CN111142060B - 一种基于改进的bp神经网络的自适应阈值调整诊断方法 - Google Patents
一种基于改进的bp神经网络的自适应阈值调整诊断方法 Download PDFInfo
- Publication number
- CN111142060B CN111142060B CN201911212973.0A CN201911212973A CN111142060B CN 111142060 B CN111142060 B CN 111142060B CN 201911212973 A CN201911212973 A CN 201911212973A CN 111142060 B CN111142060 B CN 111142060B
- Authority
- CN
- China
- Prior art keywords
- threshold
- threshold value
- neural network
- adaptive
- accuracy
- 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 49
- 238000003745 diagnosis Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 14
- 238000004891 communication Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
本发明公开了一种基于改进的BP神经网络的自适应阈值调整诊断方法，涉及智能电表进行故障诊断领域。在实际应用中，用于判断掉线或其他故障类型的阈值通常由经验确定，缺乏一套科学的阈值调整算法。本发明获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，根据判断准确性、期望的系统准确率进行阈值调整，得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。本技术方案对于电力系统电表等通讯设备的掉线及其他故障情况的自适应诊断局域重要的科学意义及应用价值。
Description
技术领域
本发明涉及智能电表进行故障诊断领域，尤其涉及一种基于改进的BP神经网络的自适应阈值调整诊断方法。
背景技术
随着智能电表的全面推广，用户的用电信息会每隔一段时间采集一次，电力采集设备分布在全省的不同区域，是电力系统的重要组成部分。但在实践场景中发现，系统采集设备经常会出现离线、掉线等故障，影响正常的采集工作，因此针对常见的心跳掉线及其他故障类型，需建立一种基于自适应故障诊断的动态阈值诊断方法。由于在实际应用中，用于判断掉线或其他故障类型的阈值通常由经验确定，缺乏一套科学的阈值调整算法。
发明内容
本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种基于改进的BP神经网络的自适应阈值调整诊断方法，以达到得到合适阈值以实现故障的准确判定的目的。为此，本发明采取以下技术方案。
一种基于改进的BP神经网络的自适应阈值调整诊断方法，包括以下步骤：
1)获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
其中，为通讯设备j的经验阈值；
2)确定BP神经网络的拓扑结构；确定其隐含层层数及各层所含神经元个数，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
3)获取判断准确率；基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数；
4)获取期望的系统准确率；记在tk时刻，期望的系统准确率为E'(tk+1)：
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数；
5)阈值调整；根据判断准确性、期望的系统准确率进行阈值调整，其遵循以下规则：
若：E(tk,tk+1)≤E'(tk+1)，则：S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
若：E(tk,tk+1)>E'(tk+1)，则：S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；
其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
其中，σini，ωini分别为赋予阈值调整系数的初始值；
6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方法。
本技术方案采用BP神经网络，其为一种应用广泛的机器学习算法，来源于对人类神经网络机制的模仿，是人工智能领域的重要分支，在使用中限制条件较少，具有极强的通用性，易于通过编程实现。通过BP神经网络方法得到合适阈值，以实现故障的准确判定。
作为优选技术手段：在步骤4)中，400≤δ≤600。
作为优选技术手段：在步骤5)中，σini＝0.03,ωini＝0.08。
有益效果：
本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方法。
本技术方案采用BP神经网络，其为一种应用广泛的机器学习算法，来源于对人类神经网络机制的模仿，是人工智能领域的重要分支，在使用中限制条件较少，具有极强的通用性，易于通过编程实现。通过BP神经网络方法得到合适阈值，以实现故障的准确判定。
附图说明
图1是本发明的流程图。
图2是动态阈值算法的流程。
图3是经验阈值判断准确性情况。
图4是动态阈值变化情况。
图5是动态阈值变化一次后判断准确性情况。
具体实施方式
以下结合说明书附图对本发明的技术方案做进一步的详细说明。
如图1所示一种基于改进的BP神经网络的自适应阈值调整诊断方法，包括以下步骤：
1)获取电表等通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
