自适应多层小波神经网络建模方法

基于小波多分辨率分析,提出了一种自适应多层小波神经网络的建模方法.该网络由平滑子网和多层细节子网组成.为改善模型精度,可递推并入新的细节子网,并且新网的训练不影响以前网络训练结果.应用遗传算法辨识多层小波网络的结构,用带遗忘因子的递推最小二乘法辨识网络的权值,较好解决了小波网络的结构优化问题.仿真表明:随着分阶层数的增加,网络的逼近误差逐渐下降,三层自适应小波网络即能满足建模精度要求.

基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术

基于光纤陀螺的测角仪可以实现对各项角运动参数的一体化动态精密测量,但在实际应用中,光纤陀螺测角仪受到温度变化的影响,导致测量精度下降。针对这一问题,本文提出了一种基于自适应小波回声神经网络的光纤陀螺测角仪温度误差补偿技术。为了提高温度误差建模的进度,提高传统神经网络的逼近能力,通过自适应前向线性预测滤波器对建模用测角仪温度漂移数据进行预处理,并采用自适应小波回声神经网络建立温度漂移模型,能够避免传统神经网络结构设计的盲目性和局部最优等问题,增强了网络学习能力和泛化能力,并利用自适应律代替神经网络梯度进行网络训练,提升神经网络的逼近精度和收敛速度。实验结果表明,该模型可以提高光纤陀螺测角仪的测量精度和环境适应性,为光纤陀螺测角仪的性能优化和实际应用提供了可靠的技术支撑。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

基于小波变换与IAGA-BP神经网络的短期风电功率预测

为提高风功率预测精度,减轻输出风能波动性对风电并网不利影响,提出了基于WT-IAGA-BP神经网络的短期风电功率预测方法。利用风速分区、3σ准则及拉格朗日插值法清洗风电场历史数据;其次,依据小波重构误差,选择db4小波分别提取风速、风向、历史风功率的不同频率特征信号,并引入改进自适应遗传算法(IAGA)对各序列BP神经网络的初始权值与阈值寻优,使用Sigmiod函数通过适应度值自适应改变交叉概率与变异概率;构建各序列的WT-IAGA-BP模型对短期风功率组合预测。通过仿真分析,并与ELM、IAGA-BP、WT-ELM及WT-LSSVM方法对比,验证该方法具有更高的预测精度和更好的预测性能。

基于BP神经网络的爆炸用激波管峰值压力预测方法

针对爆炸用激波管缺乏相应的经验公式和数值模拟时效性差的问题,同时为了快速得到激波管内的峰值压力,建立预测爆炸用激波管试验段峰值压力的四层反向传播(back propagation,BP)神经网络。采用数值模拟方法计算激波管试验段峰值压力,计算结果与激波管爆炸试验结果进行对比,平均相对误差为2.69%。证明激波管数值模型的准确性后,将数值模拟得到的195组激波管测得的峰值压力作为输出层,激波管驱动段TNT的药量、药柱的长径比以及爆炸比例距离作为神经网络的输入层。为了加快神经网络迭代速度和提高预测精度,使用自适应矩估计(adaptive moment estimation,ADAM)算法作为神经网络误差梯度下降的优化算法。结果表明,训练好的神经网络得到的预测结果与模拟值基本吻合,预测结果与数值模拟结果的平均相对误差为3.26%。BP神经网络模型能够反映激波管爆炸的峰值压力与影响因素之间的映射关系,采用BP神经网络模型计算时比数值模拟节约了大量运算时间。

基于小波神经网络修正自适应滤波的钻具姿态解算研究

针对惯性随钻测量中,由于钻头振动导致系统三轴加速度计数据失真,从而使得解算的钻头姿态角误差较大的问题。提出一种基于小波神经网络(WNN)与自适应滤波(AKF)联合对钻具姿态进行估计的方法,首先建立钻具姿态自适应滤波的状态空间模型,根据估计后的残差不断调整自适应因子,降低姿态的估计误差,提高钻具姿态估计精度;根据滤波器的输入输出建立小波神经网络模型,对比输出误差在线修正网络模型,对姿态信息进行反馈补偿。设计振动台实验以及钻进实验对所提方法验证,其中钻进实验中井斜角误差降低到±1.8°,实验结果表明,所提方法解算精度优于自适应卡尔曼滤波算法,能够有效抑制振动误差对姿态解算的影响,为实际钻井提供理论依据。

