基于光伏供电的智能垃圾分类处理系统设计

为了实现生活垃圾的有效分类,提出了一种基于光伏供电的智能垃圾分类处理系统,以单片机系统为基础,实现了智能识别垃圾种类并自动分类的功能。该系统利用可再生能源供电,无需人体接触即可自动开合,对可回收垃圾的分类更加细化,同时增加了上位机监控,大大提高了垃圾箱的功用。对整个项目硬件部分的设计进行了较为详细的研究和系统的阐述,结合软件设计及上位机设计,通过仿真、报表分析与测试验证了基于光伏供电的智能垃圾分类处理系统在社区应用的合理性。     

基于时频混合特征提取算法的光纤传感信号识别研究

针对分布式光纤振动传感系统在实际应用中需对各个类别的传感事件进行快速准确的识别分类,提出了一种基于时频 混合特征提取算法的识别分类方案。 该方案采用具有时域特性的过零率和具有频域特性的小波包能量共同作为光纤传感事件 的特征表述,而后利用基于径向基神经网络的分类器进行识别分类。 经试验测试,该识别方案可以有效的从普通环境噪声中识 别出光纤振动传感事件。 其中,光纤振动传感事件的平均识别率为 94. 5%,识别响应时间小于 0. 3 s。     

基于改进PSO - WNN的电能质量扰动分类研究

提出一种基于改进粒子群算法和小波神经网络相结合的电能质量扰动分类方法.首先利用小波多分辨技术检测电能质量扰动信号,然后提取各类扰动能量特征向量,将此特征向量输入到优化后的小波神经网络进行识别,最后经改进粒子群小波神经网络得到电能质量扰动分类结果.实例仿真计算结果表明,方法可大大提高电能质量扰动分类识别能力.     

基于动态RBF神经网络的模拟电路故障诊断

提出一种基于动态RBF神经网络的模拟电路故障诊断方法.该方法利用小波变换对故障信号进行预处理,提取特征向量建立故障字典,采用最近邻聚类算法构建动态RBF神经网络,利用神经网络对各种状态下的特征向量进行分类识别,实现模拟电路故障诊断.仿真结果表明该方法具有训练速度快,故障准确率高,容错能力强的特点.     

神经网络聚类方法在机械故障诊断中的应用

该文利用神经网络聚类学习方法对机械故障的故障模式进行识别分类,通过实验研究,证明该方法作为一种新的自适应模式识别技术,比传统的聚类方法和基于ＢＰ神经网络故障模式识别方法具有较高的模式分类能力。图１表６参９     

基于电子式传感器的电力系统故障诊断研究

电子传感器具有频带宽、动态性能好、大电流不饱和等特点,可实时准确测量电力系统运行参数.笔者提出了一种基于电子式传感器的短路故障诊断系统,利用小波变换提取电子式传感器检测到的信号特征,采用神经网络进行故障分类和模式识别,并结合专家系统进行电力系统的短路故障诊断,利用MATLAB和C++对系统进行了仿真验证,结果表明该系统...     

基于事件检测与CNN模型的非侵入式负荷识别方法及实现

非侵入式负荷识别是非侵入式负荷监测的一个重要任务.考虑到实际部署的成本问题,负荷识别的算法常常需要在计算能力与内存受限的设备上运行,因此本文提出了一种基于事件检测和卷积神经网络模型的负荷识别方法并在基于STM32微处理器的嵌入式系统上实现.首先引入带边距的滑动窗口,选取合适的特征值使用霍特林T2检验进行事件检测,对检测到的事件使用卷积神经网络模型进行分类从而实现负荷识别,对训练好的神经网络模型进行压缩后部署到嵌入式设备上,在Blued数据集上对压缩后的算法进行整体性能测试,取得了较好的结果.     

基于TensorFlow神经网络的MCR-WPT系统负载与互感识别方法

针对磁耦合谐振式无线电能传输(MCR-WPT)系统负载与互感识别精度低、速度慢等问题,提出一种基于TensorFlow神经网络的双LCC型MCR-WPT系统负载与互感识别方法.该方法基于TensorFlow深度学习框架,采用神经网络模型,将MCR-WPT系统的负载与互感识别问题等效为非线性方程的求解问题,进而转化为深度学习非线性拟合问题,并给出模型的训练方法,最后得到基于TensorFlow神经网络的MCR-WPT系统负载与互感识别模型.通过离线方式训练负载与互感识别模型,并将训练完成的识别模型导入微型控制器,只需要采集系统输入电流值和传输距离就能够实现负载与互感在线同时识别,识别速度快、精度高,有利于系统的实时控制,且成本较低、易于实现,有利于工程推广应用.     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

基于矩特征与概率神经网络的局部放电模式识别

局部放电信号检测时易受随机噪声干扰,会影响到局部放电模式识别的识别率和识别速度。为了提高局部放电模式识别的识别率和识别速度,提出了一种基于矩特征与概率神经网络的局部放电模式识别器。该识别器首先从放电类型的三维谱图中提取矩特征,然后,将矩特征作为概率神经网络的输入对局部放电模式进行识别。采集了尖板放电和球板放电两种放电类型,将所提识别器与反传神经网络、贝叶斯分类器、极限学习机进行了对比。实验结果表明,所提基于矩特征和概率神经网络的局部放电模式识别器的分类效果令人满意。     

