高了变压器故障诊断效率。