基于WP-MLP神经网络的VoIP自适应抖动缓冲算法

为解决抖动缓冲区播放延时和丢包之间的矛盾,实现缓冲区的动态调整使延时和丢包达到最优的平衡,提出一种基于WP-MLP神经网络的自适应抖动缓冲算法。首先,对抖动缓冲区的基本原理进行了分析并给出了丢包率与缓冲延时之间的函数关系;其次,提出了WP-MLP神经网络抖动缓冲算法的网络模型并对算法流程进行了分析;最后,通过VoIP网络仿真进行建模对比几种常用抖动缓冲算法,结果表明,本文所提算法能够在播放延时和丢包率之间保持更好的平衡,对缓冲区大小的动态调节表现出更优异的性能。

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。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

静止无功补偿器的小波神经网络PID控制方法研究

静止无功补偿器(SVC)是电力系统中应用广泛的动态无功补偿装置。针对传统比例积分微分(PID)在SVC动态调节过程中由于控制器参数固定而存在动态响应、自适应能力差的问题,提出了一种基于小波神经网络PID(WNNPID)的SVC电流反馈电压稳定控制方法。首先,分别选取SVC的电压差ΔUr、电压误差ΔU和补偿电压USL作为WNNPID控制器的输入信号,而控制器的输出为SVC的参考电纳。然后,采用小波神经网络(WNN)和增量式PID控制对WNNPID控制器的结构进行设计。最后,采用Matlab/Simulink仿真平台对所提控制方法进行仿真,并与基于反向传播(BP)神经网络PID的控制效果进行了对比。仿真结果表明,所提WNNPID控制方法具有更稳定的电压控制效果、较快的响应速度、较好的动静态响应性能和较强的自适应能力。

基于小波变换及自适应线性神经网络的充电桩谐波检测方法

针对大量引入作为一种非线性负载的电动汽车充电桩,给电网带来大量的谐波干扰,威胁电力系统电能质量等问题,文章提出了一种小波变换及自适应线性神经网络的充电桩谐波检测方法,该方法通过松散型结合的方式,既保留了小波分解重构的时域特性,又利用了自适应线性神经网络的高效性与准确性。仿真实验结果表明提出方法能够很好地检测出充电信号中的谐波。

电力变压器励磁涌流判别的自适应小波神经网络方法

励磁涌流识别一直是电力变压器差动保护中比较关注的问题。文中提出了一种基于自适应小波神经网络实现变压器励磁涌流判别的新方法。结合励磁涌流和内部故障电流的特点,构建了一个四层的自适应小波神经网络模型,并对其具体的实现方法进行了详细的分析;利用ATP-EMTP 程序进行仿真计算生成训练样本和测试样本,对所构建的网络进行了训练和测试,结果表明自适应小波神经网络能准确、可靠地识别出变压器的励磁涌流状态。

一种基于小波神经网络的自适应控制方法

提出了一种基于小波神经网络的自适应控制方法,该方法利用两个小波神经网络作为自适应控制系统的辨识器和控制器来构成自适应控制系统.由于小波函数具有紧支性以及神经网络的非线性映射能力,因而在所构成的控制系统中,辨识器能更准确地近似具有较强非线性被控对象的动态特性,控制器能产生较为复杂的控制规律.仿真结果表明。