其中，为通讯设备j的经验阈值；
2)确定BP神经网络的拓扑结构：确定其隐含层层数及各层所含神经元个数，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
3)基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数。
4)记在tk时刻，期望的系统准确率为E'(tk+1)：
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数；
5)在根据判断准确性而进行阈值调整时，遵循以下规则：
若
E(tk,tk+1)≤E'(tk+1)，
则
S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
若
E(tk,tk+1)>E'(tk+1)，
则
S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；
其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
其中，σini，ωini分别为赋予阈值调整系数的初始值；
6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)，根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
本技术方案运用信息科学并结合人工智能的大数据处理方法，结合考虑阈值判断的准确性等反馈因素的改进BP神经网络对阈值进行动态调整，实现一种自适应故障诊断方法。
以下就掉线故障为例对本发明作进一步的说明：
S01：选取某地区近1000组报文信息，并采用基于判断准确性的反馈机制对阈值进行动态自适应调整。由提供数据可知，经验阈值为0.6，以60条判断结果为例，其判断准确性如下图3所示，其中“o”为判断正确，“x”为判断错误。
S02)确定BP神经网络的拓扑结构：将前700组报文信息作为训练集，后300报文信息作为测试集，确定其隐含层层数为2及各层所含神经元个数为40，20，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
S03)基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，并记阈值判断的准确率为：
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数。
S04)记在tk时刻，期望的系统准确率为E'(tk+1)：
其中，Eini为利用该阈值判断区域掉线等故障情况的初始预期准确率，Efin为利用该阈值判断区域掉线等故障情况的最终预期准确率，δ为避免判断正确的报文书过多导致计算效率过低而用来控制判断正确报文数引入的参数，在本文中，δ取500.
S05)在根据判断准确性而进行阈值调整时，遵循以下规则：
若
E(tk,tk+1)≤E'(tk+1)，
则
S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
若
E(tk,tk+1)>E'(tk+1)，
则
S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；
其中，σ(tk+1)用来表征掉线等故障阈值的提高系数，记为
ω(tk+1)用来表征掉线等故障阈值的降低系数，记为；
其中，σini，ωini分别为赋予阈值调整系数的初始值，在本文中，σini＝0.03,ωini＝0.08。
S06)将步骤S02)中的阈值按照S05)中步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)，经动态阈值进行自适应调整后，阈值变化如下图4所示。
S07)其阈值变化一次后判断准确性如下图5所示，其中“o”为判断正确，“x”为判断错误,经动态阈值的自适应调整后，判断准确性由经典阈值的53％提高为63％。
以上图1所示的一种基于改进的BP神经网络的自适应阈值调整诊断方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案的保护范围之列。
Claims (3)
1.一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于包括以下步骤：
1)获取电表通讯设备的历史报文数据信息及经验阈值信息对BP神经网络进行训练，其中历史报文信息X(t)以向量形式存储，表示为：
其中，Xj(t)为设备j在时刻t的报文信息，m为待诊断故障区域的总通讯设备数；其对应初始阈值为Sini，记为：
其中，为通讯设备j的经验阈值；
2)确定BP神经网络的拓扑结构；确定其隐含层层数及各层所含神经元个数，并初始化神经网络的阈值及权值，并采用梯度下降算法对BP神经网络进行训练，并使用测试样本对神经网络进行测试，并将输出的阈值信息S'，记为：
其中，S'a为通讯设备a的基于BP神经网络的阈值训练结果，n为用于测试的通信设备个数；
3)获取判断准确率；基于BP神经网络对阈值的训练结果引入准确性的反馈机制，并且阈值进行自适应调整，记阈值判断的准确率为：
其中，m(tk)为截至tk时刻，该阈值判断的报文总数，m(tk+1)为截至tk+1时刻，该阈值判断的报文总数，mright(tk)为截至tk时刻，该阈值判断的正确的报文总数，mright(tk+1)为截至tk+1时刻，该阈值判断正确报文总数；
4)获取期望的系统准确率；记在tk时刻，期望的系统准确率为E'(tk+1)：
其中，Eini为利用该阈值判断区域故障情况的初始预期准确率，Efin为利用该阈值判断区域故障情况的最终预期准确率，δ为避免判断正确的报文数过多导致计算效率过低而用来控制判断正确报文数引入的参数；
5)阈值调整；根据判断准确性、期望的系统准确率进行阈值调整，其遵循以下规则：
若：E(tk,tk+1)≤E'(tk+1)，则：S'(tk+1)＝(1-σ(tk+1))·S(tk)+σ(tk+1)；
