基于MODWT的运动想象脑电信号识别

对运动想象脑电信号进行分类识别,是脑机接口研究中的重要问题。为此,提出一种基于极大重叠小波变换和AR模型的脑电信号分类方法。将脑电信号波形进行极大重叠小波分解,抽取变换系数的统计特征,利用Burg算法提取其3层光滑的8阶AR模型系数以及3层光滑部分的能量曲线特征,将这3类特征进行组合后,使用神经网络、支持向量机及线性判别进行分类和比较。与BCI2003竞赛数据分类精度结果相比,该方法的识别率更高。将模型移植入自行研制的嵌入式脑电信号控制电机转向系统中,该模式识别方法的平均准确度达到了91.3%,可用于嵌入式脑机接口的系统设计。

金融高频时间序列的MODWT波动分析

与经典小波变换相比，利用最大交叠小波变换（MODWT）对非平稳时间序列进行分解时，由于没有下采样的过程，因此可以最大限度地减少数据信息的遗失。该文通过对股指期货主力合约一天中的采样数据连行研究。发现MODWT可以有效地对序列中的波动与趋势进行分解。此外文章中还发现，如果分解层数足够多，那么大部分的趋势信息则被波动信息所覆盖。因此总结出用小波对零均值数据进行滤波时，要适当选择分解的层数。

基于MODWT和ANN的微电网故障诊断

近年来,微电网的故障诊断研究变得越来越重要,因为它可以确保微电网安全稳定运行。基于此背景提出了一种基于极大重叠离散小波变换(MODWT)和人工神经网络(ANN)的微电网故障诊断方法。首先利用MODWT对采集到的电流信号进行故障检测,判断是否发生故障;再利用MODWT对故障电流进行特征提取,得到相应的特征向量;随后使用ANN得到故障分类结果。结果表明,该方法可以准确的检测到故障发生时刻。此外,和其他几种智能故障分类方法相比,具有更好的故障分类精度。

基于MODWT和BP神经网络的微电网故障诊断方法

近年来,随着微电网技术的持续发展,电力用户对其供电可靠性的要求也不断提高,因此微电网故障诊断研究也变得越来越重要。提出了一种基于极大重叠离散小波变换(MODWT)和反向传播(BP)神经网络的微电网故障诊断新方法,并通过仿真与算例进行了验证。结果表明:该方法能快速、准确地识别出故障类型,且不受故障初始相位角和过渡电阻等因素的影响;与现有的基于离散小波变换和反向传播神经网络的诊断方法相比,所提出的方法可以提供更好的故障分类精度。

基于MODWT和LSTM网络的分布式电网故障诊断

近年来,针对分布式电网故障诊断的研究变得越来越重要,因为它能确保电网安全而稳定地运行。传统的故障诊断方法在故障分类的准确率上仍有待提高,对此,提出了一种基于极大重叠离散小波变换和长短期记忆网络的分布式电网故障诊断方法。首先采集故障数据,再进行特征提取和网络训练,最后得到故障分类的结果。结果表明,该方法不但能准确地识别出故障类型,且不受故障发生时刻和过渡电阻等影响。另外,与其他几种智能诊断方法相比,所提出的方法可以提供更好的故障分类精度。为了评价该方法的性能,以修正的IEEE13总线标准系统为例进行了验证。

基于单通道ECG信号与INFO-ABCLogitBoost模型的睡眠分期

为了减少对传统多导睡眠图(PSG)系统的依赖,基于单通道心电图(ECG)信号,设计了一种简单高效的睡眠分析算法.采用最大重叠离散小波变换(MODWT)对原始信号进行多分辨分析,再进一步提取峰值信息;根据峰值位置的一阶偏差,提取多维度的心率变异性(HRV)特征.为了进一步筛选与不同睡眠阶段具有强关联性的HRV特征,提出基于ReliefF算法与Gini指数的特征提取方法.在此基础上,采用INFO-ABCLogitBoost方法挖掘HRV与不同睡眠阶段之间的关联性,从而实现睡眠阶段的精细分类.在实际公开数据集上的实验结果表明,所提出的模型在睡眠分期任务中,总体精度为83.67%,准确率为82.59%,Kappa系数为77.94%,F1-Score为82.97%.相比于睡眠分期任务中的常规模型,所提方法展现出更加高效便捷的睡眠质量评估性能,有助于实现家庭或移动医疗场景下的睡眠监测.

