CN113283289A - 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 - Google Patents
一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 Download PDFInfo
- Publication number
- CN113283289A CN113283289A CN202110392409.2A CN202110392409A CN113283289A CN 113283289 A CN113283289 A CN 113283289A CN 202110392409 A CN202110392409 A CN 202110392409A CN 113283289 A CN113283289 A CN 113283289A
- Authority
- CN
- China
- Prior art keywords
- partial discharge
- probability distribution
- ceemd
- low
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 10
- 238000012567 pattern recognition method Methods 0.000 claims description 9
- 238000007792 addition Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 4
- 230000036039 immunity Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- 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
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明涉及一种基于CEEMD‑MFE与t‑SNE的局部放电模式识别方法。针对局部放电信号非线性、非平稳的特点,采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解,根据相关系数原则对各模态分量进行筛选,选取最优模态分量,利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取,并利用t‑分布随机邻域嵌入算法(t‑SNE)对特征向量进行维数约简,剔除冗余不相关特征,最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。本发明为局部放电提供一种模式识别的优化方法,该方法不仅计算简单、抗噪性好,识别率高,还具有在非线性提取高维特征进行降维方面有显著优势。
Description
技术领域
本发明涉及局部放电技术领域,尤其是涉及一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法。
背景技术
局部放电(Partial Discharge,PD)是高压电气设备绝缘劣化的早期迹象,因此PD检测可以作为设备绝缘状态评估的有效手段。
现有是局部放电模式识别方式采用传统的学习方式和卷积神经网络等一些经典结构进行特征提取,这些方法对于传统特征提取具有依赖专家经验、盲目性高和识别率低以及存在高维特征数据集的缺点,对于经验模态分解(Empirical ModeDecomposition,EMD)算法在处理非线性、非平稳信号时会存在端点效应和模态混叠现象,集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法在一定程度上存在白噪声残留带来的重构误差以及计算时间长等问题。
因此,本发明提供一种CEEMD-MFE与t-SNE的局部放电模式识别方法,用于解决传统的局部放电模式识别方式存在的技术问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,用于减少计算时间和降低高维数据集,并提高识别率。
本发明的目的可以通过以下技术方案来实现:
一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,该方法包括以下步骤:
步骤1:采用互补集合经验模态分解CEEMD对局部放电信号进行分解,得到各IMF分量;
步骤2:根据相关系数原则对各IMF分量进行筛选,选取出最优模态分量;
步骤3:利用多尺度模糊熵对筛选出的模态分量进行特征提取;
步骤4:利用t-分布随机邻域嵌入算法t-SNE对提取的特征向量进行维数约简;
步骤5:将经维数约简处理后的局部放电信号对应的特征向量数据输入至自编码网络当中进行分类识别。
进一步地,所述的步骤1包括以下分步骤:
步骤101:在局部放电原始信号中添加N组正负对形式的白噪声,得到两组模态分量;
步骤102:对信号采用EMD方法进行分解,得到各IMF分量。
进一步地,所述的步骤102中各IMF分量组合后所对应的分解结果,其对应数学描述公式为:
式中,Cj为CEEMD分解得到的第j个分量,Cij为CEEMD第i次分解得到的第j个分量,n1为加入白噪声的次数。
进一步地,所述的步骤2具体包括:对各IMF分量进行相关性分析并进行排序,按要求选取出对应的最优模态分量。
进一步地,所述的步骤3中的多尺度模糊熵包括将原始局部放电信号时间序列进行粗粒处理并计算得到的模糊熵值以及原始信号的模糊熵值,其中,所述将原始局部放电信号时间序列进行粗粒处理并计算得到的模糊熵值,其对应的数学描述公式为:
式中,hi(s)为将原始局部放电信号时间序列进行粗粒处理后的新序列,s为尺度因子,xi为长度为N的原始局部放电信号时间序列。
进一步地,所述的原始信号的模糊熵值,其对应的数学描述公式为:
Dij=exp(-(dij/r)n)
