CN106645985A - 一种基于人工神经网络的雷电流反演方法 - Google Patents
一种基于人工神经网络的雷电流反演方法 Download PDFInfo
- Publication number
- CN106645985A CN106645985A CN201611047663.4A CN201611047663A CN106645985A CN 106645985 A CN106645985 A CN 106645985A CN 201611047663 A CN201611047663 A CN 201611047663A CN 106645985 A CN106645985 A CN 106645985A
- Authority
- CN
- China
- Prior art keywords
- training
- data
- artificial neural
- lightning current
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/08—Measuring electromagnetic field characteristics
- G01R29/0807—Measuring electromagnetic field characteristics characterised by the application
- G01R29/0814—Field measurements related to measuring influence on or from apparatus, components or humans, e.g. in ESD, EMI, EMC, EMP testing, measuring radiation leakage; detecting presence of micro- or radiowave emitters; dosimetry; testing shielding; measurements related to lightning
- G01R29/0842—Measurements related to lightning, e.g. measuring electric disturbances, warning systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Electromagnetism (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是关于一种基于人工神经网络的雷电流反演方法,所述方法包括:获取电磁场数据,并将所述电磁场数据分为训练样本集和测试样本集;对所述训练样本集中的训练数据进行小波降噪和光滑等预处理,得到训练矩阵和训练目标矩阵;建立Elman人工神经网络,通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化,得到所述Elman人工神经网络的网络参数:连接权值;对所述测试样本集中的测试数据进行预处理和合并,并通过优化后的所述Elman人工神经网络进行测试,计算得到雷电流结果。本发明提供的得到雷电流的方法相比直接测量更方便,且无需对每个地区建立一个精确的电磁场‑雷电流模型,适用范围更广。
Description
技术领域
本发明涉及雷电监测技术领域,尤其涉及一种基于人工神经网络的雷电流反演方法。
背景技术
雷电是十大自然灾害之一。它瞬间产生的大电流、高电压和强电磁场,不仅会造成人畜伤亡,对人类赖以生存的自然资源和人类创造的物质财富有巨大的破坏作用,而且还常给电力、通信、石油化工、航空航天、铁道交通,乃至金融证券等国民经济部门的设备设施带来损坏。因此,雷电现象、雷电物理、雷电预警与防护等问题仍是大气电学、电力系统、放电物理等领域的热点研究问题。
通过对自然雷电流的获取,可以帮助确定电力设备或通信设备的防雷等级,国内外对自然雷电流的获得做了大量的研究,其实现途径主要可分为两个:1)直接测量得到;2)利用反演算法得到。在直接测量方法中,利用安装在引雷塔顶端的电流测量线圈获得雷电流。另一方面,雷电流还可以通过测量得到的电磁场数据,建立电磁场-雷电流模型计算得到雷电流,M.Izadia于2013年在他的文章《Evaluation of lightning current usinginverse procedure algorithm》中提出了一种利用雷电流精确计算闪电产生的电磁场的模型,从而使得在已知闪电产生的电磁场时,可以通过粒子群算法寻优,得到雷电流。
但是,利用电流测量装置对雷电流进行直接测量相对较困难,只有当雷电击在安装有电流测量装置的杆塔上时,雷电流才能被直接测量到,然而雷电的雷击点是随机的,故不能保证雷电每次击在安装有电流测量装置的杆塔上;利用反演算法获得雷电流时,必须保证利用雷电流精确计算闪电产生的电磁场的模型十分准确,而电磁场在传播的过程中会有折射和反射等现象,故不同地区电磁场-雷电流模型将会很不一样,计算得到电磁场-雷电流模型的难度也很大。
