CN110728360B - 一种基于bp神经网络的微能源器件能量识别方法 - Google Patents
一种基于bp神经网络的微能源器件能量识别方法 Download PDFInfo
- Publication number
- CN110728360B CN110728360B CN201910967418.2A CN201910967418A CN110728360B CN 110728360 B CN110728360 B CN 110728360B CN 201910967418 A CN201910967418 A CN 201910967418A CN 110728360 B CN110728360 B CN 110728360B
- Authority
- CN
- China
- Prior art keywords
- micro
- neural network
- energy
- model
- energy device
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 239000000446 fuel Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0046—Arrangements for measuring currents or voltages or for indicating presence or sign thereof characterised by a specific application or detail not covered by any other subgroup of G01R19/00
- G01R19/0053—Noise discrimination; Analog sampling; Measuring transients
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0084—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring voltage only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2503—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques for measuring voltage only, e.g. digital volt meters (DVM's)
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
- G01R19/2509—Details concerning sampling, digitizing or waveform capturing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
- H02S50/10—Testing of PV devices, e.g. of PV modules or single PV cells
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Fuel Cell (AREA)
- Complex Calculations (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于BP神经网络的微能源器件能量识别方法,包括如下步骤:S1、采集微能源器件开路状态下的动态电压,获得原始电压信号,并对原始电压信号进行自适应阈值小波变换处理以去噪;S2、提取去噪后电压信号的波峰R,从而得到模型输入数据;S3、建立BP神经网络模型,输入数据对模型进行训练,训练误差小于预定值时停止训练,得到合格的BP神经网络模型;S4、利用步骤S3中得到的BP神经网络模型区分不同的微能源器件类型。通过本发明能够进行较为准确快速的能量识别分类,分类结果可靠;本发明的方法抗干扰能力强;选用了在微能源器件能量信号比较中影响比例较高的几个特征量。
Description
技术领域
本发明涉及智慧微能源系统领域,尤其涉及一种基于BP神经网络的微能源器件能量识别方法。
背景技术
目前,具有自传感、自唤醒、自主学习、自主适应等特点的智慧微能源系统逐渐开始取代传统能量管理系统。其中,对于输入能量的准确识别是智慧微能源系统的关键所在。
由于微能源器件的电压信号受到材料本身以及工艺技术等外部因素的干扰,因此其电压信号中可能存在多种强弱不同或频率不同的噪声,如何提高噪声的适应性和去噪效果也是微能源器件能量识别中亟待解决的问题之一。
目前,机器学习的研究方向主要包括决策树、随机森林、人工神经网络、贝叶斯学习等方面的研究。与K近邻算法、贝叶斯分类器算法等传统的机器学习算法相比,BP神经网在以下几个方面有着明显的优势:
1)BP神经网络具有更强的自学习和自适应能力,在其训练学习时能自动提取输出数据特征,并自适应的将所学习内容记忆于网络权值中。