基于多数据源融合的电网故障判别与告警技术研究

针对国家电网故障判别误差率较高的问题,设计一种基于多数据源融合的电网故障判别与告警方案。利用最大离散小波变换技术和长短期记忆网络算法结合的方法提高电网故障判别与告警能力;利用最大重叠离散小波变换技术具有的扩充冗余自成正交特性对故障类型进行划分;将长短期记忆网络算法由单向进程转为双向网络,避免了反馈传输过程中的网络层无法得到合适的偏导数等梯度消失情况。试验结果表明,通过所提算法进行数据质量核查的准确度高达九成以上,表明所提研究系统对解决提升故障判别准确度的提升具有较强的实用性、优越性。

基于MODWPT平方包络峭度谱的轴承声信号故障诊断方法

针对噪声干扰条件下的轴承声信号故障诊断问题,可以通过基于最大重叠离散小波包变换(MODWPT)的平方包络峭度谱法对轴承进行故障诊断。该方法首先对原始非平稳信号用MODWPT分解为若干个子频带分量之和,再对各子频带分量做平方包络峭度谱,快速定位原始非平稳信号当中冲击成分显著的频带范围,最后对目标频带做带通滤波并进行包络解调可得到故障诊断结果。通过实测轴承声信号数据验证,该方法可以有效地对轴承进行故障诊断。

基于极大重叠离散小波变换和Elman神经网络的磨刀门咸潮模拟研究

近年来磨刀门水道咸潮上溯频发,引起广泛关注。对该地区建立了基于极大重叠离散小波变化(MODWT)和Elman神经网络的咸潮模拟模型(MOD-Elman),模拟预测日均氯度,并借助一维纵向扩散方程分析河段的含氯度分布。结果表明:(1)MOD-Elman模型对非平稳的含氯度变化模拟效果较优且泛化能力较好;(2)咸潮影响预测图在一定程度上能反映站点之间各点含氯度变化。利用MOD-Elman模型和一维纵向扩散方程,可预测未来一段时间内磨刀门的受咸潮影响情况,对预警压咸有一定帮助。

基于并行隐马尔科夫模型的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MaximalOverlapDiscrete WaveletTransform, MODWT)和并行隐马尔科夫模型(ParallelHiddenMarkovModel, PHMM)的电能质量扰动分类方法。首先利用MODWT提出一种实用的电能质量扰动检测算法,该算法无需设定检测阈值,可准确获取扰动时段的起止时刻。接着提取扰动时段的电压谐波成分并组成特征向量。然后用PHMM分类器对扰动信号进行分类识别。PHMM方法克服了人工神经网络方法收敛性较差、训练时间较长的缺陷,使分类器性能大大提升。通过应用于现场实测扰动数据表明,所提出的方法适用于多种类型的电能质量扰动检测,分类正确率高,训练速度快,具有良好的应用价值。

结合小波变换与数学形态学的电缆局放信号识别与降噪方法

针对大部分电缆局放(PD)信号识别方法在噪声影响下的识别准确率低、波形失真等问题,提出了一种基于小波变换与数学形态学的电缆PD信号识别及降噪方法。该方法利用最大重叠离散小波变换提取PD信号的高频和低频特征,结合重构和数学形态法滤除噪声。利用自适应神经网络学习小波变换后的特征,最终完成PD信号的识别分类。基于某变电站实测PD信号波形对所提方法进行实验分析结果表明,信号降噪处理后的信噪比与均方误差分别为5.439 dB、0.251,且整体的识别准确率超过了88%,均优于其他对比方法,具有良好的应用前景。

基于RBFNN的风光互补微电网故障检测

为了确保微电网能够稳定运行,微电网的故障检测研究变得越来越重要。利用最大重叠离散小波变换(Maximal Overlap Discrete Wavelet Transform,MODWT)和径向基函数(Radial Basis Function,RBF)神经网络技术,对光伏系统和风力系统组成的风光互补微电网进行故障诊断。首先,利用MODWT对采集到的分布式系统公共耦合点处的电压信号进行故障检测,判断该时刻是否发生故障;其次,利用MODWT对负序电压进行特征提取,计算得到相应的平均值和标准偏差,通过训练RBF神经网络最终得到相应的故障分类结果;最后,进行仿真分析。仿真结果表明,该方法在风光互补微电网中,能够及时检测出故障,并对各种故障类型进行识别,具有较高的准确率。

煤矿直流微电网设备线损故障测试方法

针对现有矿山直流微电网设备线损测试故障识别准确率和分类准确率较低等问题,提出一种煤矿直流微电网设备线损故障测试方法。采用最大重叠离散小波变换(Maximal Overlap Discrete Wavelet Transform,MODWT)法提取煤矿直流微电网设备线损故障特征,并联合反向传播神经网络(Back Propagation Neural Network,BPNN)和自适应遗传算法(Adaptive Genetic Algorithm,AGA)构建GA-BP神经网络,提高BPNN的全局寻优能力。对训练后的GA-BP神经网络模型进行优化,以测试煤矿直流微电网设备线损故障情况。实验结果表明,所提方法的故障识别准确率和分类准确率较高。

