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。

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.

基于神经网络自适应滤波器的数字化电能计量故障检测方法

为了提高数字化电能计量表故障检测的准确性,研究一种基于神经网络自适应滤波器的数字化电能计量故障检测方法。利用电流传感器、电压传感器以及功率传感器采集三种数字化电能计量装置运行数据并实施去噪和归一化处理。提取数据的时域和频域两类四种特征参数,包括方根幅值、偏斜度、频谱幅值、均方根频率。以特征为输入,神经网络自适应滤波器训练后,实现数字化电能计量故障检测。结果表明:检测结果的Z值均在8以上,说明检测结果更接近所设置的真实故障类型,检测更为准确。

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。

神经网络驱动的建筑自适应表皮产出性能预测方法

作为应对环境与能源问题的解决办法,耦合动态光伏遮阳与建筑表皮种植的建筑自适应表皮(Adaptive Facade)为城市可持续性提供了新机会,但如何快速准确预测电能与作物产出是设计前期关键问题之一。为解决此问题,以城市居住建筑为例,提出基于机器学习神经网络模型的产出性能预测方法,以替代传统光伏软件模拟与作物产出估算方法。首先建立由实测数据训练并进行差异性激活函数对比择优的机器学习神经网络预测模型,进而搭建交互界面预测平台。结果显示,与基础案例相比,建筑自适应表皮显著提高室内热舒适时间比,降低室内眩光,且满足家庭年用电需求9.3%~10.9%(新加坡)、8.4%~9.8%(海口)以及家庭全年蔬菜需求32%(新加坡)、27.6%(海口),该预测方法展现了预测过程的便捷性与预测结果的可靠性,推动了建筑自适应表皮在可持续城市人居环境建设领域的应用。

船舶类量化神经网络自适应运动控制方法研究

研究船舶类航向自适应运动控制方法有助于加快解决船舶在海上通讯带宽受限情况下航向跟踪检测困难和控制效果差的问题。基于RBF神经网络,采用一种经典非线性运动解析模型来描述通信信号输入量化过程,无限逼近于航向控制系统中的未知非线性项来消除隐性不确定项因子对控制系统的影响,与此同时模型中所设计的RBF自适应量化控制器不需要对先验信息进行量化参数处理,不仅可以保证有效跟踪和控制的同时,还可以减轻通信的传输负担、减少执行频次和降低系统控制幅度。本文基于Lyapunov稳定性理论证明了所提出的带有输入量化的RBF神经网络自适应闭环控制系统的稳定性,并在Matlab Simulink环境中构建仿真模型分析,论证了所设计的运动控制方法的有效性。

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。

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.

基于自适应小波神经网络的数据挖掘方法研究——对我国石油产量的预测分析

小波神经网络是近年来在小波分析研究获得突破性进展基础上提出的一种前馈型网络,文章将小波与神经网络相结合,提出了一种基于自适应小波神经网络(SAWNN,self-adaptation wavelet neural network)的数据挖掘方法,并构造了数据挖掘过程的机器学习机制,以提高对问题的处理能力。文章将所构造的自适应小波神经网络用于石油产量的建模预测研究,实证结果表明此预测模型不仅是有效的,而且是可行的。

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。

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.

自适应提升小波神经网络光纤陀螺滤波方法

采用传统滤波方法很难有效滤除光纤陀螺输出信号中的随机噪声。提出一种基于提升小波神经网络的自适应阈值选取滤波方法对光纤陀螺的输出信号进行滤波,进而提高光纤陀螺的精度。算法包括小波提升格式转换、提升小波分解、自适应阈值选取及小波神经网络滤波。通过仿真实验将传统小波方法、经验模态分解方法与新方法进行比较,实验结果验证了新方法的有效性。

基于广义回归神经网络的风力发电场设备温度自适应预测方法

传统预测方法很难有效处理风力发电场设备温度各种影响因素之间的非线性关系,从而导致预测结果的不准确。针对上述问题,研究一种基于广义回归神经网络的风力发电场设备温度自适应预测方法。分析风力发电场设备温度影响因素并收集这些因素对应的数据,组成样本,对样本实施离群值处理和归一化处理。利用广义回归神经网络自适应预测设备温度并利用鸽群优化算法(PIO算法)自适应调整广义回归神经网络预测模型参数——平滑因子σ,提高其自适应能力。结果表明,所研究方法的预测偏度最高误差仅为0.3℃,说明该方法在预测温度时具有良好的准确性,预测值接近实际值。

