基于自适应高斯基表示的神经网络在电力系统故障和振荡识别中的应用

结合最优联合时一频处理无交叉项干扰及神经网络自学习分类识别的优点,提出了一种在有色噪声干扰下识别电力系统故障和振荡的方法。将经过自适应高斯基表示(Adaptive Gaussian Representation,AGR)分析处理的电力信号特征向量输入神经网络分类器进行识别。待辨识输入向量不仅表征了原信号的基本信息,而且没有交叉项,运算简单。仿真结果表明,此方法能正确分类识别有色噪声干扰下的系统故障和振荡,提高了电力系统微机保护在系统振荡中检测故障的灵敏性和精确性。

联合时频技术用于ISAR像综述

由于雷达回波的时变和频变特性,使得当基于FFT处理进行ISAR成像时,图像上存在许多扩展散射点和虚假响应,严重影响了图像质量,并对ISAR像的后续处理带来困难。而联合时频技术由于能有效处理时变信号,因而在提取ISAR运动补偿信息、瞬时(瞬频)成像、ISAR像后续处理及理解ISAR成像机理等方面有许多成功的应用,本文对此进行了较为系统的总结。

基于自适应联合时频处理的抗箔条干扰技术

研究自适应联合时频处理的抗箔条干扰技术,利用时域、频域和联合时频域几何矩进行模式的特征提取,以充分节省计算资源,并尽可能多地保留用于目标识别的信息;其次,应用主成分分析进一步降低特征空间的维数,将得到的特征向量用多层感知神经网络进行识别.为了证明所提出模式的性能,对3种目标(含箔条云目标)进行了识别.结果表明,所提出的技术在目标识别抗箔条云干扰方面具有显著的潜在应用价值.

非正交基函数与图象自适应表示

从算子理论的角度阐明了对于一给定信号可用框架的有限子族按任意精度逼近；提出了基于非正交函数系的图象自适应表示算法．该算法可有效地表示新信号的局部特征及能量分布．作者以Ｇａｕｓｉａｎ基函数为例对二维图象进行了实验．