变电站电动机械刀闸状态异常信号识别方法

电动机械刀闸运行过程中,由于变电站周边电磁的干扰,导致其运行状态信号识别性能较差。为了精准识别刀闸状态异常信号,提出变电站电动机械刀闸状态异常信号识别方法。优先筛选刀闸状态异常信号去噪过程中的小波参数,通过改进的阈值函数和最优小波参数对异常信号进行分层去噪处理。使用Hilbert方法提取去噪处理后的信号特征,并将该信号特征作为样本数据输入到SVM分类器中,通过运行SVM分类器输出异常信号,实现电动机械刀闸的运行控制。测试结果表明,所提方法刀闸状态异常信号正确识别率高于95%,识别时延低于8 s,特征辨识度在91%以上。

基于神经网络的移动通信网络异常信号识别优化

常规的移动通信网络异常信号识别是在理想环境下进行的,实际的异常信号识别往往受到其他干扰的影响,出现识别误差的问题。因此,设计了基于神经网络的移动通信网络异常信号识别优化方法。提取移动通信网络异常信号特征,将短时能量信号与过零信号的时域提取出来,过滤时域上的噪声信号,保留异常信号存在的部分。基于神经网络构建通信网络异常信号识别模型,将异常信号特征神经元作为输入,加权求和输入神经元特征,以激活阈值判断当前信号是否异常,从而优化异常信号识别精准度。优化网络异常信号识别的回归损失,降低模型训练损失,从而符合模型输出预期。采用对比实验,验证了该方法的识别准确性更高,优化效果更佳,能够应用于实际生活中。

短距离无线通信网络异常信号识别算法

利用目前方法对短距离无线通信网络异常信号进行识别时,没有对网络异常信号特征进行分类,存在异常信号识别准确率不高、不同信噪比下的识别正确率低和网络信号覆盖率差的问题。为此提出短距离无线通信网络异常信号识别方法,首先采用相像系数法对网络异常信号进行特征提取,同时归一化处理异常信号,从中获取了网络异常信号特征向量,将其输入到最小二乘支持向量机中进行分类,在最小二乘支持向量机分类建模期间,取得的超参数会对识别结果产生影响,所以采用灰狼优化算法对超参数进行优化,最终获取了最优解,完成对网络异常信号的识别。实验结果表明,通过上述方法进行异常信号识别准确率测试、不同信噪比下的识别正确率测试和网络信号覆盖率测试,验证了所提方法的有效性强,可靠性高。

移动通信网络异常信号优化识别研究

对移动通信网络异常信号进行准确识别,可以提高移动通信网络运行的安全性。进行异常信号识别时,需要提取移动通信网络异常信号数据特征,对根据特征对异常信号数据进行分类,建立移动通信网络异常信号识别模型,而传统基于遗传神经网络算法,是通过对大量的网络信号样本信息进行训练及测试实现的,不能对异常信号数据特征进行准确提取,存在识别不准确、误差大的问题。提出基于DFI的移动通信网络异常信号的识别方法。将DFI技术与SVM算法相融合,引入到移动通信网络异常信号的识别分类问题中,获取移动通信网络异常信号数据的特性,利用SVM算法建立移动通信网络异常信号最优分类面,构建移动通信网络异常信号识别模型,基于SVM的控制模块,对移动通信网络异常信号进行识别控制。仿真结果表明,提出的移动通信网络异常信号识别模型具有较高的识别准确度。

基于卷积神经网络对磁异常信号的识别研究

航空磁探反潜作为航空反潜的重要手段,在其中发挥了重要作用。针对目前航空反潜作战中,磁干扰信号极大地影响对水下目标磁探测效果这个问题,文章先对输入信号进行预处理,并使用卷积神经网络实现对2种信号的识别。实验结果显示,卷积神经网络的方法对信号的识别率达到了85%,能够有效对信号进行准确地识别。

基于自适应稀疏分解的声音识别算法

针对公共环境中异常声音的检测与识别存在的强噪声干扰及检测效率低的问题,提出基于参数自适应匹配跟踪的声信号识别算法。基于粒子和种群的进化率改进粒子群参数的自适应设置并优化稀疏分解目标函数;基于自适应粒子群算法的连续集搜索特性建立连续超完备Gabor原子集,以提高最匹配优原子与声信号的匹配度并加速原子的匹配搜索;使用SVM分类器实现公共环境异常声信号的复合特征识别。实验结果表明,与已有算法相比,该算法的公共环境异常声信号的识别率最优,且对不同背景噪声具有较好的识别鲁棒性。