基于Slepian和Parzen互卷积窗插值FFT的电力系统谐波分析方法

谐波是电力系统中最为突出的电能质量问题之一。谐波参数的准确估计是电力企业和用户评价电能质量的重要参考依据。目前,电网谐波参数的估计方法主要基于傅里叶变换算法,但该算法在分析和处理信号时需要对原始信号进行截断和离散化处理,会不可避免地导致频谱泄露和栅栏效应,从而严重影响电网谐波参数的准确测量。而具有优良旁瓣特性的窗函数以及插值算法可有效改善因频谱泄露和栅栏效应所带来的参数估计误差。为此,文中提出一种基于Slepian窗和Parzen窗的新型互卷积窗(slepian and parzen mutual convolution window,SPMCW)插值FFT的谐波分析方法。SPMCW具有较低的旁瓣电平和快速的旁瓣衰减速率,因而可有效抑制频谱泄露,进而实现弱谐波幅值的检测。在MATLAB下的仿真实验验证了文中算法的准确性和可靠性。实际构建的硬件平台验证了算法的有效性和可行性。

基于树结构Parzen估计器优化集成学习的短期负荷预测方法

短期负荷预测主要用于电力系统实时调度、日前发电计划的制定,对电力系统经济调度、系统的安全运行具有重要意义.国内外在采用智能模型进行短期负荷预测方面开展了大量研究,然而智能预测方法的预测效果较易受到现存方法结构及参数的影响,以及预测对象自身个性差异使得参数难以复用,如何精准快速地获取方法结构与参数成为短期负荷预测的关键难题.对此,提出基于树结构Parzen估计器优化集成学习的短期负荷预测方法,可对方法结构与参数进行快速寻优.将该方法应用于中国南方某省短期负荷预测,以实际算例验证了其对预测精度的有效提升.

一种基于Parzen窗估计的鲁棒ELM烧结温度检测方法

在回转窑燃煤火焰视频模糊且干扰较大的情况下,基于火焰辐射能量和燃烧稳定程度提取多帧煤粉燃烧图像的统计特征进行烧结温度判断.为克服工业现场特征数据中的粗差干扰,将极限学习机(Extreme learning machine,ELM)与稳健估计理论相结合,用训练误差分布的Parzen窗非参数估计构造ELM权矩阵,对其输出层权值进行稳健最小二乘估计.基于上述火焰视频的统计特征,用该改进的鲁棒极限学习机(Robust-ELM)检测烧结带温度.实验结果表明,在视频图像模糊、不能用常规静态图像处理方法软测量烧结带温度时,本文方法可快速有效地检测窑内烧结温度,且检测系统不易受现场干扰,稳定性强。

基于Parzen窗的水下无线传感器网络目标定位方法

水声通道复杂多变,使得水下无线传感器网络中节点出现失效的情况,影响了多节点的目标定位性能。为解决这一问题,该文提出一种基于Parzen窗的方位交线定位方法。该方法利用Parzen窗分析所有交点的分布特征,估计目标可能出现在某个位置的概率,将概率最大值对应的点作为目标的估计位置。由于概率分布是非线性、多峰值的,采用带有惯性权重的粒子群算法去求解。仿真实验结果表明,所提方法能够在节点失效的情况下获得较高的目标定位性能,具有较好的鲁棒性。

基于Parzen窗估计的设备状态综合报警方法

针对现有监测报警方法难以适应工况变化和融合多元数据的缺点,提出基于Parzen窗估计的设备状态综合报警方法。该方法动态估计多元监测数据的联合概率密度函数,以局部分布边缘包络作为报警边界,随着监测数据的不断积累,逐步提高正常和故障概率分布估计的准确性,形成符合设备个性化状态发展历程的动态报警区域。通过对转子试验台和加热炉风机监测数据分析,验证了该方法的有效性。

改进的基于Parzen窗算法的SAR图像目标检测

传统的Parzen窗检测算法假设目标占整个背景中较小的一部分,将SAR图像中的所有像素用于估计杂波概率密度函数,容易造成检测阈值的增大从而对不太明显的SAR图像舰船目标产生漏检。对此,提出了一种改进的Parzen窗检测算法,该算法通过自适应地设置目标窗口,将潜在的目标从检测图像中剔除,对剔除后的杂波背景采用Parzen窗进行非参数化的杂波模型估计,进而确定检测阈值,完成目标的检测。相比传统的Parzen窗检测算法,提出的SAR图像舰船目标检测算法减少了漏检数量,改善了检测性能。实测SAR图像的检测结果表明了该方法的有效性。