发明内容
为克服相关技术中存在的问题,本发明提供一种基于人工神经网络的雷电流反演方法。
为了解决上述技术问题,本发明提供如下技术方案:
本发明提供的一种基于人工神经网络的雷电流反演方法,所述方法包括:
获取电磁场数据,并将所述电磁场数据分为训练样本集和测试样本集;
对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵;
建立Elman人工神经网络,通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化,得到所述Elman人工神经网络的网络参数:连接权值;
对所述测试样本集中的测试数据进行预处理和合并,并通过优化后的所述Elman人工神经网络进行测试,得到雷电流结果。
优选地,上述基于人工神经网络的雷电流反演方法中,所述获取电磁场数据,具体包括:
通过闪电光电磁同步观测系统中的电场和电磁场传感器,获得闪电时的电场数据B和磁场数据E;
通过电流测量装置获得电流数据;
从每组电场、磁场中切出长度为400个采样点的波形段。
优选地,上述基于人工神经网络的雷电流反演方法中,所述对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵,具体包括:
从所述训练样本集中取出n组训练数据,其中n不小于5;
将一组所述训练数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的训练矩阵,通过n组数据的组合,得到2×400×n的训练矩阵BE;
将一组所述训练数据中的电流数据进行小波降噪和光滑处理,得到1×400的训练矩阵,通过n组数据的组合,得到1×400×n的训练目标矩阵I。
优选地,上述基于人工神经网络的雷电流反演方法中,所述Elman人工神经网络包括输入层、隐含层、承接层和输出层,所述输入层、承接层和输出层分别与所述隐含层连接。
优选地,上述基于人工神经网络的雷电流反演方法中,所述输入层有2个节点,所述隐含层有2个节点,所述承接层有2个节点,所述输出层有1个节点,所述输入层、隐含层、承接层和输出层通过所述节点相互连接。
优选地,上述基于人工神经网络的雷电流反演方法中,所述对所述测试样本集中的测试数据进行预处理和合并,具体包括:
从所述测试样本集中取出n组测试数据,其中n不小于5;
将一组所述测试数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的矩阵,通过n组数据的组合,得到2×400×n的电磁场输入矩阵BEtest。
优选地,上述基于人工神经网络的雷电流反演方法中,所述利用优化后的所述Elman人工神经网络进行测试,得到雷电流结果,具体包括:
将所述电磁场输入矩阵BEtest作为输入值X,并将输入值X输入已得到所述连接权值的Elman人工神经网络中,得到雷电流结果Y。
本发明提供的技术方案可以包括以下有益效果:
本发明提供的基于人工神经网络的雷电流反演方法包括:获取电磁场数据,并将所述电磁场数据分为训练样本集和测试样本集;对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵;建立Elman人工神经网络,通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化,得到所述Elman人工神经网络的网络参数:连接权值;对所述测试样本集中的测试数据进行预处理和合并,并通过优化后的所述Elman人工神经网络进行测试,得到雷电流结果。本发明基于Elman人工神经网络,通过测量得到的电场数据和电磁场数据,计算得到雷电流数据;且本发明方法计算雷电流时,无需对每个地区建立一个精确的电磁场—雷电流模型,适用范围更广。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于人工神经网络的雷电流反演方法的流程示意图;
图2为本发明实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S100的详细流程示意图;
图3为本发明实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S200的详细流程示意图;
图4为本发明实施例提供的一种基于人工神经网络的雷电流反演方法中Elman人工神经网络的结构示意图;
图5为本发明实施例提供的一种基于人工神经网络的雷电流反演方法中步骤S400的详细流程示意图;
图6为本发明实施例提供的基于人工神经网络的雷电流反演方法得到的雷电流结果与直接测量的雷电流结果的比较图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
