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。

基于自适应高斯混合模型的JPEG压缩图像去块效应算法

基于分块离散余弦变换的JPEG图像压缩算法,在低码率时解码图像会产生明显的块效应,严重降低了图像质量。针对JPEG压缩图像产生的块效应,提出了一种利用高斯混合模型自适应学习图像先验的去块效应算法。该算法利用初始去块效应图像将外部图像库训练得到的高斯混合模型映射到针对特定图像的高斯混合模型,得到自适应的高斯混合模型,然后结合加权的稀疏表示方法,利用训练得到的自适应高斯混合模型用于图像去块效应。实验结果表明,提出的去块效应算法能较好地去除块效应,且优于一些图像去块效应和图像去噪算法。

结合中值滤波与稀疏表示的混合去噪算法

针对现有去噪算法不能有效去除高斯-椒盐混合噪声的问题,提出一种基于自适应中值滤波与改进稀疏表示的混合去噪算法。采用自适应中值滤波对带噪图像进行初始化,检测并初步抑制脉冲椒盐噪声,利用改进的K奇异值分解字典学习方法与基于回溯自适应的正交匹配追踪稀疏编码方法对处理后的图像进行高斯去噪。实验结果表明,与稀疏非局部正则化加权编码混合去噪算法相比,该算法在混合噪声较大的情况下,具有更高的峰值信噪比和更快的去噪速度。

基于AGR提取PD信号的应用研究

提出了一种从混合有色背景噪声环境提取变压器局部放电信号的方法——自适应高斯基表示。自适应高斯基表示是一种参数化最优联合时频分析工具 ,它能够有效地去除交叉项干扰 ,滤除有色噪声。系统运行中存在的服从高斯或非高斯分布的有色噪声 ,具有不满足细节小波分解系数趋于零的特性 ,不能有效地被小波分解滤除。基于信号匹配原则 ,通过自适应估计最优高斯基分解参数 ,将信号分解为最优高斯基函数的线性组合 ,滤除噪声 ,无限逼近原信号 ,弥补了局部放电信号检测精确性的不足。大量的仿真结果表明自适应高斯基表示是一个有效的局部放电检测方法 ,它将在电力系统局部放电信号检测中得到广泛的应用。

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.

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。

一种基于时频分解的ISAR图像理解与处理方法

逆合成孔径雷达(ISAR)图像的自动理解是应用其进行自动目标识别(ATR)的基础。文中提出一种基于改进的自适应高斯表示(AGR)的ISAR图像理解与处理方法。该方法对目标ISAR图像中点散射与非点散射效应并存的现象给以有效的参数化的描述,进而消除非点散射在图像中造成的模糊展布,并提取到可用于目标识别的成像目标散射中心特征。基于飞机目标实测数据的实验验证了该方法的有效性。

基于时变噪声结构的自适应加权稀疏模型及航空轴承故障诊断

航空发动机的非平稳运行工况、时变气流环境等导致传感器采集到的振动噪声信号具有时变特性,同时,主轴轴承高转速运行工况导致其故障波形混叠变异,难以有效识别诊断。针对该问题,揭示了航空轴承噪声信号方差的时变特性,提出了基于时变噪声结构的自适应加权稀疏诊断模型。首先针对混叠变异故障波形难以构造匹配的稀疏表示字典的问题,构造了与特征周期先验匹配的分割算子,分析了故障特征矩阵的低秩先验,建立了混叠变异特征的自适应奇异值分解(Singularvalue decomposition,SVD)字典;然后,揭示了航空轴承噪声方差的时变特性,构造了与噪声时变结构和特征奇异值分布模式相匹配的自适应权重矩阵;进而,构建了自适应加权稀疏诊断模型(Adaptiveweighted sparsediagnosismodel,AWSM),开发了AWSM的优化求解算法。仿真分析表明,提出算法可有效实现航空轴承时变噪声的滤除,从而可靠提取轴承微弱的故障特征。最后,航空轴承实验验证了该算法可以实现运行转速高达25000r/min、剥落面积为1.0mm^(2)的航空轴承故障诊断。