基于Parzen窗法的贝叶斯参数估计

针对贝叶斯估计中所需的非规则概率密度函数,提出用Parzen窗算法估计相关概率密度,从而求解不同损失函数下的贝叶斯参数估计器。实例分析中,选择一组电阻测量值作为样本,利用Parzen窗法计算出相应的概率密度函数,最后用交叉验证法得出了该样本的最小绝对值误差参数估计器。

基于Parzen窗的Vague集理论用于油液原子光谱特征优选

油液原子光谱信息量大且具有模糊性,严重影响了在故障诊断中的应用效率和精度。为选择数量少、效率高的光谱特征,提出了一种光谱特征选择的新方法。基于齿轮箱实验台架,模拟了齿轮正常磨损状态和两种典型故障,并采集了油液样本。将三种磨损状态视为三个Vague集,光谱特征值视为Vague集上的Vague值。基于Vague值之间的相似度量,定义了平均Vague敏感度(mean vague sensitivity,MVS),用来描述光谱特征对不同磨损状态的敏感程度,并据此选择出对磨损状态敏感度高的光谱特征。此外,针对Vague集隶属度的确定严重依赖人为经验的问题,利用Parzen窗法分别估计出三种状态光谱数据的概率密度分布后,结合贝叶斯公式确定出Vague集的隶属度上、下限。实验表明,此方法可以有效地从大量光谱特征中选择出对故障敏感程度较高的特征。

一种基于加权Parzen窗的聚类算法

提出了一种新的基于加权Parzen窗的无监督学习方法 .该方法采用加权Parzen窗获得对数据分布状态的良好描述 ,从而求出不同模式类的分界面 ,并将聚类过程转变为求解加权Parzen窗权值的线性规划问题 .实验表明 ,采用这一方法只需较少的计算时间就可以获得与Asa等人基于支持向量机的方法类似的聚类结果 .

基于参数Parzen窗估计的独立分量分析

在对盲源信号进行独立分量分析时,往往需要已知源信号的概率密度函数(PDF)。然而,由于源信号是未知的,一般事先很难知道其PDF。通常的做法是采用非参数的Parzen窗估计源信号的PDF。但是因为不同的信号具有不同的PDF,本文引入窗宽作为参数的Parzen窗来估计源信号PDF。用信息熵最小原则进行独立分量分析。模拟结果表明信号干扰比(SIR)明显提高。

Parzen窗确定系数的协同模糊C均值算法

协同模糊C均值(collaboration fuzzy C-means,CFC)算法的协同系数通常根据经验人工设定,且在协同过程中保持不变,不能充分利用数据子集之间的协同关系,算法精度有限。提出Parzen窗确定系数的协同模糊C均值(βp-CFC)算法。用模糊C均值(fuzzy C-means,FCM)算法求出各数据子集的隶属度和聚类中心,再用Parzen窗求出各子集在聚类中心处的密度,根据子集间密度的相关性设定变化的协同系数,利用变化的协同系数进行协同聚类。以Matlab为平台,对βp-CFC算法进行了实验,算法聚类准确率可达到80.34%,比模糊C均值算法、固定系数的CFC算法的准确率分别高出11.80%和3.94%。实验证明,βp-CFC算法较为合理,聚类性能较好。

基于Parzen窗条件互信息计算的特征选择方法

为解决连续值特征条件互信息计算困难和对多值特征偏倚的问题,提出了一种基于Parzen窗条件互信息计算的特征选择方法。该方法通过Parzen窗估计出连续值特征的概率密度函数,进而方便准确地计算出条件互信息;同时在评价准则中引入特征离散度作为惩罚因子,克服了条件互信息计算对于多值特征的偏倚,实现了对连续型数据的特征选择。实验证明,该方法能够达到与现有方法相当甚至更好的效果,是一种有效的特征选择方法。

