CN111707895A - 一种基于机器学习的电磁环境复杂度评估方法及系统 - Google Patents
一种基于机器学习的电磁环境复杂度评估方法及系统 Download PDFInfo
- Publication number
- CN111707895A CN111707895A CN202010574719.1A CN202010574719A CN111707895A CN 111707895 A CN111707895 A CN 111707895A CN 202010574719 A CN202010574719 A CN 202010574719A CN 111707895 A CN111707895 A CN 111707895A
- Authority
- CN
- China
- Prior art keywords
- extreme learning
- learning machine
- evaluation
- machine
- electromagnetic environment
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 93
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000010354 integration Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000013138 pruning Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 244000141353 Prunus domestica Species 0.000 claims 1
- 230000005672 electromagnetic field Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012854 evaluation process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development 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
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Electromagnetism (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的电磁环境复杂度评估方法及系统，属于电磁场与微波领域技术领域，包括以下步骤：S1：信号采集；S2：时频变换；S3：评估指标选择；S4：利用模型评估。本发明利用极限学习机集成模型对电磁环境复杂度进行评估，使评估结果更加精确；并且通过对增量极限学习机、剪枝型极限学习机进行平行训练，再将两个网络输出的加权平均作为极限学习机集成模型最终的输出值，使隐含层节点的数量更加合理，提高了极限学习机集成模型最终的鲁棒性和泛化性，值得被推广使用。
Description
技术领域
本发明涉及电磁场与微波技术领域，具体涉及一种基于机器学习的电磁环境复杂度评估方法及系统。
背景技术
随着电磁环境信号数量增加，电磁环境越来越复杂，对电子系统的影响也越来越大，复杂电磁环境问题也开始逐步得到人们的重视。电磁环境中的电磁信号可通过多种途径进入电子信息系统，如果各类干扰信号进入了系统，而系统又无法有效地消除干扰信号，则干扰信号必将影响电子信息系统的正常工作。如今，许多重大安全事故中暴露出的问题清晰无误地表明，复杂电磁环境对电子信息系统的严重影响已经扩大为对社会发展与公共安全的严重威胁。针对电磁环境难以评定，尤其是电磁环境与电子信息系统相互影响、紧密耦合情况下电磁环境复杂性难以度量的问题，开展电磁环境复杂性度量方法的研究，为复杂电磁环境评定和模拟提供方法依据，是十分必要的。
极限学习机网络作为高效的机器学习算法，能够较好地解决电磁环境复杂度评估。极限学习机属于单隐层前馈式神经网络，通过随机给定神经元的权值，对隐含层求逆与训练输出相乘来计算输出权值，网络的训练过程就完成，不再去调整网络中的参数，用这种方法构造的神经网络能逼近任何连续的系统，从而得到的广泛应用，但是在电磁环境复杂度评估的应用中，存在一些缺点。
极限学习机的隐含层节点的数目需要人工设置，神经网络隐含层节点(神经元)的设置会一定程度的影响网络的性能。也就是说，不合理的隐含层数目的选取会导致网络的泛化性能下降。在实际应用时，选取隐含层节点的数目需要通过多次尝试才能获得。极限学习机的隐含层节点是随机生成的，过多的隐含层节点中难免会出现一些作用非常小或几乎不起作用的节点。过多的隐含层节点会在训练学习的过程中出现过拟合现象，使得训练精度和测试的精度不一致，降低了网络的鲁棒性和泛化性。因此，提出一种基于机器学习的电磁环境复杂度评估方法及系统。
发明内容
本发明所要解决的技术问题在于：如何更好地对电磁环境复杂度进行评估，提高评估的准确度，提供了一种基于机器学习的电磁环境复杂度评估方法。
本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：
S1：信号采集
利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
S2：时频变换
通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；
S3：评估指标选择
选择电磁信号的多项参数作为评估指标；
S4：利用模型评估
将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。
更进一步地，在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间，对其进行精确测量并存储，为评估方法流程的下一步提供数据。
更进一步地，在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度，选择上述评估指标可以从分别从时域、频域两个维度进行全面评估。其中时域占用度是在时域的评估，其它指标都是在频域的评估。