参见图1,该图示出了本发明实施例提供的一种基于人工神经网络的雷电流反演方法的具体流程图。
S100:获取电磁场数据,并将所述电磁场数据分为训练样本集和测试样本集。
具体地,获取电磁场数据后,将电磁场数据分为训练样本集和测试样本集,训练样本集用于训练优化Elman人工神经网络,使得Elman人工神经网络适应于闪电时采集到的电磁场数据;测试样本集作为输入数据,通过Elman人工神经网络计算得到雷电流结果Y。
获取电磁场数据的具体步骤参见图2,如下所示:
S101:通过闪电光电磁同步观测系统中的电场和电磁场传感器,获得闪电时的电场数据B和磁场数据E。
具体地,闪电光电磁同步观测系统包括电场、磁场测量仪,其中,电场和磁场测量仪通过电场和磁场传感器,采集闪电时的电场信号和磁场信号,通过对采集到的电场信号和磁场信号进行处理,得到闪电时的电场数据B和磁场数据E。
S102:通过电流测量装置获得电流数据;
具体地,通过电流测量装置测量闪电时的电流数据,用来验证Elman人工神经网络模型的准确度。
S103:从每组电场、磁场中切出长度为400个采样点的波形段。
具体地,为方便处理采集到的电场和磁场数据,从每组电场、磁场中切出长度为400个采样点的波形段,起止点分别为[j-15,j+384],其中j用于指示雷电发生时电场、磁场到达的第一个峰值点。如此处理的原因在于,自然雷电流的波头时间大部分小于2us,示波器的采样频率为10MHz,即0.1us采集一个点,故从波形段起点到第一个峰值点之间取15个数据点即可,而且一般雷电流波形持续时间只有几十微妙(us),故整个波形段取400个点即可。每一组数据应包含离观测点同一距离处的电场和磁场数据。
S200:对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵。
具体地,获得电场数据和磁场数据后,对电场数据和磁场数据进行平滑去燥预处理,分别得到训练矩阵BE和和训练目标矩阵I,具体步骤参见图3,如下所示:
S201:从所述训练样本集中取出n组训练数据,其中n不小于5。
具体地,为方便数据处理,取出n组训练数据,且n等于或大于5,若取出的数据过少,容易出现数据异常,导致准确性降低。
S202:将一组所述训练数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的训练矩阵,通过n组数据的组合,得到2×400×n的训练矩阵BE。
具体地,取出的训练数据包括电场数据和磁场数据,对电场数据和磁场数据进行小波降噪和光滑处理,去除噪音等干扰数据,防止干扰数据影响电场数据和磁场数据处理的准确性,并对电场数据和磁场数据进行合并,得到2×400的训练矩阵;为提高准确度,将n组数据进行组合,得到2×400×n的训练矩阵BE。
S203:将一组所述训练数据中的电流数据进行小波降噪和光滑处理,得到1×400的训练矩阵,通过n组数据的组合,得到1×400×n的训练目标矩阵I。
具体地,取出训练数据中的电流数据,对电流数据进行小波降噪和光滑处理,去除电流数据中的干扰信号,防止干扰信号影响电流数据处理的准确性,得到1×400的训练矩阵;为提高准确度,将n组数据进行组合,得到1×400×n的训练目标矩阵I。
S300:建立Elman人工神经网络,通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化,得到所述Elman人工神经网络的网络参数:连接权值。
具体地,参见图4,该图示出了本发明实施例提供的一种基于人工神经网络的雷电流反演方法中人工神经网络的基本机构。
Elman人工神经网络包括输入层100、隐含层200、承接层300和输出层400,其中,输入层100的输出端连接隐含层200的输入端,隐含层200的输出端分别连接承接层300和输出层400,且承接层300的输出端连接隐含层200的输入端,即承接层300从隐含层200接收反馈信号,用来记忆隐含层前一时刻的输出值,再输入到隐含层200。输入层100、隐含层200、承接层300和输出层400均由一定数量的节点组成,相邻两层之间的节点之间互相连接。优选地,输入层100有2个节点,隐含层200有2个节点,承接层300有2个节点,输出层400有1个节点。
Elman人工神经网络之间的连接权可以进行学习修正,隐含层的传递函数一般为sigmoid函数,其定义为f(z)=1/(1+exp(-z)),输出层为线性函数。
outI(k)=X(k) (1)
netJ(k)=∑(outI(k)wx ji(k)+YL(k)wc jl) (2)
YL(k)=f(netJ(k)) (3)
netL(k)=YJ(k) (4)
YL(k)=YJ(k-1) (5)
netO(k)=YJ(k) (6)
Y(k)=g(wy oj(k)·netO(k)) (7)
其中:X——输入值;
Y——输出值;
YJ——隐含层输出值;
YL——承接层输出值;
k——迭代次序;