基于Parzen核估计的最大后验概率分类方法

从概率密度函数的角度出发,利用Parzen窗法估计总体样本的概率密度分布,将核方法和Parzen窗法引入最大后验概率方法中,提出一种基于Parzen核估计的最大后验概率的高性能多分类方法。该方法不需要考虑样本数据的具体分布情况,能够得到分类的可信度,给出推理的不确定性依据。在3个国际标准UCI数据集和3个人脸数据集上的实验结果表明,该方法具有较好的分类效果。

基于Parzen窗的油液原子光谱数据半监督FCM聚类研究

提出了一种基于Parzen窗的半监督模糊C-均值(Semi-supervised Fuzzy C-Means Based on Parzen window,PSFCM)聚类算法。根据训练样本确定出模糊C-均值(Fuzzy C-Means,FCM)的初始聚类中心;利用Parzen窗法计算出测试样本对各类状态的隶属度后,重新定义了隶属度迭代公式。通过齿轮箱磨损实验台模拟了齿轮箱的2种典型磨损故障并采集了油样。选取实验油样光谱分析数据中代表性元素Fe,Si,B的浓度值作为分析数据集的3维特征量,分别进行了FCM聚类和PSFCM聚类分析。聚类结果为:FCM聚类的正确率为48.9%,而融入了监督信息的PSFCM聚类的正确率为97.4%。实验说明,将PSFCM算法引入到油液原子光谱分析,降低了对人为经验和大量故障数据的依赖,提高了齿轮箱磨损故障诊断的准确度。

基于极大似然Parzen窗的独立成分分析

提出一种新的独立成分分析算法,在利用直方图估计概率密度函数的基础上,由极大似然函数法构造独立信号的特征,并且在估计概率密度函数时,对相应的阶梯函数采用磨光处理,引入参数μ,并证明了μ的选择依赖于信号的统计特征以及采样的样本总数。模拟实验结果表明,该算法能提高信号干扰比。

基于Parzen窗的印刷文档数学公式抽取的研究

数学公式抽取是公式识别的首要步骤,目前相关的研究还很欠缺。针对印刷文档中数学公式的抽取展开了研究,提出了一种Parzen窗和启发式规则相结合的公式抽取方法。对于孤立式公式采用Parzen窗方法将其从文档中抽取出来,对于嵌入式公式采用启发式规则将其从文本行中抽取出来。实验表明,这两种抽取方法的结合取得了较好的效果。

基于最小分类错误率和Parzen窗的降维方法

提出了一种基于最小分类错误率和Parzen窗的降维方法,利用Parzen窗估计数据的概率密度分布;通过计算各特征维度下的分类错误率,判断该特征维度对目标分类的贡献度;依据贡献度大小进行特征维度选择从而达到降维的目的。

基于Parzen核估计的ICA算法及其性能分析

基于概率密度非参数估计的Parzen核估计,提出了一种新的独立成分分析(ICA)算法,实现了对源信号分布的全“盲”要求。该算法由观测信号样本出发,实现了对分离信号评价函数的直接估计,从而在一定程度上解决了ICA算法中如何选取估计信号评价函数的难题且能对任意的源混合信号(包括:超高斯与亚高斯分布,对称与非对称分布)进行有效盲分离。模拟实验从统计性质和计算时间2个方面说明了所提算法的性能。

从Parzen窗核密度估计到特征提取方法:新的研究视角

当前主流特征提取方法大致有2种研究思路:1)从高维数据的几何性质出发,根据某种寻优准则得到基于原始空间特征的一组特征数更少的新特征;2)从降维误差角度出发,保证降维前后数据所呈现的某种偏差达到最小.试图从降维过程中数据分布特征的变化入手,基于广泛使用的Parzen窗核密度估计方法,来审视和揭示Parzen窗估计与典型特征提取方法 LPP、LDA和PCA之间的关系,从而说明这些特征提取方法可统一在Parzen窗框架下进行研究,为特征提取方法的研究提供了一个新的视角.

改进Parzen窗解决高维数据聚类的方法研究

由于高维数据聚类的现实意义日益增强,而Parzen窗估计法仅对低维数据集聚类能获得良好的结果,随着维数增加,效率降低,因此对Parzen窗进行加权改进,通过多次仿真实验确定加权函数,将高维数据投射至低维空间,对其聚类,逐步投向高维空间,对结果矩阵进行优化处理,得到更为优良的聚类效果。