更进一步地，在所述步骤S4中，极限学习机集成模型通过对增量极限学习机与剪枝型极限学习机进行平行训练形成，所述极限学习机集成模型的输出值(即评估结果)为所述增量极限学习机与所述剪枝型极限学习机输出值的加权平均，权重系数均为0.5。
更进一步地，所述增量极限学习机的训练过程如下：
S411：初始化设置隐含层节点数为零，设定误差目标；
S412：不断向网络中增加隐含节点进行训练，当隐含节点数增加到可达到设定误差目标时确定为极限学习机网络的隐含节点数，即确定网络结构。
更进一步地，在所述增量极限学习机的训练过程中，设训练样本为
激活函数为g(·)，隐含层节点的输出函数为G(w,b,x)，最大隐含层的节点数为Lmax，期望训练误差为ε。
更进一步地，所述剪枝型极限学习机的训练过程如下：
S421：初始化一个含有多个隐含层节点的极限学习机网络；
S422：根据隐含层节点的评价函数，计算每个隐含层节点的评价值，按照评价值从高到低进行排序；
S423：不断移除评价值最低的隐含层节点，计算此时神经网络的训练误差直到满足停止条件，即为满足加上该节点就可以达到训练误差要求，删除该节点则达不到训练误差要求，算法停止。
更进一步地，在所述剪枝型极限学习机的训练过程中，训练样本为
其中，d1、d2均为输入样本的维数。
本发明还提供了一种基于机器学习的电磁环境复杂度评估系统，包括：
信号采集模块，用于利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
时频变换模块，用于通过傅里叶级数和傅里叶变换将采集到的电磁信号参数由时域变换到频域；
评估指标选择模块，用于选择电磁信号的多项参数作为评估指标；
评估模块，用于将评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述信号采集模块、时频变换模块、评估指标选择模块、评估模块均与中央处理模块电连接。
本发明相比现有技术具有以下优点：该基于机器学习的电磁环境复杂度评估方法，利用极限学习机集成模型对电磁环境复杂度进行评估，使评估结果更加精确；并且通过对增量极限学习机、剪枝型极限学习机进行平行训练，再将两个网络输出的加权平均作为极限学习机集成模型最终的输出值，使隐含层节点的数量更加合理，提高了极限学习机集成模型最终的鲁棒性和泛化性，值得被推广使用。
附图说明
图1是本发明实施例一中电磁环境复杂度评估方法的流程示意图；
图2是本发明实施例二中电磁环境复杂度评估方法的实施流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例一
如图1所示，本实施例提供一种技术方案：一种基于机器学习的电磁环境复杂度评估方法，包括以下步骤：
S1：信号采集
利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
S2：时频变换
通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；
S3：评估指标选择
选择电磁信号的多项参数作为评估指标；
S4：利用模型评估
将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。
在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间，对其进行精确测量并存储，为评估方法流程的下一步提供数据。
在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度。选择上述评估指标可以从分别从时域、频域两个维度进行全面评估。其中时域占用度是在时域的评估，其它指标都是在频域的评估。
在所述步骤S4中，极限学习机集成模型通过对增量极限学习机与剪枝型极限学习机进行平行训练形成，所述极限学习机集成模型的输出值(即评估结果)为所述增量极限学习机与所述剪枝型极限学习机输出值的加权平均，权重系数均为0.5。
所述增量极限学习机的训练过程如下：
S411：初始化设置隐含层节点数为零，设定误差目标；
S412：不断向网络中增加隐含节点进行训练，当隐含节点数增加到可达到设定误差目标时确定为极限学习机网络的隐含节点数，即确定网络结构。
在所述增量极限学习机的训练过程中，设训练样本为
激活函数为g(·)，隐含层节点的输出函数为G(w,b,x)，最大隐含层的节点数为Lmax，期望训练误差为ε。
所述剪枝型极限学习机的训练过程如下：
S421：初始化一个含有多个隐含层节点的极限学习机网络；
S422：利用多响应稀疏回归方法排列网络中的神经元；
S423：利用逐一抽取法确定法来决定神经元裁剪的数目。
在所述剪枝型极限学习机的训练过程中，训练样本为
其中，d1、d2均为输入样本的维数。
本实施例还提供了一种利用FPGA实现对步进电机精准控制的系统，包括：
信号采集模块，用于利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
时频变换模块，用于通过傅里叶级数和傅里叶变换将采集到的电磁信号参数由时域变换到频域；
评估指标选择模块，用于选择电磁信号的多项参数作为评估指标；
评估模块，用于将评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述信号采集模块、时频变换模块、评估指标选择模块、评估模块均与中央处理模块电连接。
实施例二
本实施例提供了一种基于机器学习的电磁环境复杂度评估方法，主要包括两个部分，其一是极限学习机集成模型的具体结构和训练过程,具体如下：
极限学习机集成模型的思想是首先平行地训练增量极限学习机、剪枝型极限学习机，然后将增量极限学习机、剪枝型极限学习机输出值的加权平均作为极限学习机集成模型最终的输出值，增量极限学习机、剪枝型极限学习机输出的权重系数均为0.5。
增量极限学习机在最开始隐含层节点数为零，然后不断向网络中增加隐含节点进行训练，设定误差目标，当隐含节点数增加到可达到设定误差目标时确定为极限学习机的隐含节点数，即确定网络结构。设训练样本为