2)BP神经网络相比于传统机器学习算法具有更好的泛化能力。泛化能力通常指机器或者神经网络经过大量数据训练学习后,是否具备处理除训练数据以外的其他数据的能力。以智慧微能源系统为例,若用常见的机器学习算法如朴素贝页斯分类器算法对多种微能源器件的输出电学形式进行分类,则该算法只会对当前的训练集样本(即各个微能源器件开路时的动态电压)进行分类并提取特征,而对于其他数据样本的特征提取效果较差。相比之下,有监督的BP神经网络模型,将整个模型的训练过程分为信号的正向传播和误差的反向传播这两个过程,首先训练数据进入模型时进行正向传播,若输出层得到的结果和预期输出结果存在误差,第二步则进行误差的反向传播并更新隐藏层权重,直到误差减至最小,依此迭代训练学习完的模型权重达到最优值。此时模型具有较好的泛化能力,使其对于其它数据样本也可以进行较为准确地分类识别功能。
3)BP神经网络具有较好的容错能力,即当BP神经网络部分神经元受损时对整个模型的特征分类识别准确率影响不大。
4)BP神经网络具有较好的非线性映射能力。BP神经网络的实质是实现了一种输入到输出的映射功能,且数学理论证明三层BP神经网络结构其隐藏层神经元个数足够多时,该神经网络能够以任意精度逼近任何非线性连续函数。
发明内容
本发明公布了一种基于BP神经网络的微能源器件能量识别方法,通过有监督的BP神经网络模型对微能源器件输出电学形式进行特征识别及分类,提高了对复合微能源器件能量快速识别的准确率。为解决上述技术问题,本发明具体采用如下技术方案:
一种基于BP神经网络的微能源器件能量识别方法,包括如下步骤:
S1、采集集成微能源器件开路状态下的动态电压,获得原始电压信号,并进对原始电压信号行通过自适应阈值小波变换以去噪;
S2、提取对去噪后的电压信号的波峰值R,从而得到模型输入数据;
S3、建立BP神经网络模型,将步骤S2中提取的去噪后的电压信号的波峰值R、噪声特征及样本采样率归一化后作为模型的输入,集成微能源器件各自的特征中心为模型的输出,输入数据对模型进行训练,训练误差小于预定值时停止训练,得到合格的BP神经网络模型;
S4、利用步骤S3中得到的BP神经网络模型区分不同的微能源器件类型。
优选的,所述步骤S1包括:
S101、对集成微能源器件开路时的动态电压进行持续采样获得原始的电压信号;
优选的,所述步骤S2包括:划分每一段动态电压的时间窗口,并在窗口内寻找极大值点,从而找到需要采集的波峰值R的位置,得到总数据集。
优选的,所述步骤S3包括:
S301、初始化BP神经网络的结构;
S302、在BP神经网络模型中输入去噪后的电压信号、噪声特征及样本采样率归一化后的数据;
S303、设定误差函数;
S304、将所述总数据集分为训练集和验证集,将训练集分为两次输入到BP神经网络模型中,第一次输入后得到更新网络权值和更新网络阈值;
S305、第二次输入后到训练误差为1%时停止训练,确定最终网络权值和最终网络阈值,得到合格的基于BP神经网络的微能源器件能量识别模型;
S306、若达不到步骤S305中所述训练误差,则增加新的数据样本以增加第一次输入训练的数据样本来更新网络权值和网络阈值,继续执行步骤S305。
优选的,所述步骤S301中的初始化BP神经网络的结构包括选定输入层结点数,隐藏层结点数,及输出层结点数,并在范围[-1,1]之间随机选取隐藏层权系数和输出层的权系数,确定学习速率和平滑因子,选择模型的激活函数。
优选的,所述训练误差包括第一次输入更新的网络权值平均值与所述最终网络权值平均值之间的差值以及第二次输入更新的所述网络阈值平均值与所述最终网络阈值平均值之间的差值。
优选的,所述步骤S3还包括:将合格的模型存入模型池,并对合格的模型进行计数,当其个数达到X时使用测试集对得到的X个合格模型进行测试并记录模型准确率,得效果最佳的模型所对应的参数。
优选的,所述集成微能源器件为微型燃料电池、振动能量收集器及微型光伏电池。
相对于现有技术,本发明具有如下有益效果:
通过本发明的方法能够进行较为准确快速的能量识别分类,分类结果可靠,对复合微能源器件能量的分类识别具有一定的指导意义;本发明的方法抗干扰能力强,选用了在微能源器件能量信号比较中影响比例较高的几个特征量,其中包括微能源器件开路时的动态电压(去噪后)、噪声特征以及样本的采样率。采用BP神经网络对复合微能源器件能量进行特征识别分类,BP神经网络模型较好的容错能力和非线性映射能力,使个别特征量的偏差不会对总体的分类结果产生较大影响,使得分类识别的结果具有较高的可靠性和准确性。
附图说明
图1为本发明流程示意图。
图2为本发明中所述BP神经网络分析流程示意图。
具体实施方式
下面结合附图和实施例来详细说明本发明的具体内容。
如附图1和2所示,本发明公布了一种基于BP神经网络的微能源器件能量识别方法,本实施例通过对三种微能源器件(微型燃料电池、振动能量收集器及微型光伏电池)开路时的动态电压进行持续采样获得原始的电压信号,并将含有噪声和复杂冗余信息的采样电压信号采用小波变换去除原始数据的噪声干扰,从而完成电压数据信号的预处理。