超声探伤信号的神经网络识别

提出一种基于傅立叶变换和模式识别技术的奥氏体超声探伤信号的缺陷定性分类方法。该方法利用快速傅立叶变换提取反映缺陷性质的特征值,然后运用BP神经网络对特征值进行缺陷定性识别。实验结果表明,此方法简单易行,且能较好地实现奥氏体的缺陷识别。     

基于分类识别深度置信网络的电力负荷预测算法

针对传统神经网络负荷预测方法收敛速度慢、预测误差大的问题,提出一种基于分类识别的深度置信网络的负荷预测算法。对输入的历史负荷数据进行归一化预处理,并对深度置信网络采用层次无监督贪婪预训练方法分层预训练,将得到的结果作为监督学习训练概率模型的初始值。其深度置信网络由多层受限玻尔兹曼机构成,并采用分类识别机制和对比散度的方法训练预权值,来改善分类识别深度置信网络的学习性能。仿真结果显示,在基于200次负荷训练和温度训练的基础上,该负荷预测算法比自组织模糊神经网络和BP神经网络的收敛速度更快,预测精度更高。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于神经网络的说话人识别算法的研究与实验

人工神经网络通过学习可以实现对输入向量的分类,也就是说,对于经过训练的神经网络,每输入一个矢量,人工神经网络输出一个该矢量所属类别的标号,神经网络的这种分类作用可以运用到说话人识别中.本文在介绍人工神经网络实现对输入向量分类原理的基础上,通过MATLAB实现了基于神经网络学习向量量化方法(LVQ)的说话人识别实验,取得了较为满意的结果.     

基于小波神经网络的电能质量扰动辨识

为了对电能质量进行有效的治理,以提高用电效率,有必要对电能质量扰动进行准确的分类。基于小波的时频分析特点和一种新型的小波神经网络,提出了一种电能质量实用分类方法。利用正交小波对信号进行多分辨率分析,提取各类电能质量变化的能量特征;利用小波神经网络对输入特征矢量进行识别,完成对电能质量的自动分类。研究表明,该方法能有效地区分电压骤降、电压骤升、电压中断、脉冲暂态4种电能质量问题。     

基于小波神经网络的电力电子电路故障模式识别

提出了基于两种不同小波神经网络的电力电子电路故障模式识别方法.针对电力电子电路故障,构造了激活函数型和权值型两种不同的三层小波神经网络,给出了相应的数学模型和学习算法.以三相整流桥电路为例,建立了小波神经网络的输出与故障元之间的对应关系,实现了电路故障的模式识别,并与用普通BP网络识别的结果进行了比较.仿真结果验证了两种故障识别方法的正确性和较好的准确性.     

基于知识图谱的能源行业物资领域的专业语义库的设计和实现

问答系统作为人工智能子领域———自然语言处理领域最核心的功能系统,为人们提供了一种更加智能、高 效、便捷的信息检索方式,也是人工智能研究的重要方向之一.实现问答系统的核心在于构建相关专业领域的语义 库.由于能源行业物资领域的知识具有特殊性以及专业程度较高的特点,因此构造该领域问答系统更有实际价值和意 义.基于文本分析、实体识别、属性分类和神经网络算法设计并实现一个基于知识图谱技术构建的能源行业物资领域 专业语义库.     

最小二乘支持向量机在电能质量扰动分类中的应用

提出一种基于最小二乘支持向量机和小波包分解的电能质量扰动分类方法.对正常电压和几种常见电能质量扰动(电压骤升、电压骤降、电压中断、暂态脉冲、暂态振荡、谐波和电压闪变)进行小波包分解,提取各终节点小波包系数的标准偏差作为特征向量;然后,用自适应优化算法对最小二乘支持向量机进行优化:最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行分类和识别.与BP神经网络分类方法相比,该方法能克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,在样本数较小时仍取得较好的效果.仿真实验验证了该方法对扰动分类的有效性.     

基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

基于深度学习的模拟电路软故障诊断

为降低模拟电路软故障特征提取与分类的人工成本,提高软故障诊断的通用性,提出一种基于深度学习的软故障特征提取方法.利用通道注意力机制对深度学习中的卷积神经网络进行改进,将时域电压波形数据输入至改进的卷积神经网络中进行卷积池化,实现数据降维和故障特征提取,并利用注意力机制对所得的故障特征进行深度选择,突出通道内关键的故障特征,抑制不重要的特征,最终使用Softmax分类器对故障特征分类.针对四运放双二次高通滤波器进行故障诊断,故障诊断平均准确率为98％.实验结果表明改进的卷积神经网络模型可以实现对模拟电路的故障诊断,并避免了传统故障识别耗费大量人工的故障提取和选择.