I——输入层;
J——隐含层;
L——承接层;
O——输出层;
out()——输入层的输出;
net()——某层的净输入;
f(.)——隐含层神经元的激活函数;
g(.)——输出神经元的激活函数;
wx ji——输入层到隐含层的连接权值;
wy oj——隐含层到输出层的连接权值;
wc jl——承接层到隐含层的连接权值。
输入值X为训练矩阵BE,输出值Y为训练目标矩阵I,根据公式(1)-(7)计算得到Elman人工神经网络的网络参数:输入层到隐含层的连接权值wx ji、隐含层到输出层的连接权值wy oj、承接层到隐含层的连接权值wc jl。
S400:对所述测试样本集中的测试数据进行预处理和合并,并通过优化后的所述Elman人工神经网络进行测试,得到雷电流结果。
具体地,将测试样本集中的测试数据进行光滑平燥预处理,得到测试样本集中的电磁场输入矩阵BEtest,具体步骤参见图5,如下所示:
S401:从所述测试样本集中取出n组测试数据,其中n不小于5。
具体地,为方便数据处理,取出n组测试数据,且n等于或大于5,若取出的数据过少,容易出现数据异常,导致准确性降低。
S402:将一组所述测试数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的矩阵,通过n组数据的组合,得到2×400×n的电磁场输入矩阵BEtest。
具体地,取出的测试数据包括电场数据和磁场数据,对电场数据和磁场数据进行小波降噪和光滑处理,去除噪音等干扰数据,防止干扰数据影响电场数据和磁场数据处理的准确性,并对电场数据和磁场数据进行合并,得到2×400的矩阵;为提高准确度,将n组数据进行组合,得到2×400×n的电磁场输入矩阵BEtest。
S403:将所述电磁场输入矩阵BEtest作为输入值X,并将输入值X输入已得到所述连接权值的Elman人工神经网络中,得到雷电流结果Y。
具体地,训练样本集中的训练数据已对Elman人工神经网络进行训练优化,得到Elman人工神经网络的网络参数:输入层到隐含层的连接权值wx ji、隐含层到输出层的连接权值wy oj、承接层到隐含层的连接权值wc jl,将电磁场输入矩阵BEtest作为输入值X,迭代次序k为1,即X(1)=BEtest,将X(1)=BEtest代入公式(1),根据公式(1)-(7),逐步计算得到输出值Y(1),即雷电流结果Y。
本发明实施例提供的基于人工神经网络的雷电流反演方法通过Elman人工神经网络计算得到雷电流结果Y,该雷电流结果Y与实际测量得到的雷电流结果相当吻合,如图6所示,其误差函数为:
其中:y(k)——网络实际输出;
d(k)——期望输出。
本发明实施例提供的基于人工神经网络的雷电流反演方法包括:获取电磁场,并将电磁场数据分为训练样本集和测试样本集,训练样本集用于训练优化Elman人工神经网络,测试样本集用于计算得到雷电流结果Y;对训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵;建立Elman人工神经网络,通过训练矩阵和训练目标矩阵对Elman人工神经网络进行训练优化,得到Elman人工神经网络的网络参数连接权值,通过公式得到Elman人工神经网络中输入层到隐含层的连接权值wx ji、隐含层到输出层的连接权值wy oj、承接层到隐含层的连接权值wc jl;对测试样本集中的测试数据进行预处理和合并,并通过优化后的Elman人工神经网络进行测试,根据公式,计算得到雷电流结果Y。本发明基于Elman人工神经网络,通过测量得到的电场数据和磁场数据,计算得到雷电流数据。本方法实现了对雷电流的间接测量,相比于利用电流测量装置对雷电流直接进行测量,间接测量方法更加方便,因为在空间中测量雷电产生的电场和磁场,比测量雷电流更加容易。此外,本发明方法得到的雷电流结果与实际测量得到的雷电流结果相当吻合,且无需对每个地区建立一个精确的电磁场-雷电流模型,适用范围更广。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (7)
1.一种基于人工神经网络的雷电流反演方法,其特征在于,所述方法包括:
获取电磁场数据,并将所述电磁场数据分为训练样本集和测试样本集;
对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵;
建立Elman人工神经网络,通过所述训练矩阵和训练目标矩阵对所述Elman人工神经网络进行训练优化,得到所述Elman人工神经网络的网络参数:连接权值;
对所述测试样本集中的测试数据进行预处理和合并,并通过优化后的所述Elman人工神经网络进行测试,得到雷电流结果。
2.根据权利要求1所述的基于人工神经网络的雷电流反演方法,其特征在于,所述获取电磁场数据,具体包括:
通过闪电光电磁同步观测系统中的电场和电磁场传感器,获得闪电时的电场数据B和磁场数据E;
通过电流测量装置获得电流数据;
