基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于 BP 神经网络的无人机IMU 多传感器冗余的补偿算法

针对无人机多传感器数据决策时存在的数据可靠性不足以及资源浪费的问题,提出一种基于 BP 神经网络的无人机惯 性测量单元(IMU)多传感器冗余的补偿算法。 将低精度的 IMU 传感器数据输入到 BP 神经网络,利用 BP 神经网络的非线性拟 合能力,补偿低精度 IMU 数据的误差,然后利用基于置信度的数据仲裁算法对多个较高精度数据进行仲裁,输出经过数据融合 后的传感器数据,此过程还可以进行传感器故障判断和定位。 通过改变同类型传感器安装方式解决奇点问题。 实验结果表明, 经过神经网络误差补偿后,误差比原来减小了 55. 2%,比使用卡尔曼滤波算法进行误差补偿后的误差小 53. 9%。 此算法充分发 挥了冗余传感器设计的优势,提高了传感器系统的可靠性。     

基于IFWA-BP神经网络的线风速数据融合研究

针对时差法测量线风速受环境因素影响,导致测量结果不准确的问题,提出一种基于自适应烟花-BP神经网络(IFWA-BP)的数据融合方法。将线风速信息和环境信息进行数据融合,通过多源信息互补减小线风速测量的不准确性。自适应烟花算法是在烟花算法中引入自适应惯性权重,并对爆炸算子进行改进,增强了烟花算法的全局搜索能力,从而优化BP神经网络中的权值和阈值的寻优过程。为了比较IFWA-BP融合模型的融合效果,进行了多算法融合模型对比实验,实验结果表明IFWA-BP融合模型减小了线风速测量的误差,使线风速测量系统的精度达到了98.48%。     

基于纵横交叉优化BP神经网络的变压器故障诊断研究

为提高电力变压器故障诊断的准确率,提出一种基于纵横交叉算法改进BP神经网络的故障诊断方法。该方法在BP神经网络结构的基础上,利用纵横交叉CSO算法对BP神经网络的权值和阈值进行优化,得到最优的权值和阚值向量,并将优化值代入BP神经网络训练模型中,然后利用BP神经网络的自学习功能进行训练,最终得到基于CSO-BPNN的变压器故障诊断模型。将提出的基于CSO-BPNN算法的故障诊断结果与标准BP神经网络算法故障诊断结果进行对比。测试结果表明,CSO-BPNN算法融合了CSO算法和BPNN算法的优点,能更有效地提高变压器故障诊断的识别精度,具有良好的工程实用价值。     

基于DSP的BP神经网络真空度数据采集系统

设计了基于DSP芯片TMS320F2812和BP神经网络数据融合的真空度信号数据采集融合系统。首先,利用横磁场脉冲磁控法和屏蔽罩电位法双传感器,对真空灭弧室进行真空度检测,采集的模拟信号经放大处理后通过DSP转换到数字信号;其次,利用BP神经网络方法进行数据融合,以获取准确的采样数据。BP神经网络的训练过程需要的时间长、数据量大,所以利用特征向量进行训练的环节在MATLAB上实现,将训练好后得到的权值矩阵和阈值向量嵌入到DSP中;然后,对真空灭弧室的真空度采集数据处理后的融合值由TMS320F2812的e CAN模块串行通信到上位机由VB可视化页面对数据进行检测分析。重点提出的基于DSP的BP神经网络数据融合技术的数据处理方法和串口通信,并实验证明这种方法具有良好的容错性,诊断结论的可信度明显提高,能够有效提高测量数据的稳定性和准确度。     

基于GA优化BP神经网络的小电流接地故障选线方法

将GA优化BP神经网络的算法引入到小电流接地故障选线方法中。文中基于MATLAB进行仿真试验，通过小波包法、五次谐波法、基波比幅比相法及零序有功功率法等传统选线方法，将零序电流信号的各种特征量进行提取，经过故障测度函数计算得到故障测度数据，将数据分别输入到GA-BP神经网络与单一BP神经网络进行训练和测试，讨论GA-BP神经网络算法与单一BP神经网络算法选线性能的差异，输出故障选线结果并与基于各选线方法的故障测度数据进行对比。结果表明，综合多种传统选线方法的GA-BP神经网络准确率明显高于传统选线方法，且其选线速度与精度优于单一BP神经网络，能够更快速、有效地进行故障选线，满足配电网故障选线要求。     