由于微能源器件的电压信号受到材料本身以及工艺技术等外部因素的干扰,因此其电压信号中可能存在多种强弱不同或频率不同的噪声,为了提高噪声的适应性和去噪效果,选用自适应阈值小波变换算法对原始电压信号进行去噪处理。
自适应阈值小波变换算法公式如下:
其中γ是阈值,wj,k是小波分解系数。
通过小波阈值去噪处理能够一定程度减少原始电压信号数据中的低尺度高频率干扰信号,然后对去噪后的电压信号进行波峰值R的提取,从而得到离散电压数据。因为电压信号的能量大多数聚集于波峰,因此把波峰视作为电压的能量峰值。通过划分每一段动态电压的时间窗口,并在窗口内寻找极大值点,从而找到需要采集的波峰值R的位置。
设总数据集的样本数为K,从总数据集中随机选取M个样本构成训练集作为BP神经网络的输入,每个样本中包含N个波峰值R,M个样本中包涵M*N个波峰值,按照T时间计算训练样本的采样率约为另测试集的样本数量为K-M。
建立BP神经网络模型,本发明模型采用包含输入层、隐藏层及输出层的三层网络结构。在整个训练过程中,首先将训练集样本数据输入到BP神经网络中,训练获取神经网络预测模型,建立BP神经网络模型的主要步骤为:
S301、初始化BP神经网络的结构,选定输入层结点数i,隐藏层结点数为j个,及输出层结点数n,并在范围在[-1,1]之间随机选取隐藏层权系数的v[i][j]和输出层的权系数w[j][n],确定学习速率a和平滑因子b,选择sigmoid函数为模型的激活函数。
S302、将前述去噪后的动态电压的波峰值R、噪声特征及样本采样率归一化后作为模型的输入,模型的输出为三种微能源器件各自的特征中心。
S303、给各连接权值分别赋一个区间[-1,1]内的随机数,设定误差函数为
其中doi为对应数据的期望输出向量,yooi为对应数据的输出层输出向量。
具体训练步骤如图2所示,本发明中将训练集分为两次输入,第一次输入m个训练样本,第二次输入n个训练样本,其中m+n=M。M为训练样本总数。(初次选定m=n=M/2,具体结合实际数据进行调整)
S304、第一次包含m个样本的训练集输入到BP神经网络分类预测模型中,得到更新的网络权值和更新的网络阈值。
S305、第二次将另外包含n个样本的训练集输入到BP神经网络分类预测模直至训练误差为1%时停止训练,确定最终网络权值和最终网络阈值,得到合适的微能源器件能量识别模型。
所述训练误差包括第一次输入更新的网络权值平均值与所述最终网络权值平均值之间的差值以及第二次输入更新的所述网络阈值平均值与所述最终网络阈值平均值之间的差值。
S306、若训练时达不到训练误差,则增加新的数据样本以增加第一次输入训练的数据样本来更新网络权值和网络阈值,继续执行步骤S305。
为了能得到效果最佳的模型,本发明所述的识别方法还可包括将合格的模型存入模型池,并对合格的模型进行计数,当其个数达到X时,使用测试集对得到的X个合格模型进行测试并记录模型准确率,得效果最佳的模型所对应的参数。
在利用本发明中所述的BP神经网络分类预测模型对微能源进行识别时,只需将待测试微能源数据输入模型中,从而可得到分类识别的结果。
最后说明的是,以上实施例仅用以说明本发明技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于BP神经网络的微能源器件能量识别方法,其特征在于,包括如下步骤:
S1、采集集成微能源器件开路状态下的动态电压,获得原始电压信号,对原始电压信号通过自适应阈值小波变换去噪;
S2、提取去噪后的电压信号的波峰值R;
S3、建立BP神经网络模型,将步骤S2中提取的去噪后的电压信号的波峰值R、噪声特征及样本采样率归一化后作为模型的输入,集成微能源器件各自的特征中心为模型的输出,输入数据对模型进行训练,训练误差小于预定值时停止训练,得到合格的BP神经网络模型;
S4、利用步骤S3中得到的BP神经网络模型区分不同的微能源器件类型。
3.根据权利要求2所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,步骤S2包括:划分每一段动态电压的时间窗口,并在窗口内寻找极大值点,从而找到需要采集的波峰值R的位置,得到总数据集。
4.根据权利要求3所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,步骤S3包括:
S301、初始化BP神经网络的结构;
S302、在BP神经网络模型中输入去噪后的电压信号、噪声特征及样本采样率归一化后的数据;
S303、设定误差函数;
S304、将所述总数据集分为训练集和验证集,将训练集分为两次输入到BP神经网络模型中,第一次输入后得到更新网络权值和更新网络阈值;
S305、第二次输入后到训练误差为1%时停止训练,确定最终网络权值和最终网络阈值,得到合格的基于BP神经网络的微能源器件能量识别模型;
S306、若达不到步骤S305中所述训练误差,则增加新的数据样本以增加第一次输入训练的数据样本来更新网络权值和网络阈值,继续执行步骤S305。