从每组电场、磁场中切出长度为400个采样点的波形段。
3.根据权利要求2所述的基于人工神经网络的雷电流反演方法,其特征在于,所述对所述训练样本集中的训练数据进行预处理,得到训练矩阵和训练目标矩阵,具体包括:
从所述训练样本集中取出n组训练数据,其中n不小于5;
将一组所述训练数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的训练矩阵,通过n组数据的组合,得到2×400×n的训练矩阵BE;
将一组所述训练数据中的电流数据进行小波降噪和光滑处理,得到1×400的训练矩阵,通过n组数据的组合,得到1×400×n的训练目标矩阵I。
4.根据权利要求1所述的基于人工神经网络的雷电流反演方法,其特征在于,所述Elman人工神经网络包括输入层、隐含层、承接层和输出层,所述输入层、承接层和输出层分别与所述隐含层连接。
5.根据权利要求4所述的基于人工神经网络的雷电流反演方法,其特征在于,所述输入层有2个节点,所述隐含层有2个节点,所述承接层有2个节点,所述输出层有1个节点,所述输入层、隐含层、承接层和输出层通过所述节点相互连接。
6.根据权利要求1所述的基于人工神经网络的雷电流反演方法,其特征在于,所述对所述测试样本集中的测试数据进行预处理和合并,具体包括:
从所述测试样本集中取出n组测试数据,其中n不小于5;
将一组所述测试数据中的电磁场数据进行小波降噪和光滑处理,得到2×400的矩阵,通过n组数据的组合,得到2×400×n的电磁场输入矩阵BEtest。
7.根据权利要求6所述的基于人工神经网络的雷电流反演方法,其特征在于,所述利用优化后的所述Elman人工神经网络进行测试,得到雷电流结果,具体包括:
将所述电磁场输入矩阵BEtest作为输入值X,并将输入值X输入已得到所述连接权值的Elman人工神经网络中,得到雷电流结果Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611047663.4A CN106645985A (zh) | 2016-11-21 | 2016-11-21 | 一种基于人工神经网络的雷电流反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611047663.4A CN106645985A (zh) | 2016-11-21 | 2016-11-21 | 一种基于人工神经网络的雷电流反演方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106645985A true CN106645985A (zh) | 2017-05-10 |
Family
ID=58812146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611047663.4A Pending CN106645985A (zh) | 2016-11-21 | 2016-11-21 | 一种基于人工神经网络的雷电流反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106645985A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
CN108562808A (zh) * | 2018-01-18 | 2018-09-21 | 中国人民解放军陆军工程大学 | 一种雷电回击速度测量方法 |
CN109977814A (zh) * | 2019-03-13 | 2019-07-05 | 武汉大学 | 一种基于一致化LBP的AdaBoost行人检测方法 |
CN111896795A (zh) * | 2020-07-16 | 2020-11-06 | 中国人民解放军陆军工程大学 | 云闪电流波形测量方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124830A (zh) * | 2016-07-11 | 2016-11-16 | 清华大学 | 基于人工神经网络获得雷电流的方法 |
-
2016
- 2016-11-21 CN CN201611047663.4A patent/CN106645985A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106124830A (zh) * | 2016-07-11 | 2016-11-16 | 清华大学 | 基于人工神经网络获得雷电流的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107728234A (zh) * | 2017-09-17 | 2018-02-23 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
CN107728234B (zh) * | 2017-09-17 | 2020-06-16 | 北京工业大学 | 一种基于大气电场数据的雷电强度值预测方法 |
CN108562808A (zh) * | 2018-01-18 | 2018-09-21 | 中国人民解放军陆军工程大学 | 一种雷电回击速度测量方法 |
CN108562808B (zh) * | 2018-01-18 | 2020-06-26 | 中国人民解放军陆军工程大学 | 一种雷电回击速度测量方法 |
CN109977814A (zh) * | 2019-03-13 | 2019-07-05 | 武汉大学 | 一种基于一致化LBP的AdaBoost行人检测方法 |
CN111896795A (zh) * | 2020-07-16 | 2020-11-06 | 中国人民解放军陆军工程大学 | 云闪电流波形测量方法及系统 |
CN111896795B (zh) * | 2020-07-16 | 2023-01-03 | 中国人民解放军陆军工程大学 | 云闪电流波形测量方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106645985A (zh) | 一种基于人工神经网络的雷电流反演方法 | |
CN107358250B (zh) | 基于双波段雷达微多普勒融合的人体步态识别方法及系统 | |
CN103968933B (zh) | 基于模糊域特征的光纤振动信号识别方法 | |
CN106707040B (zh) | 一种利用实测闪电垂直电场获得闪电参数的方法 | |
CN104483598B (zh) | 一种电缆故障检测分析方法 | |
CN106124830A (zh) | 基于人工神经网络获得雷电流的方法 | |
CN109188536A (zh) | 基于深度学习的时频电磁与大地电磁联合反演方法 | |
CN107885940A (zh) | 一种用于分布式光纤振动传感系统的信号特征提取方法 | |
CN108345039B (zh) | 一种消除地面核磁共振数据中邻频谐波干扰的方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN110286155B (zh) | 一种多层复合材料的损伤检测方法及系统 | |
CN104316963A (zh) | 一种异常道识别方法 | |
Li et al. | A VME method based on the convergent tendency of VMD and its application in multi-fault diagnosis of rolling bearings | |
Shangbin et al. | Research on detection method of multi-frequency weak signal based on stochastic resonance and chaos characteristics of duffing system | |
CN109470135A (zh) | Csamt数据静态校正方法 | |
Li et al. | A single-phase-to-ground fault location method based on convolutional deep belief network | |
CN104965134A (zh) | 基于回声状态网络的变电站接地网地表电位分布计算方法 | |
CN110057918B (zh) | 强噪声背景下的复合材料损伤定量识别方法及系统 | |
CN106054028B (zh) | 一种基于时域特征和小波分析的电缆故障自动测距方法 | |
CN107179491A (zh) | 一种基于模式识别的局部放电定位方法和系统 | |
Heng et al. | Acoustic emission source localization on a pipeline using convolutional neural network | |
CN106771928A (zh) | 一种局部放电脉冲初至时刻在线拾取方法 | |
Yu et al. | A method based on VMD improved by SSA for leak location of water distribution | |
CN115047296A (zh) | 一种配电网故障区段定位方法 | |
CN105445719B (zh) | 一种三维激光扫描仪数据滤波方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170510 |
|
RJ01 | Rejection of invention patent application after publication |