dij=d[y(i),y(j)]=max|(yi+k-yi)-(yj+k-yj)|
式中,FuzzyEn(m,n,r,N)为原始信号的模糊熵值,和分别为维数m+1和m的样本的平均相似度函数,n和r分别为指数函数边界的梯度和相似容限,N和M为自然数,dij为任意两个不同样本y(i)与y(j)之间的距离,yi+k、yi、yj+k和yj分别为时间序列中各自对应的元素值。
进一步地,所述的步骤4包括以下分步骤:
步骤401:构建高低维度空间中的概率分布;
步骤402:基于高低维度空间中的概率分布,通过计算低维嵌入对提取的特征向量进行维数约简。
进一步地,所述的步骤401中的高维度空间中的概率分布,其对应的数学计算公式为:
式中,Pj|i为任意两个数据点相似的条件概率,δi为方差,根据用户指定的困惑度Perp,Perp(Pi)为概率分布Pi的困惑度,e为数据点个数,H(Pi)为概率分布Pi的香农信息熵。
进一步地,所述的步骤401中的低维度空间中的概率分布,其对应的数学计算公式为:
式中,yi、yj和yk为数据点各自在低维空间中对应的点,qij为数据点各自在低维空间中对应的点的联合概率。
进一步地,所述的步骤402具体包括:使用KL散度来度量低维空间概率分布Q和高维空间概率分布P之间的相似度,然后使用梯度下降来最小化KL散度,获得低维嵌入,其中,所述低维空间概率分布Q和高维空间概率分布P之间的相似度,其对应的数学计算公式为:
式中,C为低维空间概率分布Q和高维空间概率分布P之间的相似度,qij为数据点各自在低维空间中对应的点的联合概率。
与现有技术相比,本发明具有以下优点:
(1)本申请中提供了一种局部放电模式识别方法,包括:对采集到的局部放电信号进行CEEMD分解,得到多个IMF分量;对多个IMF分量进行相关性分析,筛选出最优模态分量,去除无关分量;计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量;利用t-SNE对特征向量进行降维;将降维后的特征向量作为栈式降噪自编码器的输入,对其进行分类识别。
(2)本申请提供的局部放电模式识别方法,针对局部放电信号非线性、非平稳的特点,采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解,根据相关系数原则对各模态分量进行筛选,选取最优模态分量,利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取,并利用t-分布随机邻域嵌入算法(t-SNE)对特征向量进行维数约简,剔除冗余不相关特征,最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。
(3)本发明为局部放电提供一种模式识别的优化方法,该方法不仅计算简单、抗噪性好,识别率高,还具有在非线性提取高维特征进行降维方面有显著优势。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中提供的一种CEEMD-MFE与t-SNE的局部放电模式识别方法的流程示意图;
图2为GIS典型内部缺陷模拟图;
图3为局部放电信号图,其中,图3(a)为气隙放电信号图,图3(b)为电晕放电信号图,图3(c)为悬浮放电信号图,图3(d)为沿面放电信号图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
为了便于理解,请参阅图1,本申请提供了一种局部放电模式识别方法的一个实施例,包括:
步骤101、对采集到的局部放电信号进行CEEMD分解,得到多个IMF分量。
需要说明的是,在气体绝缘金属封闭开关设备(GIS)下,GIS设备可能出现的缺陷类型包括尖端、悬浮、自由金属颗粒、气隙和沿面等,如图2所示,通过GIS实验平台获得大量的局部放电原始信号。
步骤102、对多个IMF分量进行相关性分析,筛选出最优模态分量,去除无关分量。
需要说明的是,对图3(a)~3(d)各自信号进行分解,得到若干模态分量,筛选最优模态分量,去除冗余分量,减少计算复杂度。
步骤103、计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量。
步骤104、利用t-SNE对特征向量进行降维。
步骤105、将降维后的特征向量作为栈式降噪自编码器的输入,对其进行分类识别。
可选地,对采集到的局部放电信号进行CEEMD分解,得到多个IMF分量,包括:
在局部放电原始信号x(t)中添加N组正负对形式的白噪声n(t),得到两组模态分量;
对信号采用EMD方法进行分解,每个信号都可分解为一系列IMF分量;
通过多组分量组合得到分解结果
式中,Cj为CEEMD分解得到的第j个分量,Cij为CEEMD第i次分解得到的第j个分量,n1为加入白噪声的次数。
可选地,对多个IMF分量进行相关性分析,筛选出最优模态分量,去除无关分量,包括:
CEEMD分解后的各模态分量IMF是由高到低进行排序,且主要信息都主要保留在前几个IMF中,因此可选取前四个IMF分量计算多尺度模糊熵值。
可选地,计算筛选出的最优模态分量的多尺度模糊熵值作为特征向量,包括:
首先将长度为N的原始局部放电信号时间序列M={x1,x2,...,xN}进行粗粒处理,s为尺度因子,然后计算新序列H={hi(s)}的模糊熵值。
式中,hi(s)为将原始局部放电信号时间序列进行粗粒处理后的新序列,s为尺度因子,xi为长度为N的原始局部放电信号时间序列。
对时间序列x={y1,y2,...,yN}设定维数m,根据初始的时间序列y构造m维向量:
x(i)={yi,yi+1,...,yi+m-1}-k
其中,i=1,2,…,N-m+1。k为连续m个yi的平均值;
计算序列中任意两个不同样本y(i)和y(j)之间的距离dij,即:
dij=d[y(i),y(j)]=max|(yi+k-yi)-(yj+k-yj)|
其中,i=1,2,…,N-m,i≠j;
通过模糊函数,定义向量y(i)和y(j)的相似度Dij,即:
