-
公开(公告)号：CN113095477B
公开(公告)日：2024-02-09
申请号：CN202110287887.7
申请日：2021-03-17
申请人： 西安理工大学 , 中国电力科学研究院有限公司
IPC分类号： G06Q10/04 , G06N3/084 , G06N3/086 , G06N3/0499 , G06Q50/06
摘要： 本发明公开了一种基于DE‑BP神经网络的风电功率预测方法，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE‑BP神经网络模型；步骤4，将DE‑BP神经网络模型用于风电功率的预测，进行风电功率预测。本发明的基于DE‑BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。
-
公开(公告)号：CN113095477A
公开(公告)日：2021-07-09
申请号：CN202110287887.7
申请日：2021-03-17
申请人： 西安理工大学 , 中国电力科学研究院有限公司
摘要： 本发明公开了一种基于DE‑BP神经网络的风电功率预测方法，具体按照如下步骤实施：步骤1，获取风电功率相关数据并进行处理；步骤2，使用梯度下降法和反向传播调整BP神经网络的权值和阈值，建立BP神经网络；步骤3，利用DE算法寻找步骤2建立的BP神经网络初始权值和阈值的最优值，得到DE‑BP神经网络模型；步骤4，将DE‑BP神经网络模型用于风电功率的预测，进行风电功率预测。本发明的基于DE‑BP神经网络的风电功率预测方法，解决了现有技术中存在的预测方法易陷入局部最优值，收敛速度过慢问题。
-
公开(公告)号：CN112634216B
公开(公告)日：2024-02-09
申请号：CN202011485662.4
申请日：2020-12-16
申请人： 西安理工大学
IPC分类号： G06T7/00 , G06N3/0464 , G06N3/08
摘要： 本发明公开了一种基于深度学习模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值>0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。
-
公开(公告)号：CN113657149A
公开(公告)日：2021-11-16
申请号：CN202110763356.0
申请日：2021-07-06
申请人： 西安理工大学
摘要： 本发明公开了一种基于深度学习的电能质量分析与识别方法，包括采集待检测的电能信号，将待检测的电能信号随机分为训练样本集和测试样本集，将训练样本集输入到长短期记忆网络LSTM模型中进行训练，获得训练后的LSTM模型，将测试样本集输入到训练后的LSTM模型中测试电能质量扰动分类情况。本发明用长短时记忆网络作为电能信号分类的模型，通过Softmax函数和反向传播算法对该模型进行训练，使其快速达到收敛，避免了人为介入进行特征提取，直接实现电能质量信号分类，减小了误差，提高了识别精度，实用性较强。
-
公开(公告)号：CN112634216A
公开(公告)日：2021-04-09
申请号：CN202011485662.4
申请日：2020-12-16
申请人： 西安理工大学
摘要： 本发明公开了一种基于深度学习模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值>0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。
-
公开(公告)号：CN112107310A
公开(公告)日：2020-12-22
申请号：CN202011065153.6
申请日：2020-09-30
申请人： 西安理工大学
IPC分类号： A61B5/0402 , A61B5/0472 , A61B5/117 , A61B5/00 , G06N3/04 , G06N3/08
摘要： 本发明公开了基于IWT与AGA‑BP模型的ECG身份识别方法，具体为：步骤1，采集心电信号并去噪；步骤2，采用小波定位方法对去噪后的ECG信号的R波峰值点进行定位；步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用AGA‑BP模型进行ECG信号识别。本发明的基于IWT与AGA‑BP模型的ECG身份识别方法，解决了现有技术中存在的心电信号识别准确率差的问题。
-
公开(公告)号：CN114169585B
公开(公告)日：2024-08-02
申请号：CN202111376441.8
申请日：2021-11-19
申请人： 西安理工大学
IPC分类号： G06Q10/04 , G06Q50/06 , G06F30/27 , G06F18/20 , G06N3/0499 , G06N3/086 , G06N3/048 , G06N7/08 , G06N3/126 , H02J3/00
摘要： 本发明公开了一种马尔可夫链和组合模型的风力发电功率预测方法，具体包括如下步骤：步骤1，采集风电场所记录的数据，通过计算最大李雅普诺夫指数，判定采集的数据是否具备混沌特性；步骤2，利用步骤1中的判断结果，并根据Takens理论重构相空间，得到预测模型的输入数据集；步骤3，利用GA遗传算法优化BP神经网络获得最优权值与阈值的初始值，采用径向基函数神经网络算法对步骤2中的数据进行预测；步骤4，采用马尔可夫链在不同时间动态调整步骤3中不同预测模型的权重系数，输出最终预测结果。采用本发明可以结合不同的预测模型，通过马尔可夫链动态确定不同预测模型的权重。
-
公开(公告)号：CN114169585A
公开(公告)日：2022-03-11
申请号：CN202111376441.8
申请日：2021-11-19
申请人： 西安理工大学
摘要： 本发明公开了一种马尔可夫链和组合模型的风力发电功率预测方法，具体包括如下步骤：步骤1，采集风电场所记录的数据，通过计算最大李雅普诺夫指数，判定采集的数据是否具备混沌特性；步骤2，利用步骤1中的判断结果，并根据Takens理论重构相空间，得到预测模型的输入数据集；步骤3，利用GA遗传算法优化BP神经网络获得最优权值与阈值的初始值，采用径向基函数神经网络算法对步骤2中的数据进行预测；步骤4，采用马尔可夫链在不同时间动态调整步骤3中不同预测模型的权重系数，输出最终预测结果。采用本发明可以结合不同的预测模型，通过马尔可夫链动态确定不同预测模型的权重。
-
公开(公告)号：CN112353397A
公开(公告)日：2021-02-12
申请号：CN202011288643.2
申请日：2020-11-17
申请人： 西安理工大学
IPC分类号： A61B5/318 , A61B5/352 , A61B5/366 , A61B5/117 , A61B5/00 , G06F17/14 , G06K9/62 , G06N3/04 , G06N3/08
摘要： 本发明公开了一种心电图信号身份识别方法，具体按照如下步骤实施：步骤1，采集ECG信号并进行滤波处理，得到滤波后的ECG信号；步骤2，采用小波变换检测QRS波，得到Q、R、S时间点；步骤3，采用局部加窗小波变换检测P波和T波，得到P波和T波起止和峰值点；步骤4，通过QRS波、P波和T波时间点构造ECG特征值；步骤5，采用概率神经网络PNN算法对ECG进行身份识别。本发明的目的是提供一种心电图信号身份识别方法，能实现多目标分类且分类精度高以及对硬件设施要求小。
-
公开(公告)号：CN112257518A
公开(公告)日：2021-01-22
申请号：CN202011060834.3
申请日：2020-09-30
申请人： 西安交通大学第二附属医院 , 西安理工大学
摘要： 本发明公开了一种基于WT与WOA‑PNN算法的ECG身份识别方法，具体按照如下步骤实施：步骤1，采集心电信号，进行预处理去噪，得到去噪后的ECG信号；步骤2，对步骤1去噪后的ECG信号采用小波定位方法对R波峰值点进行定位；步骤3，通过步骤2所得R波峰值点，确定QRS波群位置，确定P波与T波的峰值点、起点与终点；步骤4，基于步骤2和步骤3得到的QRS波群、P波和T波的峰值点、起点和终点进行组合得到特征向量，然后运用WOA‑PNN算法进行ECG信号识别。本发明的基于WT与WOA‑PNN算法的ECG身份识别方法，解决了现有ECG识别过程中，对小容量多分类样本识别精度不高的问题。
-
-
-
-
-
-
-
-
-
搜索结果
10 条记录 (耗时 0.041 秒)