若：E(tk,tk+1)＞E'(tk+1)，则：S'(tk+1)＝S(tk)-ω(tk+1)·S(tk)；
其中，σ(tk+1)用来表征掉线故障阈值的提高系数，记为
ω(tk+1)用来表征掉线故障阈值的降低系数，记为；
其中，σini，ωini分别为赋予阈值调整系数的初始值；
6)将步骤2)中的阈值按照步骤5)中的步骤不断进行反馈调整后，即可得到自适应故障诊断的动态阈值S'(tk+1)；根据得到的自适应故障诊断的动态阈值S'(tk+1)对系统采集设备进行故障诊断。
2.根据权利要求1所述的一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于：在步骤4)中，400≤δ≤600。
3.根据权利要求2所述的一种基于改进的BP神经网络的自适应阈值调整诊断方法，其特征在于：在步骤5)中，σini＝0.03,ωini＝0.08。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212973.0A CN111142060B (zh) | 2019-12-02 | 2019-12-02 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911212973.0A CN111142060B (zh) | 2019-12-02 | 2019-12-02 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111142060A CN111142060A (zh) | 2020-05-12 |
| CN111142060B true CN111142060B (zh) | 2023-11-07 |
Family
ID=70517430
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911212973.0A Active CN111142060B (zh) | 2019-12-02 | 2019-12-02 | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111142060B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112290885B (zh) * | 2020-09-30 | 2024-06-07 | 国网浙江安吉县供电有限公司 | 一种户用光伏系统直流侧故障诊断方法 |
| CN112684282B (zh) * | 2020-11-12 | 2022-07-19 | 国网河北省电力有限公司电力科学研究院 | 配电网单相接地故障识别方法、装置及终端设备 |
| CN112671633B (zh) * | 2020-12-01 | 2022-08-23 | 重庆邮电大学 | 一种基于bp神经网络预测的二分探测心跳间隔系统及方法 |
| CN113011530B (zh) * | 2021-04-29 | 2023-04-07 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种基于多分类器融合的智能电表故障预测方法 |
| CN115294674B (zh) * | 2022-10-09 | 2022-12-20 | 南京信息工程大学 | 一种无人艇航行状态的监测评估方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN106707221A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种电能计量装置中传感器故障诊断方法及系统 |
| CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
| WO2018223865A1 (zh) * | 2017-06-08 | 2018-12-13 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测装置 |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN109507628A (zh) * | 2018-10-19 | 2019-03-22 | 深圳供电局有限公司 | 基于三相四线表计设备的反极性故障监测方法和装置 |
| CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
| CN110008276A (zh) * | 2019-04-26 | 2019-07-12 | 清湖光旭数据科技(北京)有限公司 | 一种检测电表异常的方法、装置及设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6970804B2 (en) * | 2002-12-17 | 2005-11-29 | Xerox Corporation | Automated self-learning diagnostic system |
| US9052351B2 (en) * | 2012-09-19 | 2015-06-09 | Sensus Usa Inc. | Method and apparatus for preventing electricity meter failure |
| US11210777B2 (en) * | 2016-04-28 | 2021-12-28 | Blancco Technology Group IP Oy | System and method for detection of mobile device fault conditions |
| CN108416103A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种串联混合动力电动汽车交直流变换器的故障诊断方法 |
-
2019