激活函数为g(·)，隐含层节点的输出函数为G(w,b,x)，最大隐含层的节点数为Lmax，期望训练误差为ε。
增量极限学习机训练过程如下：
第一步：初始化，让
并设置误差函数e＝T，其中T＝[t1,…,tS]T；
第二步：开始训练：
当
且||e||＞ε时，
(a)增加一个隐含层节点使得
(b)随机产生新增的隐含层节点参数
(c)计算新的隐含层节点的输出权值；
(d)在增加新的隐含层节点后，更新网络的误差函数
第三步：当
或||e||≤ε时，结束循环。
在上述步骤中，L表示隐含层的节点数，T表示训练样本的标签，e表示误差函数，w表示输入权重，β表示输出权重，b表示隐藏层神经元的偏置，h表示隐藏层神经网络的响应向量。
剪枝型极限学习机与增量极限学习机相反，先是从一个较大的极限学习机网络开始的，设定误差目标，然后通过某种方法来不断的剪掉网络中兀余的无用节点，最终找到能满足误差目标的网络。
剪枝型极限学习机的训练过程如下：
设训练样本为
其中d1为输入样本的维数，其中d2为输入样本的维数。
第一步：初始化一个含有多个隐含层节点的极限学习机的模型；
第二步：根据隐含层节点的评价函数，计算每个隐含层节点的评价值，按照评价值从高到低进行排序；
第三步：不断移除评价值最低的隐含层节点，计算此时神经网络的训练误差直到满足停止条件，即为满足加上该节点就可以达到训练误差要求，删除该节点则达不到训练误差要求，算法停止。
其二是利用极限学习机集成模型进行电磁环境复杂度评估的过程，如图2所示，具体如下：
对复杂电磁环境进行评估，信号采集是评估流程的第一步，一般由分布式的电磁环境监测设备来完成，通过对电磁信号的中心频率、信号带宽、场强大小、驻留时间等参数进行精确测量并存储，为评估流程的下一步提供数据。
时频变换是评估流程的第二步，把电磁信号从时域变换到频域主要通过傅立叶级数及傅立叶变换来实现。傅立叶级数定理表明，任何连续信号都可以表示成不同频率正选信号的无线叠加。通过傅立叶变换可以体现出电磁信号内在的频率特性、时域特性之间的密切关系。
评估指标的计算是评估流程的第三步，选择的七项评估指标分别为：信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度。
经过流程的前三步，即可为复杂电磁环境评估提供机器学习的输入数据，并通过极限学习机集成模型的运算，最终给出评估结果。
综上所述，上述实施例的基于机器学习的电磁环境复杂度评估方法，利用极限学习机集成模型对电磁环境复杂度进行评估，使评估结果更加精确；并且通过对增量极限学习机、剪枝型极限学习机进行平行训练，再将两个网络输出的加权平均作为极限学习机集成模型最终的输出值，使隐含层节点的数量更加合理，提高了极限学习机集成模型最终的鲁棒性和泛化性，值得被推广使用，值得被推广使用。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种基于机器学习的电磁环境复杂度评估方法，其特征在于，包括以下步骤：
S1：信号采集
利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
S2：时频变换
通过傅里叶级数和傅里叶变换将步骤S1中采集到的电磁信号参数由时域变换到频域；
S3：评估指标选择
选择电磁信号的多项参数作为评估指标；
S4：利用模型评估
将步骤S3中的评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果。
2.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S1中，电磁信号的参数分别为中心频率、信号带宽、场强大小、驻留时间。
3.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S3中，选择的评估指标分别为电磁信号的时域占用度、频域占用度、能量占用度、频率重合度、信号调制格式、信道占用度、背景噪声强度。
4.根据权利要求1所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述步骤S4中，极限学习机集成模型通过对增量极限学习机与剪枝型极限学习机进行平行训练形成，所述极限学习机集成模型的输出值为所述增量极限学习机与所述剪枝型极限学习机输出值的加权平均。
5.根据权利要求4所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：所述增量极限学习机的训练过程如下：
S411：初始化设置隐含层节点数为零，设定误差目标；
S412：不断向网络中增加隐含节点进行训练，当隐含节点数增加到可达到设定误差目标时确定为极限学习机网络的隐含节点数，即确定网络结构。
6.根据权利要求5所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述增量极限学习机的训练过程中，设训练样本为
激活函数为g(·)，隐含层节点的输出函数为G(w,b,x)，最大隐含层的节点数为Lmax，期望训练误差为ε。
7.根据权利要求4所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：所述剪枝型极限学习机的训练过程如下：
S421：初始化一个含有多个隐含层节点的极限学习机网络；
S422：排列网络中的节点；
S423：确定节点裁剪的数目。
8.根据权利要求7所述的一种基于机器学习的电磁环境复杂度评估方法，其特征在于：在所述剪枝型极限学习机的训练过程中，训练样本为
其中，d1、d2均为输入样本的维数。
9.一种基于机器学习的电磁环境复杂度评估系统，其特征在于，根据如权利要求1～8任一项所述的评估方法对电磁环境复杂度进行评估，包括：
信号采集模块，用于利用分布式电磁环境监测设备对电磁信号的参数进行测量并存储；
时频变换模块，用于通过傅里叶级数和傅里叶变换将采集到的电磁信号参数由时域变换到频域；
评估指标选择模块，用于选择电磁信号的多项参数作为评估指标；
评估模块，用于将评估指标作为输入数据训练形成极限学习机集成模型，并通过极限学习机集成模型对评估指标进行运算，输出评估结果；
中央处理模块，用于向其他模块发出指令，完成相关动作；
所述信号采集模块、时频变换模块、评估指标选择模块、评估模块均与中央处理模块电连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010574719.1A CN111707895A (zh) | 2020-06-22 | 2020-06-22 | 一种基于机器学习的电磁环境复杂度评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010574719.1A CN111707895A (zh) | 2020-06-22 | 2020-06-22 | 一种基于机器学习的电磁环境复杂度评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111707895A true CN111707895A (zh) | 2020-09-25 |
Family
ID=72541637
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010574719.1A Pending CN111707895A (zh) | 2020-06-22 | 2020-06-22 | 一种基于机器学习的电磁环境复杂度评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111707895A (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US1824130A (en) * | 1929-04-26 | 1931-09-22 | Gen Railway Signal Co | Relay |
| GB436547A (en) * | 1934-04-14 | 1935-10-14 | Ericsson Telephones Ltd | Improvements in or relating to means for indicating data relating to the rate of working of factory or other operatives |
| NO852701L (no) * | 1983-11-07 | 1985-07-04 | Dow Chemical Co | Komposisjon (blanding) med lav tetthet for absorpsjon av elektromagnetisk straaling |
| WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
| CN106096013A (zh) * | 2016-06-24 | 2016-11-09 | 中国人民解放军63888部队 | 基于电磁环境数据库的频率查询及规划方法 |
| CN108229026A (zh) * | 2018-01-04 | 2018-06-29 | 电子科技大学 | 一种基于动态内核极限学习机的电磁场建模仿真方法 |
| CN108469560A (zh) * | 2018-03-16 | 2018-08-31 | 武汉大学 | 一种基于快速s变换时频空间模型的电磁干扰客观复杂度评估方法 |
| CN108957247A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于仿电磁学算法的配电网故障定位方法 |
| CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
| CN110196358A (zh) * | 2019-06-11 | 2019-09-03 | 东华大学 | 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 |
| CN110824384A (zh) * | 2019-11-20 | 2020-02-21 | 国家电网有限公司 | 一种基于人工智能极限学习机的变压器故障在线诊断系统 |
| CN111239699A (zh) * | 2020-03-17 | 2020-06-05 | 河海大学 | 基于增量式极限学习机的气象雷达风电场杂波抑制方法 |
-
2020
- 2020-06-22 CN CN202010574719.1A patent/CN111707895A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US1824130A (en) * | 1929-04-26 | 1931-09-22 | Gen Railway Signal Co | Relay |
| GB436547A (en) * | 1934-04-14 | 1935-10-14 | Ericsson Telephones Ltd | Improvements in or relating to means for indicating data relating to the rate of working of factory or other operatives |
| NO852701L (no) * | 1983-11-07 | 1985-07-04 | Dow Chemical Co | Komposisjon (blanding) med lav tetthet for absorpsjon av elektromagnetisk straaling |
| WO2016101182A1 (zh) * | 2014-12-23 | 2016-06-30 | 清华大学 | 基于贝叶斯网络和极限学习机的区间型指标预报方法 |
| CN106096013A (zh) * | 2016-06-24 | 2016-11-09 | 中国人民解放军63888部队 | 基于电磁环境数据库的频率查询及规划方法 |
| CN108229026A (zh) * | 2018-01-04 | 2018-06-29 | 电子科技大学 | 一种基于动态内核极限学习机的电磁场建模仿真方法 |
| CN108469560A (zh) * | 2018-03-16 | 2018-08-31 | 武汉大学 | 一种基于快速s变换时频空间模型的电磁干扰客观复杂度评估方法 |
| CN108957247A (zh) * | 2018-09-27 | 2018-12-07 | 广东电网有限责任公司 | 一种基于仿电磁学算法的配电网故障定位方法 |
| CN109598320A (zh) * | 2019-01-16 | 2019-04-09 | 广西大学 | 一种基于蝗虫算法和极限学习机的rfid室内定位方法 |
| CN110196358A (zh) * | 2019-06-11 | 2019-09-03 | 东华大学 | 基于极限学习机的混纺型金属纤维织物屏蔽效能预测方法 |
| CN110824384A (zh) * | 2019-11-20 | 2020-02-21 | 国家电网有限公司 | 一种基于人工智能极限学习机的变压器故障在线诊断系统 |
| CN111239699A (zh) * | 2020-03-17 | 2020-06-05 | 河海大学 | 基于增量式极限学习机的气象雷达风电场杂波抑制方法 |
Non-Patent Citations (4)
| Title |
|---|
| CHUANG ZHOU 等: "Probabilistic Weighted Extreme Learning Machine for Robust Modeling", 《2019 IEEE 2ND INTERNATIONAL CONFERENCE ON ELECTRONIC INFORMATION AND COMMUNICATION TECHNOLOGY (ICEICT)》 * |
| 姜英华 等: "电磁环境复杂度评估方法研究", 《硅谷》 * |
| 王劲松等: "改进ELM在降效类电磁威胁目标威胁评估中的应用", 《弹箭与制导学报》 * |
| 韩波: "基于集成学习的极限学习机的算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109597043B (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
| CN110222748B (zh) | 基于1d-cnn多域特征融合的ofdm雷达信号识别方法 | |
| CN111275004B (zh) | 基于lmd和脉冲神经网络的轴承故障诊断方法 | |
| CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN111123894B (zh) | 一种基于lstm和mlp结合的化工过程故障诊断方法 | |
| Kibangou et al. | Tensor analysis-based model structure determination and parameter estimation for block-oriented nonlinear systems | |
| CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
| CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
| CN115964670B (zh) | 一种频谱异常检测方法 | |
| CN112414715B (zh) | 基于混合特征与改进灰度共生算法的轴承故障诊断方法 | |
| Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
| CN111190158A (zh) | 复杂雷达辐射源识别方法、装置、电子设备及其存储介质 | |
| CN115982613A (zh) | 一种基于改进卷积神经网络的信号调制识别系统及方法 | |
| CN110909453A (zh) | 一种基于eemd的输电线路覆冰等级预测方法 | |
| CN111707895A (zh) | 一种基于机器学习的电磁环境复杂度评估方法及系统 | |
| CN114520758A (zh) | 一种基于瞬时特征的信号调制识别方法 | |
| Pan et al. | Specific radar emitter identification using 1D-CBAM-ResNet | |
| Xu et al. | A Graph Convolutional Shrinkage Network-based Fault Diagnosis Method for Industrial Process | |
| Moody et al. | Radio frequency (RF) transient classification using sparse representations over learned dictionaries | |
| Ledesma et al. | Analysis of self-similar data by artificial neural networks | |
| Govalkar et al. | Siamese Network based Pulse and Signal Attribute Identification | |
| CN116520252B (zh) | 一种空中目标智能识别方法与系统 | |
| CN116520277B (zh) | 一种基于分离式卷积网络的雷达目标识别方法和系统 | |
| CN114925721B (zh) | 一种基于U-Net分割网络的信号分选方法 |
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: 20200925 |
|
| RJ01 | Rejection of invention patent application after publication |