Dij=exp(-(dij/r)n)
其中,n和r分别代表了指数函数边界的梯度和相似容限;
定义样本的平均相似度函数为:
原始信号的模糊熵定义如下:
可选地,利用t-SNE对特征向量进行降维,包括:
(1)构建高维空间中的概率分布
定义一个包含e个数据点的集合X={x1,x2,...,xe},假设任意两个点xi和xj服从以xi为中心,方差为δi的高斯分布Pi,同样xi服从以xj为中心,方差δj的高斯分布Pj。这样xi与xj相似的条件概率为:
数据点xi与xj相似度在全部数据点中两两相似度的联合概率Pij定义如下:
(2)构建低维空间中的概率分布
假设Y=[y1,y2,...,ye]是高维数据集X=[x1,x2,...,xe]的低维嵌入坐标。数据点xi与xj在低维空间中对应的点yi与yj的联合概率qij定义如下:
(3)计算低维嵌入
使用KL散度来度量低维空间概率分布Q和高维空间概率分布P之间的相似度:
之后,使用梯度下降来最小化KL散度,获得低维嵌入yi。
可选地,将降维后的特征向量作为栈式降噪自编码器的输入,对其进行分类识别。
本申请提供的局部放电模式识别方法,针对局部放电信号非线性、非平稳的特点,采用互补集合经验模态分解(CEEMD)对局部放电信号进行分解,根据相关系数原则对各模态分量进行筛选,选取最优模态分量,利用多尺度模糊熵(MFE)对筛选出的模态分量进行特征提取,并利用t-分布随机邻域嵌入算法(t-SNE)对特征向量进行维数约简,剔除冗余不相关特征,最后将提取出的局部放电特征数据集输入到自编码网络当中进行分类识别。本发明为局部放电提供一种模式识别的优化方法,该方法不仅计算简单、抗噪性好,识别率高,还具有在非线性提取高维特征进行降维方面有显著优势。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,其特征在于,该方法包括以下步骤:
步骤1:采用互补集合经验模态分解CEEMD对局部放电信号进行分解,得到各IMF分量;
步骤2:根据相关系数原则对各IMF分量进行筛选,选取出最优模态分量;
步骤3:利用多尺度模糊熵对筛选出的模态分量进行特征提取;
步骤4:利用t-分布随机邻域嵌入算法t-SNE对提取的特征向量进行维数约简;
步骤5:将经维数约简处理后的局部放电信号对应的特征向量数据输入至自编码网络当中进行分类识别。
2.根据权利要求1所述的一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,其特征在于,所述的步骤1包括以下分步骤:
步骤101:在局部放电原始信号中添加N组正负对形式的白噪声,得到两组模态分量;
步骤102:对信号采用EMD方法进行分解,得到各IMF分量。
4.根据权利要求1所述的一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,其特征在于,所述的步骤2具体包括:对各IMF分量进行相关性分析并进行排序,按要求选取出对应的最优模态分量。
7.根据权利要求1所述的一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法,其特征在于,所述的步骤4包括以下分步骤:
步骤401:构建高低维度空间中的概率分布;
步骤402:基于高低维度空间中的概率分布,通过计算低维嵌入对提取的特征向量进行维数约简。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392409.2A CN113283289A (zh) | 2021-04-13 | 2021-04-13 | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110392409.2A CN113283289A (zh) | 2021-04-13 | 2021-04-13 | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283289A true CN113283289A (zh) | 2021-08-20 |
Family
ID=77276624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110392409.2A Pending CN113283289A (zh) | 2021-04-13 | 2021-04-13 | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283289A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106405317A (zh) * | 2016-10-12 | 2017-02-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置及诊断方法 |
CN206114823U (zh) * | 2016-10-12 | 2017-04-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置 |
CN110141206A (zh) * | 2019-05-31 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于集合经验模态分解的生理电信号分析方法 |
CN110619311A (zh) * | 2019-09-20 | 2019-12-27 | 胡燕祝 | 一种基于eemd-ica-svm的数据分类方法 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN111665424A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 一种电气设备局部放电信号去噪方法及系统 |
-
2021