基于RBF神经网络优化光伏储能并网自适应控制的方法研究

常规的光伏储能并网自适应控制,主要采用电压动态调节实现,忽略了并网电流波形偏差对控制结果造成的影响,导致控制结果超调量较大。因此,提出基于RBF神经网络优化光伏储能并网自适应控制的方法。根据光伏储能并网的等效电路分析输出特性,建立基于RBF神经网络的等效电路连接架构,辨识储能作用方式,基于辨识分类结果计算并网电流的谐波补偿值,分析补偿后的内环电流,引入能量需求参数对并网输出功率控制策略进行自适应优化。实验结果表明,所提方法应用后得出的控制结果,表现出的超调量较低,仅为1.8%,控制效果较优,满足了光伏储能并网的现实应用需求。

基于离散剪切波与优化深度卷积神经网络的图像降噪方法

海洋试验图像通常受到海洋气象条件、海水光照折射和海洋深度等因素的影响,导致在海洋中采集的图像包含严重的噪声。为了提高海洋试验图像的清晰度和降噪性,提出一种基于离散剪切波与优化深度卷积神经网络相结合的海洋试验图像降噪方法。采用离散剪切波变换分解海洋试验图像,能有效从图像中提取不同方向和频率的特征。利用优化深度卷积神经网络强大的图像特征提取能力,经网络模型训练后,能获取图像中的关键特征,达到降噪的目的。在验证实验中,所提方法与传统图像降噪方法相比,能有效保留图像的纹理和细节特性,获得了较好的降噪效果,有助于提高海洋试验图像的清晰度和降噪性。

基于小波神经网络的变电站线路故障自动检测方法

现有方法难以捕捉变电站线路故障信号中的细微变化,导致与实际结果偏差较大。为此,提出了基于小波神经网络的变电站线路故障自动检测方法。首先,基于小波包分解,获取变电站线路不同频段上的能量分布和突变特征等信息;其次,构建小波神经网络故障检测模型,将小波包分解得到的特征信息作为模型的输入,建立故障信号与故障类型或程度之间的映射关系;最后,反复训练模型,检测变电站线路故障信号。结果表明,该设计方法的检测结果贴合实际结果,提高了故障检测的精度。

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。

基于自适应RBF神经网络的连续压力波信号滤波方法

由于钻井液连续压力波信号与正脉冲压力信号检测原理不同,致使固定参数滤波方法存在检测特征点时间不准确、误码率高等问题。针对该问题提出一种小波包变换结合自适应变步长RBF神经网络非线性滤波器的滤波方法。该方法首先对输入的连续压力波信号进行小波包变换,运用分层阈值滤波算法和奇异值分解算法,分离出含噪声的有用连续压力波信号;对输入的不发码信号进行带通滤波,分离出噪声相关信号。然后将上述两路信号输入RBF神经网络中,通过自适应变步长滤波算法进行滤波处理,输出有用连续压力波信号。仿真结果表明:该滤波方法与固定参数滤波方法相比,滤波后信号与原信号的相关系数、均方误差、信噪比都得到了提升。现场应用中,相比固定参数滤波算法误码率降低10%,连续压力波信号的噪声得到有效抑制。

基于非下采样剪切波变换—参数自适应脉冲耦合神经网络的属性融合裂缝预测方法

常用的叠后地震属性主要有相干体(描述波形相似性)、曲率体(表征构造应力引起的地层弯曲程度)、倾角体(刻画地层构造变化特征)等,但仅仅依靠单一属性很难准确地预测地下裂缝分布情况。为此,提出一种基于非下采样剪切波变换(NSST)—参数自适应脉冲耦合神经网络(PA-PCNN)的属性融合裂缝预测方法,该方法基于NSST分解算法,将多种属性数据分解为高、低频子带,将融合后的多尺度、多方向高、低频子带进行数据重构,得到最终的多属性融合结果,可进一步提取裂缝的轮廓及细节信息。具体步骤为:①提取描述相同尺度裂缝的多种地震属性(相干、曲率及倾角等属性),通过NSST将多种属性分解为高、低频子带,其中高频子带包含更多的裂缝细节信息,低频子带可更好地刻画裂缝轮廓且具有丰富的能量信息。②对高频子带运用PA-PCNN模型进行融合,无需人工设置参数,得到更全面的高频数据;结合八邻域的改进拉普拉斯算子加权和与局部能量加权方法对低频子带进行融合,使低频数据更好地保留细节及能量信息,以得到丰富的低频数据。③通过逆NSST方法有效地完成属性融合裂缝预测。运用所提方法对M区属性数据进行测试,并对比了不同方法的属性融合裂缝预测结果,证明基于NSST—PAPCNN的属性融合裂缝预测方法能够更有效地预测裂缝。