5.根据权利要求4所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,所述步骤S301中的初始化BP神经网络的结构包括选定输入层结点数、隐藏层结点数及输出层结点数,并在范围[-1,1]之间随机选取隐藏层权系数和输出层的权系数,确定学习速率和平滑因子,选择模型的激活函数。
6.根据权利要求4所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,所述训练误差包括第一次输入更新的网络权值平均值与所述最终网络权值平均值之间的差值以及第二次输入更新的所述网络阈值平均值与所述最终网络阈值平均值之间的差值。
7.根据权利要求4所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,所述步骤S3还包括:将合格的模型存入模型池,并对合格的模型进行计数,当其个数达到X时使用测试集对得到的X个合格模型进行测试并记录模型准确率,得效果最佳的模型所对应的参数。
8.根据权利要求1-4任意一项所述的一种基于BP神经网络的微能源器件能量识别方法,其特征在于,所述集成微能源器件为微型燃料电池、振动能量收集器及微型光伏电池。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967418.2A CN110728360B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的微能源器件能量识别方法 |
PCT/CN2020/079102 WO2021068454A1 (zh) | 2019-10-12 | 2020-03-13 | 一种基于bp神经网络的微能源器件能量识别方法 |
EP20797361.1A EP3832553A4 (en) | 2019-10-12 | 2020-03-13 | ENERGY IDENTIFICATION PROCESS OF A MICROENERGY DEVICE BASED ON A NEURONAL BP NETWORK |
US17/053,069 US20220318635A1 (en) | 2019-10-12 | 2020-03-13 | Energy identification method for micro-energy device based on bp neural network |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910967418.2A CN110728360B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的微能源器件能量识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728360A CN110728360A (zh) | 2020-01-24 |
CN110728360B true CN110728360B (zh) | 2020-07-03 |
Family
ID=69219909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910967418.2A Active CN110728360B (zh) | 2019-10-12 | 2019-10-12 | 一种基于bp神经网络的微能源器件能量识别方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220318635A1 (zh) |
EP (1) | EP3832553A4 (zh) |
CN (1) | CN110728360B (zh) |
WO (1) | WO2021068454A1 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110728360B (zh) * | 2019-10-12 | 2020-07-03 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
CN111693763B (zh) * | 2020-05-22 | 2023-06-06 | 科华恒盛股份有限公司 | 针对模块化电气设备中功率模块的检测系统 |
CN112099438B (zh) * | 2020-09-14 | 2021-10-29 | 南京简睿捷软件开发有限公司 | 一种基于电流信号的机床节能控制方法及装置 |
CN113219912B (zh) * | 2021-03-31 | 2022-03-15 | 成都飞机工业(集团)有限责任公司 | 一种基于Multi-Agent的数控加工柔性制造系统加工过程预警方法 |
CN113189513B (zh) * | 2021-04-29 | 2022-10-21 | 电子科技大学 | 一种基于纹波的冗余电源均流状态识别方法 |
CN113128158A (zh) * | 2021-05-06 | 2021-07-16 | 湘潭大学 | 一种无线电能传输系统的耦合系数辨识方法 |