- 2019-12-02 CN CN201911212973.0A patent/CN111142060B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447568A (zh) * | 2015-11-09 | 2016-03-30 | 广州供电局有限公司 | 基于bp神经网络的电力通信网故障分析方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN106707221A (zh) * | 2017-01-05 | 2017-05-24 | 云南电网有限责任公司电力科学研究院 | 一种电能计量装置中传感器故障诊断方法及系统 |
| WO2018223865A1 (zh) * | 2017-06-08 | 2018-12-13 | 京东方科技集团股份有限公司 | 一种电路的工作状态的检测方法及检测装置 |
| CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
| CN109459671A (zh) * | 2018-09-27 | 2019-03-12 | 国网浙江省电力有限公司湖州供电公司 | 一种基于遗传算法的改进神经网络的开关柜状态监测方法 |
| CN109507628A (zh) * | 2018-10-19 | 2019-03-22 | 深圳供电局有限公司 | 基于三相四线表计设备的反极性故障监测方法和装置 |
| CN109711631A (zh) * | 2018-12-29 | 2019-05-03 | 杭州电子科技大学 | 一种改进粒子群算法的智能微电网优化调度方法 |
| CN110008276A (zh) * | 2019-04-26 | 2019-07-12 | 清湖光旭数据科技(北京)有限公司 | 一种检测电表异常的方法、装置及设备 |
Non-Patent Citations (4)
| Title |
|---|
| Shenghao Yu et al.Oil-immersed power transformer internal fault diagnosis research based on probabilistic neural network.Procedia Computer Science.2016,第83卷1327-1331. * |
| 吴祎 等.基于BPNN 的电力电子电路参数性故障诊断方法.电子测量与仪器学报.2012,第26卷(第5期),458-462. * |
| 孙谊媊 等.智能电表可靠性预计的优化模型.电力科学与技术学 报.2017,第32卷(第3期),15-21. * |
| 马峻 等.MＲA-PCA-PSO 组合优化BP神经网络模拟电路故障诊断研究.电子测量与仪器学报.2018,第32卷(第3期),73-79. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111142060A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111142060B (zh) | 一种基于改进的bp神经网络的自适应阈值调整诊断方法 | |
| CN103840988B (zh) | 一种基于rbf神经网络的网络流量测量方法 | |
| CN109165504B (zh) | 一种基于对抗生成网络的电力系统虚假数据攻击识别方法 | |
| CN108053054B (zh) | 一种河流水质预测方法 | |
| CN109815332A (zh) | 损失函数优化方法、装置、计算机设备及存储介质 | |
| CN106714062B (zh) | 一种基于bp人工神经网络的数字助听器智能验配方法 | |
| CN111815053A (zh) | 一种针对工业时序数据的预测方法及系统 | |
| CN107309213B (zh) | 基于bp神经网络的红枣超声波清洗机控制方法 | |
| CN107292387A (zh) | 一种基于bp识别蜂蜜质量的方法 | |
| CN109858611A (zh) | 基于通道注意力机制的神经网络压缩方法及相关设备 | |
| CN108197594A (zh) | 确定瞳孔位置的方法和装置 | |
| CN115131347A (zh) | 一种用于锌合金零件加工的智能控制方法 | |
| CN115935407A (zh) | 一种面向联邦学习的自适应差分隐私保护方法 | |
| CN109583203B (zh) | 一种恶意用户检测方法、装置及系统 | |
| CN109754058A (zh) | 一种基于cgbp算法的深度基准面拟合方法 | |
| CN108305282A (zh) | 一种基于杂交水稻算法的图像配准方法及系统 | |
| CN104134091B (zh) | 一种神经网络训练方法 | |
| JP2008092685A (ja) | 電力系統監視制御システム | |
| Wei | Application of hybrid back propagation neural network in image compression | |
| CN113488992B (zh) | 一种电力系统大扰动稳定性判别方法 | |
| CN106528996B (zh) | 基于适应性教学优化的变压器优化设计方法 | |
| CN113794198A (zh) | 抑制宽频振荡的方法、装置、终端及存储介质 | |
| AU2020256389A1 (en) | Network impairment identification method and system | |
| CN103106350B (zh) | 基于人工神经网络的线损分析数据还原方法 | |
| CN110414667A (zh) | 网络检测模型的训练方法、装置、计算机设备和存储介质 |
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 |