西北太平洋边缘海区海面变化多尺度解析及空间分异

利用MODWT对西北太平洋边缘海区8站位1965~2005年验潮序列进行多尺度分解,讨论了该区域海面变化多尺度波动特征及空间分异。结果显示年周期组分振幅随纬度增大而逐渐增大,半年周期组分振幅以中国沿岸最大,其余站位相对较小。年际尺度的波动中EN-SO信号与1-2年尺度的准周期波动存在模态混叠现象,表现为对序列构形和不同时段的相关关系的影响。利用ICA方法从小波分解的年际尺度和信号中分离出的ENSO信号,表明不同纬度海面对ENSO事件的响应整体上呈现向高纬衰减的变化特征。基于小波相似性的分析结果显示,低纬各站海面对ENSO在各尺度上均呈现出显著的负相关,而中高纬地区则呈现出正相关。1980年之前和之后中高纬地区的海面对ENSO的响应出现了显著的差异,这可能与ENSO自身频率的调整有关。

基于小波变换与传统时间序列模型的臭氧浓度多步预测

采用最大重叠小波分解与重构方法,将影响O3小时浓度的不同时间尺度的物化过程分离出来,以提高序列的光滑性.同时,选择合适的传统时间序列模型(如ARIMA模型等)来描述不同过程的序列特征,并分别拟合预报.最后,在建模中引入24h季节项,以实现提前24h一次性预测未来1d的O3逐时浓度.结果表明,预报的平均相对误差为12.92%,平均绝对误差和均方根误差分别为10.04μg·m-3和13.98μg·m-3,预报值与实测值的相关系数和匹配指数分别为0.96和0.98.随着预测期的延长,预报误差仍处于可接受范围内.该方法同样适用于每日最大O3小时浓度预报,研究结果为发布天气预报式的空气质量预报提供了新思路,便于公众规划出行并减少大气污染暴露.

基于负荷数据频域特征和LSTM网络的类别不平衡负荷典型用电模式提取方法

现有用户用电模式提取技术主要基于负荷数据时域特征提取,无法准确分辨时域上欧式距离接近但频域上波动特性差异较大的负荷数据,且对类别不平衡负荷数据的分类准确率较低。为解决上述问题,文章首先通过基于样本支持向量的过采样方法(support vector machines-synthetic minority over-sampling technique,SVM-SMOTE)对存在类别不平衡问题的负荷数据进行处理;然后,通过极大重叠离散小波变换(maximal overlap discrete wavelet transform,MODWT)对负荷数据进行分解,并将分解后的尺度系数和细节系数组成频域的特征矩阵;最后将频域特征矩阵输入深度长短期记忆(long short-term memory,LSTM)神经网络进行负荷分类并通过求取各个类别质心来获取典型用电模式。实验结果表明,该方法具有良好的类别不平衡数据处理能力和负荷分类效果。

基于MODWPT和Choi-Williams分布的齿轮箱低频故障特征提取

针对齿轮箱多级齿轮传动振动信号易受噪声干扰,低频微弱故障特征提取难的问题,提出一种最大重叠离散小波包变换(MODWPT)和Choi-Williams分布(CWD)相结合的齿轮低频故障诊断方法。首先采用MODWPT方法将复杂的振动信号分解为若干分量,避免了经验模态分解(EMD)存在的模态混叠和端点效应等问题,然后依据峭度准则筛选合适分量,最后将选取的分量进行CWD分析,将时频谱表现出的频率特征与理论故障特征频率对比,识别出齿轮故障特征,实现故障诊断。通过齿轮故障的仿真及实验研究,说明了该方法较传统EMD-WVD方法的优越性,同时验证了该方法的有效性和可行性。

基于深度置信网络的电能质量扰动事件分类

为满足电能质量扰动准确分类的需求,提出了一种基于极大重叠离散小波变换(MODWT)和深度置信网络(DBN)的电能质量扰动分类方法。首先利用MODWT提出一种可靠的电能质量暂态事件检测算法,该算法无需设定检测阈值,可准确获取暂态事件的起止时刻。接着提取暂态事件的电压谐波成分并组成特征向量。然后用DBN分类器对扰动信号进行分类识别,DBN方法比常用的分类方法具有更高的分类准确率和更短的训练时间。通过应用于现场实测扰动数据表明:所提出的方法适用于多种类型的电能质量扰动检测,在少样本情况下具有优越的分类性能。

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题,提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量,然后依据峭度准则,选取峭度较大的分量进行MCKD滤波,最后对滤波后所得信号做Hilbert包络分析,将包络谱呈现的频率特征与理论故障特征频率相比较,识别故障特征,实现故障诊断。通过轴承故障的仿真及实验研究,并对比单一MCKD方法和EMD-MED方法的提取效果,说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰,增强并有效提取出滚动轴承早期低频微弱故障特征。