- 2021-04-13 CN CN202110392409.2A patent/CN113283289A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106199351A (zh) * | 2016-06-27 | 2016-12-07 | 国网北京市电力公司 | 局部放电信号的分类方法和装置 |
CN106405317A (zh) * | 2016-10-12 | 2017-02-15 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置及诊断方法 |
CN206114823U (zh) * | 2016-10-12 | 2017-04-19 | 国网辽宁省电力有限公司电力科学研究院 | 一种电力变压器绕组故障在线监测装置 |
CN110141206A (zh) * | 2019-05-31 | 2019-08-20 | 四川长虹电器股份有限公司 | 一种基于集合经验模态分解的生理电信号分析方法 |
CN110619311A (zh) * | 2019-09-20 | 2019-12-27 | 胡燕祝 | 一种基于eemd-ica-svm的数据分类方法 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN111665424A (zh) * | 2020-06-15 | 2020-09-15 | 国网山东省电力公司潍坊供电公司 | 一种电气设备局部放电信号去噪方法及系统 |
Non-Patent Citations (2)
Title |
---|
田英 等: "基于EWT多尺度模糊熵和PSO-ELM列车轮损伤监测", 《组合机床与自动化加工技术》, no. 6, 30 June 2020 (2020-06-30), pages 127 - 141 * |
高佳程: "电力设备局部放电信号去噪及特征提取方法的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 01, 15 January 2020 (2020-01-15), pages 1 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
CN112294341B (zh) | 一种基于轻量卷积神经网络的睡眠脑电纺锤波识别方法及系统 | |
CN114237046B (zh) | 一种基于sift数据特征提取算法与bp神经网络模型的局部放电模式识别方法 | |
CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
CN114067915A (zh) | 一种基于深度对抗变分自编码器的scRNA-seq数据降维方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN113569920B (zh) | 基于自动编码的第二近邻异常检测方法 | |
CN117095222A (zh) | 基于坐标注意力和bdc度量的小样本图像分类方法、系统、装置及介质 | |
CN108319935B (zh) | 基于区域稀疏的人脸群体识别方法 | |
CN113283289A (zh) | 一种基于CEEMD-MFE与t-SNE的局部放电模式识别方法 | |
CN116805534A (zh) | 基于弱监督学习的疾病分型方法、系统、介质及设备 | |
CN111401440A (zh) | 目标分类识别方法、装置、计算机设备及存储介质 | |
CN110991364A (zh) | 脑电信号分类方法及系统 | |
Kumar et al. | Wavelet and symmetric stochastic neighbor embedding based computer aided analysis for breast cancer | |
CN109543717A (zh) | 基于自适应邻域及字典的联合协作表达高光谱分类方法 | |
CN111191548B (zh) | 一种基于s变换的放电信号识别方法及识别系统 | |
CN110265151B (zh) | 一种基于ehr中异构时态数据的学习方法 | |
Chang et al. | An Efficient Hybrid Classifier for Cancer Detection. | |
CN112651424A (zh) | 基于lle降维和混沌算法优化的gis绝缘缺陷识别方法及系统 | |
CN112418142A (zh) | 基于图信号处理的特征选择方法 | |
He et al. | Robust locally linear embedding and its application in analogue circuit fault diagnosis | |
Sulaiman et al. | Classification of healthy and white root disease infected rubber trees based on relative permittivity and capacitance input properties using LM and SCG artificial neural network | |
CN112818831B (zh) | 一种基于波段聚类和改进域变换递归滤波的高光谱图像分类算法 | |
CN113469078B (zh) | 基于自动设计长短时记忆网络的高光谱图像分类方法 | |
Yu et al. | High voltage transmission line object recognition based on improved YOLO and iterative feature |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210820 |