基于PSO改进的BP神经网络数据手套手势识别

针对5DT数据手套手势识别这一问题,提出BP神经网络和PSO算法相结合的识别方法。首先利用特征提取和归一化方法建立通用手势模板,并基于此模板采用BP神经网络进行训练学习,同时通过PSO算法修正BP神经网络的权值和阈值,将训练完毕的神经网络用于实际操作过程中的手势识别。该方法既保留了BP算法结构简单、易于实现的优点,同时避免了不同操作者复杂的标定过程。仿真和实验结果表明,所提出的控制方法有效的缩短了学习时间,并且提高了识别过程的实时性和精确性。     

基于改进果蝇算法优化BP神经网络的接地网腐蚀速率预测模型

为进一步提高接地网腐蚀速率的预测精度,解决传统模型易陷入局部最优且随机初始化模型参数影响预测准确性和稳定性的问题。文中首先将混沌映射、动态搜索半径策略和优化气味浓度判定公式引入果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)得到改进后的果蝇优化算法(Update Fruit Fly Optimization Algorithm,UFOA);然后利用UFOA优化BP神经网络的初始权值和阈值,建立基于UFOA优化的BP神经网络接地网腐蚀速率预测模型(UFOA-BP);最后以重庆24座变电站的接地网数据进行实验验证。结果表明相对FOA优化的BP神经网络模型、BP神经网络模型、人工蜂群算法优化的支持向量机模型和广义回归神经网络模型,文中提出的UFOA-BP模型在预测精度和模型稳定性方面均优于其他四种模型,验证了该模型的有效性和可行性,为运维人员提前发现接地网安全隐患,并安排检修,进而保障电网安全稳定运行提供帮助。     

遗传算法在前向神经网络参数估计中的应用

人工神经网络在很多领域有着成功的应用,神经网络参数估计有许多训练算法,BP算法是前向多层神经网络的典型算法,但BP算法有时会陷入局部最小解,遗传算法是一种随机优化技术,它可以发现全局优解。本文介绍了遗传算法在前向多层神经网络参数估计中的应用,并对标准遗传算法进行了适当的改进。结合具体例子给出了算法实现的操作步骤和实验结果。实验数据表明采用遗传算法得到的神经网络参数是最优的,神经网络的性能优于基于BP算法的神经网络性能。     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

基于优化概率神经网络的驾驶员疲劳检测

针对驾驶员面部疲劳检测问题，提出了一种基于遗传算法优化概率神经网络(PNN)的驾驶员疲劳检测算法。采用基于HOG特征的人脸检测器检测脸部，使用ERT算法进行关键点定位，计算PERCLOS值、眨眼频率、单位时间内打哈欠的时间占比、点头频率4个疲劳特征参数，将其输入到PNN中进行疲劳判别，并使用遗传算法优化PNN的平滑因子，提高疲劳分类准确率。使用NHTU-DDD数据集和YawDD数据集训练网络，使用自采集样本验证模型泛化性能，实验中与SVM、BP神经网络以及未优化的PNN模型对比，SVM、BP神经网络以及未优化的PNN的准确率分别为95.67%，97.67%，95.33%，所提的优化的PNN模型准确率为98.67%，验证了算法的有效性。     

基于数据融合技术的火灾探测算法

提出了一种基于数据融合技术的火灾探测算法.此算法采用数据融合系统的三层结构,在特征层利用BP神经网络对明火和阴燃火分别进行特征识别,识别结果结合火灾危险度因子,综合得出系统多级决策输出.火灾危险度因子的引入为火灾漏电保护系统等的相关信息融合提供了算法接口,使系统能对电气火灾提供更加可靠的防范.     

关于 PDR 算法步长估计模型的改进研究

为了更加精确地判别基于微惯性测量单元( IMU)的行人定位信息,本文深入研究了传统行人航迹推算(PDR)算法模 型,发现传统算法所采用的判别条件单一且精准度不高。 针对传统算法中步长估计模型不准确的问题,本研究首先提出一种基 于扩展卡尔曼滤波的误差补偿优化算法,以实现 IMU 内集成的加速度计、陀螺仪等传感器的误差补偿。 将优化后的原始数据 放入 BP 神经网络算法对单参数步长估算经验模型进行训练。 实验结果表明,基于 BP 神经网络融合基础模型的步长算法相比 单纯的基础步长模型,闭环精度提高了 0. 3%以上,开环误差减小了 8. 5 倍,基于 BP 神经网络的改进 PDR 算法可以有效抑制惯 性算法的误差发散。     

基于信号统计模型的变电站半遮挡融合定位方法

变电站存在建筑遮挡和电磁干扰等问题,这导致传统的基于电磁波定位的人员管控方法精度快速下滑。为避免因单传感器定位精度劣化而导致的电力安全管控效率降低问题,研究基于多源信息融合的巡检人员位置估计技术至关重要,而现有融合定位方法大多难以在地图信息未知的条件下鲁棒地选择传感器融合策略,因此文中提出一种基于卫星和近超声信号特征分析的融合定位方法,仅依靠信号统计特征实现环境信息判别并自适应选取融合策略。首先,利用多传感器信号特征统计模型构建指纹库,并基于t分布随机近邻嵌入(t-distributed stochastic neighbor embedding,t-SNE)降维算法和密度峰值聚类(density peaks clustering,DPC)算法处理指纹库数据。其次,依据聚类结果搭建反向传播(back propagation,BP)神经网络,将信号环境特征与卡尔曼滤波器的参数映射。最后,使用神经网络输出优化基于卡尔曼滤波的多源定位切换模型,形成自适应的融合定位方法。利用真实变电站半遮挡环境采集数据进行实验,结果表明,相较于未知环境信息、已知环境信息的融合定位方法,所提出的方法在地图信息未知的情况下节约了地图标定信息,实现了高鲁棒的位置估计。     

根据UHF信号特征的GIS局部放电模式识别

综合自适应遗传算法和BP算法各自的优点,构造了基于两者混合训练的神经网络,应用到GIS局部放电超高频的模式识别。分别用基于自适应遗传算法的神经网络、基于BP算法的神经网络,以及基于自适应遗传算法和BP算法混合训练的神经网络对用局部放电超高频检测系统检测到的GIS中4种模式的局部放电进行了识别。实验结果表明,基于自适应遗传算法和BP算法混合训练的神经网络提高了神经网络训练的收敛速度,保证了收敛的可靠性,具有较高的识别率和较强的泛化能力。     

基于BP-EKF算法的电动汽车电池管理系统SOC精准估计

以数字信号处理器DSP(TMS320LF2407)为主控芯片,完成了电动汽车电池管理系统平台的搭建。电池荷电状态(SOC)的精准估计是电动汽车电池管理系统的核心任务之一,本文为提高SOC估计的准确性,提出了基于BP神经网络法与拓展卡尔曼滤波(EKF)法相结合的一种新算法(BP-EKF)。在对磷酸铁锂电池进行试验分析之后,运用Matlab的人工神经网络工具箱建立BP神经网络,并利用试验得到的数据对所建立的BP神经网络进行训练,从而利用训练好的BP神经网络优化补偿拓展卡尔曼滤波算法的估计结果。经过仿真实验验证两种算法的准确性,结果表明,与单纯的EKF滤波法相比,基于BP-EKF算法的SOC估计值的准确性有了显著的提高,且具备很好的适用性。     

基于BP神经网络的模拟电路故障诊断研究

在简要介绍标准BP神经网络基本原理的基础上。详细说明了基于改进BP神经网络算法的模拟电路故障诊断方法和设计步骤，根据网络总误差来自适应调节网络的学习率，加速网络的收敛过程。此算法应用于电路的故障诊断，能够对被测电路的故障进行有效并且精确的分类。以折线式有效值测量电路为例，设计了基于改进BP神经网络算法的模拟电路故障诊断系统，以实际测试数据作为训练样本进行学习训练后，对其它实际测量数据进行诊断，结果正确，验证了算法的有效性。     

基于小波去噪的BP神经网络短期风功率预测方法设计

为了减小电网波动,提高电网调度的安全性、稳定性,风功率预测的研究尤其重要。运用基于小波去噪的BP神经网络算法进行风功率预测,通过建立预测模型对历史数据进行训练、仿真调试,找到最优组合方式。与传统的BP神经网络预测对比,基于小波去噪的BP神经网络算法明显提高了预测精度。     

基于季节调整与神经网络融合算法的售电量预测

正针对月度售电量波动性大、随机性强、精准预测困难的特点,本文构建了一种结合数据预处理(X11加法模型)和BP神经网络算法的预测模型,结合宏观经济及自然环境采用历史售电量、固定资产投资、梯度温度等输入参数进行月度售电量预测。实际结果表明,基于X11-BP神经网络融合算法进行售电量预测,能够较好模拟月度售电量的波动性,比单一BP神经网络预测精度更高,可为电网公司和售电企业生产经营及规划计划管理提供重     

基于粒子群优化BP神经网络的速度观测器

利用BP神经网络可以逼近任意的非线性关系的特点,构建一个神经网络速度观测器.由于BP神经网络的初始权值和阈值的选择存在随机性,对网络的性能影响很大,但又无法准确获得,提出将PSO算法与BP算法结合的方法,通过粒子群算法优化BP神经网络,得到最佳初始权值和阈值,提高了速度观测器的精度.通过实验采集的数据来训练这个神经网络,实验结果证明了该方法的有效性.