变压器绕组短路故障多特征融合诊断

绕组匝间短路是变压器最常见的初期故障类型之一.为了提高轻度故障的诊断准确率,考虑绕组短路电流、绕组温度、电流密度和磁通偏移特征,提出了变压器绕组短路故障的多特征融合诊断方法.首先建立了变压器绕组短路的COMSOL空间模型,将仿真结果和理论计算结果进行对比,证明空间模型的正确性.然后,对变压器轻度故障时进行了故障模拟和故障特征分析,提取其电流特征参量、温度特征参量、电流密度偏移率和磁通偏移率作为故障特征.采用BP网络进行故障识别.变压器的工程诊断实例验证了本文方法的有效性.     

光伏模组积灰与阴影特性分析及识别方法

针对光伏模组积灰与阴影特性识别问题,详细分析了积灰和阴影的光伏特性曲线差异,揭示了阴影光伏曲线的拐点时变特性。提出由特性曲线的拐点数量及电流电压特性条件共同构成训练模型的输入特征量,基于CatBoost算法训练积灰和阴影识别模型。最后,利用光伏模组实测数据对CatBoost算法、ID3和GA-BP算法训练出的识别模型进行性能分析和对比测试,结果表明基于CatBoost训练出的识别模型输入量区分性强、诊断精度高,极具工程应用价值。     

雷达辐射源信号双谱二次特征提取方法

现有的双谱特征提取方法可以满足信号分类识别，但是出现了交叉项、平凡双谱以及特征维数过高等一些问题。针对以上问题，提出一种双谱二次特征提取方法，将双谱转化为灰度图像，以灰度值表示双谱幅度；再利用图像处理技术提取双谱二次特征，提取出能够表征辐射源信号双谱图像纹理信息的灰度共生矩阵特征集；将该特征集与Hu-不变矩特征集进行对比实验。仿真结果表明：该方法具有更好的分类识别性能，对于CW、LFM和NLFM信号的平均识别率均达90%以上。     

多层前向网络在非均匀介质参数识别中的应用

将多层前向神经网络技术和计算力学方法相结合应用于非均匀介质参数识别,提出了一种新的Ｓｉｇｍｏｉｄ函数,使用前网络能较好实现全局最优逼近,采用有限元法获得神经网络训练所需的样本集,然后通过实测点的位移值用三层人工神经网络对非均匀介质进行参数识别,计算机数值实验表明,这种方法是有效的,所得结果具有相当的精度。     

基于小波分析的被动声纳信号宽带噪声包络调制分析

采用小波分析理论建立了一种新的被动声纳信号宽带噪声包络调制分析算法。通过被动声纳的海上实际信号的分析实验,取得了良好的检测效果且可以节省计算时间,具有很好的应用前景。     

基于语音识别的说话人身份辨识系统

提出一种在小字库孤立语音条件下,集成语音识别与说话人的识别技术,并进行说话人身份代码（密码）识别、认证．利用语音信号的短时分析技术进行孤立词的单元分割,采用临界带特征矢量作为语音信号特征,分析了经典语音识别算法——动态时间规整算法,提出了对语音模板各帧加权的改进方法．为提高识别响应速度,研究了多门限多轮次的判决方法,在增加多套模板、提高识别率的情况下,降低了系统的响应时间．     

对流扩散方程参数识别的扰动方法

采取扰动方法确定对流扩散方程的未知参数,并应用正则化方法求解所得到的线性方程组,具有计算稳定,易于实行等优点。     

σ^70因子抗体能特异性地识别其他转录因子

通过免疫印迹法研究了抗大肠杆菌ＲＮＡ聚合酶σ因子的抗体对产气杆菌、金黄色葡萄球菌和不同生长阶段的无蓝色链霉菌细胞内蛋白质的免疫识别作用。结果表明,抗大肠杆菌ＲＮＡ聚合酶σ因子抗体能特异性地识别上述微生物细胞内的一些蛋白质。在数量和种类上几乎完全与大肠杆菌相同。     

二聚雌二醇分子钳的合成及分子识别性能的研究

通过二亚甲基苯和二亚甲基吡啶桥联两发了子雌二醇,而得到一类新型的钳型分子受体,经ＭＳ,ＩＲ,＾ＨＮＭＲ及元素分析确证了其结构,利用分光光谱滴定法考察基分子识别性能,结果表明,该类分子钳（ｍｏｌｅｃｕｌａｒｔｗｅｅｇｅｒ）可识别芳胺及其衍生物。     

节点自删除神经网络及其在磨粒识别中的应用

在前向多层神经网络的基础上,提出了一种新的节点自删除神经网络模型。该神经网络根据隐层节点输出的相似性能够自动地进行网络节点的删除。对网络中冗余节点的删除,使网络尺寸得到优化,这一定程度上也解决了前向多层神经网络的推广性和学习问题。在Ｐａｒｔｙ－４问题的实例中,通过对惯性ＢＰ算法网络和该节点自删除网络的比较,充分说明了该节点自删除神经网络在各方面的优越性。铁谱磨粒识别一直是一个困难的课题,应用自删除神经网络模型在该实例中,也取得了较好的识别效果。