CN113361579B (zh) * | 2021-05-31 | 2024-04-02 | 西安交通大学 | 一种水下目标探测辨识方法、系统、设备及可读存储介质 |
CN113534960A (zh) * | 2021-07-29 | 2021-10-22 | 中国科学技术大学 | 基于imu和表面肌电信号的上臂假肢控制方法及系统 |
CN113965467B (zh) * | 2021-08-30 | 2023-10-10 | 国网山东省电力公司信息通信公司 | 一种基于神经网络的电力通信系统可靠性评估方法及系统 |
CN114137090A (zh) * | 2021-10-27 | 2022-03-04 | 郑州大学 | 基于rf-ga-svm模型的压浆密实度识别方法、系统及存储介质 |
CN114221667B (zh) * | 2021-12-08 | 2023-08-18 | 哈尔滨工程大学 | 一种通信系统接收端已知信号消除方法及系统 |
CN114679310A (zh) * | 2022-03-22 | 2022-06-28 | 安徽赛福贝特信息技术有限公司 | 一种网络信息安全检测方法 |
CN114595733B (zh) * | 2022-05-10 | 2024-04-02 | 山东大学 | 基于长短期记忆网络的桥梁拉索断丝信号识别方法及系统 |
CN115034370B (zh) * | 2022-06-24 | 2024-02-27 | 山东钢铁股份有限公司 | 基于bp网络模型预测高炉炉缸活性的方法 |
CN114881093B (zh) * | 2022-07-05 | 2022-11-18 | 北京理工大学 | 一种信号分类识别方法 |
CN115411775B (zh) * | 2022-09-27 | 2024-04-26 | 三峡大学 | 一种基于lstm神经网络的双馈风机控制参数辨识方法 |
CN116070533B (zh) * | 2023-03-09 | 2023-12-12 | 中国原子能科学研究院 | 中子能谱的确定方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101504443B (zh) * | 2008-02-05 | 2012-03-07 | 比亚迪股份有限公司 | 一种锂离子电池放电容量的预测方法 |
CN101806917A (zh) * | 2010-03-15 | 2010-08-18 | 哈尔滨工业大学 | 基于随机振动的密封电子元器件多余物的检测装置及方法 |
CN102567783A (zh) * | 2012-02-10 | 2012-07-11 | 广西电网公司电力科学研究院 | 并联混合型电能质量调节器专家故障分析与诊断方法 |
US9881253B2 (en) * | 2014-11-07 | 2018-01-30 | International Business Machines Corporation | Synaptic neural network core based sensor system |
CN104535934B (zh) * | 2014-12-31 | 2017-07-21 | 桂林电子科技大学 | 在线前馈补偿的动力电池电荷状态估计方法与系统 |
CN105067101A (zh) * | 2015-08-05 | 2015-11-18 | 北方工业大学 | 振源识别的基于振动信号的基音频率特征的提取方法 |
CN106291369A (zh) * | 2016-07-15 | 2017-01-04 | 珠海横琴派诺技术有限公司 | 基于小波变换的蓄电池内阻测量方法、装置及系统 |
CN106569136B (zh) * | 2016-10-19 | 2019-09-10 | 广州市香港科大霍英东研究院 | 一种电池健康状态在线估计方法及系统 |
CN107633301B (zh) * | 2017-08-28 | 2018-10-19 | 广东工业大学 | 一种bp神经网络回归模型的训练测试方法及其应用系统 |
CN107576918B (zh) * | 2017-09-25 | 2020-10-09 | 上海电气集团股份有限公司 | 锂电池的剩余电量的估算方法及系统 |
KR101965832B1 (ko) * | 2017-11-27 | 2019-04-05 | (주) 페스코 | 배터리 soc 추정 시스템 및 이를 이용한 배터리 soc 추정방법 |
CN108445406B (zh) * | 2018-03-13 | 2021-05-25 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
US20190392322A1 (en) * | 2018-06-22 | 2019-12-26 | FootPrintKu Inc. | Electronic component packaging type classification system using artificial neural network |