一种自适应模糊小波神经网络及其在交流伺服控制中的应用

针对某武器大功率交流伺服系统所存在的大变负载、慢时变、强耦合的非线性特性和不确定扰动等问题,提出了模糊小波神经网络(FWNN)间接自适应控制器,该控制器的特点为Takagi-Sugeno-Kang(TSK)模糊模型的后件部分由自回归小波神经网络(SRWNN)构成。给出了SRWNN参数的迭代算法,利用SRWNN辨识器为控制器提供实时梯度信息,有效地克服了参数变化和负载扰动等不确定因素的影响,且具有良好的动态特性。采用Lyapunov稳定性理论方法证明了闭环系统的稳定性。仿真研究和样机试验结果证明了所提方案的有效性和正确性。

基于自适应小波神经网络的复杂系统模式识别方法

针对传统神经网络应用于复杂系统建模和辨识中存在的训练效率、精度瓶颈问题,提出了一种自适应小波神经网络方法(adaptive wavelet neural network,AWNN).首先,通过设计自适应层、综合层,使神经网络能根据待处理的系统的样本数据特征自适应工作于最佳工作区间;然后,通过将小波分析方法与对经典的基于误差反向传播算法的神经网络(back propagation neural network,BPNN)、径向基神经网络(radical basis function neural network,RBFNN)结合,保留了上述方法的优点,克服了传统神经网络方法各自的问题;最后,通过对BPNN、RBFNN和AWNN方法进行计算机仿真实验,验证了各算法的可行性、可达性和算法参数特性.实验结果表明:AWNN方法具有更快的收敛速度、更高的精度和更好的鲁棒性.

煤与瓦斯突出自适应小波基神经网络辨识和预测模型

由于煤与瓦斯突出是一典型的复杂非线性动力系统,影响因素很多,如应力、煤层特征、构造等,且各影响因素相互关联,因此,采用非线性人工神经网络进行煤与瓦斯突出的模式辨识与预测是十分必要的。针对具体的不同煤层条件,建立自适应小波基神经网络激活函数模型,用于煤与瓦斯突出系统的辨识和预测,实现由网络本身自动确定神经单元的数目,避免人为因素的影响,提高辨识和预测的可靠性和智能化程度。实例分析结果表明,所建立的自适应小波基神经网络激活函数模型,辨识和预测精度高,具有重要的推广应用价值。

基于小波神经网络辨识器的模糊神经自适应控制在VAV空调系统中的应用

针对温度控制的大惯性、大滞后、非线性特点,提出采用基于小波神经网络辨识器的模糊神经自适应控制的中央空调房间温度控制器的设计方案。由于小波神经网络的非线性映射能力比一般神经网络要强,所以基于小波神经网络的辨识器可以获得很高的辨识精度。而且,模糊神经自适应控制器随着系统动态特性的改变可以在线改变其控制规则,从而进行客观准确的控制。与普通模糊控制方法相比较,仿真试验说明了系统设计的有效性。

粒子群优化自适应小波神经网络在带电局放信号识别中的应用

XLPE中压电缆局部放电(PD)带电检测获得的信号可能源于电缆本体、电缆终端头,也可能来自于与之连接的开关柜中的电晕放电或表面放电等。由于不同来源的PD信号,对设备的危害不同,其判断标准也有所不同,故有必要对PD信号的来源进行识别。本文提出一种基于自适应小波神经网络的XLPE电缆PD识别方法,构建了一个4层自适应小波神经网络模型,对实验室获得的PD波形进行识别;提出使用粒子群算法先进行一次优化,后使用BP算法进行二次优化的训练方法;讨论了不同网络结构及小波函数对网络性能的影响。研究结果表明PSO-BP组合优化的自适应小波神经网络的训练效果明显优于单独使用BP算法,能够准确、可靠的对PD信号进行识别。

BP小波神经网络自适应调节步长的改进算法

在BP小波神经网络的训练过程中 ,自适应调节步长是对算法效率起重要作用的步骤之一。深入讨论了自适应调节步长的改进算法 ,从而得到更加方便合理的实时步长调整方法 ,进一步提高了局部搜索速度。多种情况下的仿真结果表明 ,该算法能够提高局部搜索速度 ,具有较广泛的应用价值。