CN109444757A (zh) * | 2018-10-09 | 2019-03-08 | 杭州中恒云能源互联网技术有限公司 | 一种电动汽车动力电池剩余电量估算方法 |
CN110728360B (zh) * | 2019-10-12 | 2020-07-03 | 联合微电子中心有限责任公司 | 一种基于bp神经网络的微能源器件能量识别方法 |
-
2019
- 2019-10-12 CN CN201910967418.2A patent/CN110728360B/zh active Active
-
2020
- 2020-03-13 WO PCT/CN2020/079102 patent/WO2021068454A1/zh unknown
- 2020-03-13 US US17/053,069 patent/US20220318635A1/en active Pending
- 2020-03-13 EP EP20797361.1A patent/EP3832553A4/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP3832553A1 (en) | 2021-06-09 |
CN110728360A (zh) | 2020-01-24 |
WO2021068454A1 (zh) | 2021-04-15 |
EP3832553A4 (en) | 2021-11-17 |
US20220318635A1 (en) | 2022-10-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN110826630B (zh) | 基于深度卷积神经网络的雷达干扰信号特征级融合识别方法 | |
Kong et al. | Weakly labelled audioset tagging with attention neural networks | |
CN113378632B (zh) | 一种基于伪标签优化的无监督域适应行人重识别方法 | |
CN111126386B (zh) | 场景文本识别中基于对抗学习的序列领域适应方法 | |
CN111627458B (zh) | 一种声源分离方法及设备 | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
CN109934269B (zh) | 一种电磁信号的开集识别方法和装置 | |
CN111310672A (zh) | 基于时序多模型融合建模的视频情感识别方法、装置及介质 | |
JP2015057630A (ja) | 音響イベント識別モデル学習装置、音響イベント検出装置、音響イベント識別モデル学習方法、音響イベント検出方法及びプログラム | |
CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN113488060B (zh) | 一种基于变分信息瓶颈的声纹识别方法及系统 | |
CN115225516B (zh) | 基于改进abc-vmd的lssvm网络流量预测方法 | |
Gohar et al. | Terrorist group prediction using data classification | |
CN114548199A (zh) | 一种基于深度迁移网络的多传感器数据融合方法 | |
CN111368648A (zh) | 雷达辐射源个体识别方法、装置、电子设备及其存储介质 | |
CN114500335A (zh) | 基于模糊c均值和混合核最小二乘支持向量机的sdn网络流程控制方法 | |
CN112151067B (zh) | 一种基于卷积神经网络的数字音频篡改被动检测方法 | |
Xu et al. | Loop optimization noise-reduced LSTM based classifier for PD detection | |
Xi et al. | Type identification and time location of multiple power quality disturbances based on KF‐ML‐aided DBN | |
CN112487933A (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
Azami et al. | Improving the neural network training for face recognition using adaptive learning rate, resilient back propagation and conjugate gradient algorithm | |
CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |