CN116626408B - 基于机器学习的电源纹波噪声检测方法 - Google Patents
基于机器学习的电源纹波噪声检测方法 Download PDFInfo
- Publication number
- CN116626408B CN116626408B CN202310912038.5A CN202310912038A CN116626408B CN 116626408 B CN116626408 B CN 116626408B CN 202310912038 A CN202310912038 A CN 202310912038A CN 116626408 B CN116626408 B CN 116626408B
- Authority
- CN
- China
- Prior art keywords
- low
- frequency
- frequency domain
- power supply
- ripple noise
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 23
- 238000012216 screening Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G01R29/26—Measuring noise figure; Measuring signal-to-noise ratio
-
- 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
- G01R31/40—Testing power supplies
- G01R31/42—AC power supplies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B15/00—Suppression or limitation of noise or interference
- H04B15/005—Reducing noise, e.g. humm, from the supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
Abstract
本发明涉及数据处理技术领域，具体涉及基于机器学习的电源纹波噪声检测方法，包括：根据电源电压数据序列得到IMF分量，根据IMF分量得到频域分量，根据频域分量包含的频域横坐标得到频域分量的聚类筛选参数，根据聚类筛选参数对每个频域分量进行聚类得到低频信号；根据低频信号与对应的频域分量得到低频信号中包含纹波噪声可能性，根据低频信号中包含纹波噪声可能性得到低频信号的纹波噪声可能携带量；根据纹波噪声可能携带量与目标贡献度得到低频分量的综合检测值，根据综合检测值得到电源的纹波噪声检测。本发明在检测过程避免了复杂信号的处理，所以结果更加的准确，对于其余噪声的排除效果更好。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及基于机器学习的电源纹波噪声检测方法。
背景技术
电源纹波噪声是指电源输出电压因电源的周期性交流扰动而产生波形为高频、小幅度波动的噪声信号；而这种扰动在直流电源等应用中会引起电压的突变或微小的波动，使得系统中的开关元件产生更多的电磁干扰，引起电子设备的工作异常或失效；因此，对这种波纹噪声进行监测和治理，对于提高电子设备的性能和稳定性具有重要的意义。
现有技术中对于纹波噪声的检测是利用原始信号进行频域转换进行检测，但是因为原始信号中包含了大量的非纹波噪声的其余噪声，在进行纹波噪声检测的时候，经常有其余的全频段噪声例如高斯噪声的影响，从而使得检测结果不准确，进而导致在进行电源的纹波噪声抑制的时候不能达到较好的效果。
基于上述问题，本发明提出了一种基于机器学习的电源纹波噪声检测方法，在对电源原始信号的基础上，利用EMD算法，将原本复杂的电源电压的原始信号转换为多个简单的IMF分量信号，而后利用纹波噪声区别与其他噪声的特征进行电源电压信号中的纹波噪声的检测。
发明内容
本发明提供基于机器学习的电源纹波噪声检测方法，以解决现有的问题。
本发明的基于机器学习的电源纹波噪声检测方法采用如下技术方案：
本发明一个实施例提供了基于机器学习的电源纹波噪声检测方法，该方法包括以下步骤：
采集电源电压值，预处理得到电源电压数据序列；
将电源电压数据序列分解得到若干个IMF分量，对每个IMF分量进行频域转换得到若干频域分量，根据频域分量包含的频域横坐标得到每个频域分量的聚类筛选参数，根据每个频域分量的聚类筛选参数对每个频域分量进行聚类得到若干低频信号；
根据每个低频信号与对应的频域分量得到每个低频信号中包含纹波噪声可能性，根据每个低频信号中包含纹波噪声可能性得到每个低频信号的纹波噪声可能携带量；
根据每个低频信号的纹波噪声可能携带量与每个低频信号的目标贡献度得到每个低频分量的综合检测值，根据综合检测值对低频分量进行阈值筛选得到电源的纹波噪声。
优选的，所述根据频域分量包含的频域横坐标得到每个频域分量的聚类筛选参数，包括的具体方法为：
对于任意一个频域分量，其中，J表示频域分量的聚类筛选参数；Z表示在频域坐标系中，频域分量包含的横坐标数量；表示在频域分量包含的频域横坐标中，第z个横坐标对应的纵坐标值；exp()表示以自然常数为底的指数函数。
优选的，所述根据每个频域分量的聚类筛选参数对每个频域分量进行聚类得到若干低频信号，包括的具体方法为：
获取每个频域分量的频域信号；
对所有频域分量的聚类筛选参数进行K-means聚类得到若干个聚类簇；获取每个聚类簇中聚类筛选参数的平均值，将聚类筛选参数平均值最小的聚类簇记为低频聚类簇，低频聚类簇中每个聚类筛选参数对应的频域分量记为低频分量，将每个低频分量内的每个频域信号记为低频信号。
优选的，所述根据每个低频信号与对应的频域分量得到每个低频信号中包含纹波噪声可能性，包括的具体方法为：
对于任意一个低频信号，其中，P表示低频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，低频信号所属频域分量包含的横坐标数量；表示在低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示在低频信号所属频域分量包含的频域横坐标中，第z1+1个横坐标对应的纵坐标值；max{}表示取最大值。
优选的，所述根据每个低频信号中包含纹波噪声可能性得到每个低频信号的纹波噪声可能携带量，包括的具体方法为：
对于任意一个低频信号，其中，W表示低频信号的纹波噪声可能携带量；P表示该频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，低频信号所属频域分量包含的横坐标数量；表示在低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示超参数。
优选的，所述根据每个低频信号的纹波噪声可能携带量与每个低频信号的目标贡献度得到每个低频分量的综合检测值，包括的具体方法为：
将电源电压数据序列中每个电源电压数据经方差贡献率算法计算的结果记为每个电源电压数据的初始贡献度，对所有每个电源电压数据的初始贡献度进行归一化处理，将每个电源电压数据的初始贡献度经归一化处理后的值记为每个电源电压数据的目标贡献度，获取每个低频信号的目标贡献度；对于任意一个低频分量，低频分量综合检测值的计算方法为：
其中，C表示低频分量的综合检测值；N3表示低频分量包含的低频信号数量；表示在低频分量包含的低频信号中，第n3个低频信号的目标贡献度；/>表示在低频分量包含的低频信号中，第n3个低频信号的纹波噪声可能携带量。
本发明的技术方案的有益效果是：相较于现有的原始电源信号全频段纹波噪声的检测，本发明利用EMD算法对原始信号进行分解，而后利用纹波噪声的特点进行逐个IMF分量的频域检测，检测过程避免了复杂信号的处理，所以结果更加的准确，对于其余噪声的排除效果更好。
附图说明
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，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明基于机器学习的电源纹波噪声检测方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于机器学习的电源纹波噪声检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的基于机器学习的电源纹波噪声检测方法的具体方案。
请参阅图1，其示出了本发明一个实施例提供的基于机器学习的电源纹波噪声检测方法的步骤流程图，该方法包括以下步骤：
步骤S001：采集电源电压值，预处理得到电源电压数据序列。
需要说明的是，现有技术中对于纹波噪声的检测是利用原始信号进行频域转换进行检测，但是因为原始信号中包含了大量的非纹波噪声的其余噪声，在进行纹波噪声检测的时候，经常有其余的全频段噪声例如高斯噪声的影响，从而使得检测结果不准确，进而导致在进行电源的纹波噪声抑制的时候不能达到较好的效果；基于上述问题，本实施例提出了一种基于机器学习的电源纹波噪声检测方法，在对电源原始信号的基础上，利用EMD算法，将原本复杂的电源电压的原始信号转换为多个简单的IMF分量信号，而后利用纹波噪声区别与其他噪声的特征进行电源电压信号中的纹波噪声的检测。
具体的，为了实现本实施例提出的基于机器学习的电源纹波噪声检测方法，本实施例仅针对直流电源进行纹波噪声的检测，所检测的纹波噪声为低频纹波噪声，首先需要采集数据，具体过程为：使用互感器每隔一秒采集一次直流电源稳定的电源电压值，共采集60秒，将每次采集的电源电压值按采集时间前后顺序排序后构成的序列记为电源电压序列，将电源电压序列输入电子数字转换器，输出得到电源电压数据序列。其中，电源电压数据序列由若干个电源电压数据构成，电源电压数据序列的长度与电源电压序列的长度一致且排序顺序也一致，每个电源电压数据对应一个电源电压值。
至此，通过上述方法得到电源电压数据序列。
步骤S002：根据EMD对电源电压数据序列分解得到若干个IMF分量，对IMF分量进行频域转换得到若干频域分量，根据频域分量得到聚类筛选参数，根据聚类筛选参数对频域分量进行聚类得到低频信号。
需要说明的是，由于电源电压数据序列中不仅包含纹波噪声，还有其余的全频段噪声，所以在进行纹波噪声的检测的时候，需要排除其余噪声，保留纹波噪声。而由于采集的电源电压数据包含的成分较多：电压的直流成分、纹波噪声、白噪声、高低频噪声等，在进行其余噪声排除中整体计算量太大，并且实现过程较为困难，因此本实施例对电源电压数据序列利用EMD算法进行分解，获得多个IMF分量，而后利用纹波噪声的特点利用机器学习算法进行初始筛选，对初始筛选后的IMF分量进行分析，去除常规的全频段的噪声的影响，以此来进行纹波噪声的检测。
进一步需要说明的是，获取的每个IMF分量都可能包含纹波噪声与其余噪声，而相比于其余噪声，纹波噪声是低频分量，此时的IMF分量表示时域的信号，所以可以将每个IMF分量频域转化得到对应的频域信号，通过对每个IMF分量对应的频域信号进行高低频筛选，而后根据频域信号进行聚类筛选参数的计算结合机器学习聚类算法用来去除高频频域分量，获得可能包含纹波噪声的低频IMF分量，而后对低频IMF分量进行频域分析，进行纹波噪声的检测。
具体的，通过EMD算法将电源电压数据序列分解得到若干个IMF分量，将每个IMF分量通过傅里叶变换后的值记为每个IMF分量的频域分量；其中每个IMF分量对应一段电源电压数据序列的部分序列段，每个频域分量包含多个频域信号，一个频域信号对应一个电源电压数据序列中的一个电源电压数据，EMD算法、傅里叶变换是公知技术，本实施例不进行叙述。
进一步的，以任意一个频域分量为例，该频域分量的聚类筛选参数的计算方法为：
其中，J表示该频域分量的聚类筛选参数；Z表示在频域坐标系中，该频域分量包含的横坐标数量；表示在该频域分量包含的频域横坐标中，第z个横坐标对应的纵坐标值；exp()表示以自然常数为底的指数函数，本实施例采用exp(-)函数来呈现反比例关系及归一化处理，实施者可根据实际情况选择反比例函数及归一化函数。获取所有频域分量的聚类筛选参数。
另外需要说明的是，频域分量的聚类筛选参数公式由两部分组成，其中第一部分为频率增抑权值，第二部分为信号值/>，因为聚类筛选参数J是为了筛选频域分量在频域中的信号能量分布的参数，而低频纹波噪声在高频处没有分布，所以本实施例利用频率增益权值对低频进行抑制，并且放大高频噪声的信号值，使得原本具有高频能量分布较大的频域信号被放大，而原本低频能量分布的频域信号被抑制，用于后续的信号筛选更为的准确。
进一步的，对所有频域分量的聚类筛选参数进行K-means聚类得到若干个聚类簇，其中每个聚类簇中包含多个频域分量的聚类筛选参数；获取每个聚类簇中聚类筛选参数的平均值，将聚类筛选参数平均值最小的聚类簇记为低频聚类簇，低频聚类簇中每个聚类筛选参数对应的频域分量记为低频分量，将每个低频分量内的每个频域信号记为低频信号；其中每个低频分量对应一个IMF分量，K-means聚类算法是一种公知的无监督机器学习算法，本实施例不赘述具体实现过程和原理，K-means聚类算法中的聚类数为K，其中本实施例以K=2为例进行叙述，本实施例不进行具体限定，其中K可根据具体实施情况而定。
至此，通过上述方法获取所有低频信号。
步骤S003：根据低频信号与对应的频域分量得到低频信号中包含纹波噪声可能性，根据低频信号中包含纹波噪声可能性得到低频信号的纹波噪声可能携带量。
需要说明的是，由于直流电源的对应纹波噪声的频率较低，具有较大的能量分量；而其余全频段的噪声对应的频率随机，且能量分布较为随机；所以基于此特征可以利用频谱图像进行纹波噪声的可能计算以及纹波噪声携带量的分量的计算。
进一步需要说明的是，直流电源信号中的纹波噪声相对与其余的噪声而言，具有较为明显的周期性，并且能量的分布更大，具体表现在频谱函数之中，直观图像化的表示为：纹波噪声为一个相较于其余噪声而言更为尖锐的峰，且峰值较大。所以本实施例利用此特征对任意一个低频信号进行包含纹波噪声的噪声可能性的量化。
具体的，以任意一个低频信号为例，该低频信号中包含纹波噪声可能性的计算方法为：
其中，P表示该低频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，该低频信号所属频域分量包含的横坐标数量；Z1-1表示在频域坐标系中，该低频信号所属频域分量中除该低频信号对应横坐标之外的横坐标数量；表示在该低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示在该低频信号所属频域分量包含的频域横坐标中，第z1+1个横坐标对应的纵坐标值；/>表示取/>中的最大值为函数输出结果；/>表示相邻两个横坐标对应的频谱函数的梯度变化；/>表示该梯度在整体函数中的重要性占比。获取所有低频信号中包含纹波噪声的噪声可能性。
另外需要说明的是，直流电源信号中的纹波噪声相对与其余的噪声而言，具有较为明显的周期性，并且能量的分布更大，具体表现在频谱函数之中，直观图像化的表示为：纹波噪声为一个相较于其余噪声而言更为尖锐的峰，且峰值较大。所以本实施例利用此特征对任意一个低频信号进行包含纹波噪声的可能性的量化。具体的逻辑过程为：首先进行低频信号所属频域分量中相邻两个横轴坐标对应的频谱函数值的差值计算，以此来表示相邻两个横坐标对应的频谱函数的梯度变化，而后进行梯度权值的计算/>，表明该梯度在整体函数中的重要性占比，在某一处频谱函数对应的图像更尖锐的时候，其肯定具有较大的梯度，即/>较大，且函数值相对于其余的频率的函数值更大，即/>更大；而平方的目的是增强抑制，如果在该处的函数值小于整体的平均函数值，则平方起缩小的作用，反之则相反。
进一步的，以任意一个低频信号为例，根据该低频信号中包含纹波噪声的噪声可能性得到该低频信号的纹波噪声可能携带量，其中该低频信号的纹波噪声可能携带量的计算方法为：
其中，W表示该低频信号的纹波噪声可能携带量；P表示该低频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，该低频信号所属频域分量包含的横坐标数量；表示在该低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示超参数，为0。
另外需要补充说明的是，纹波噪声相对于其余的噪声而言，因为产生方式的原因，其携带量的能量是较大的，即表现在频域中，有着较大的面积，所以本实施例利用任意一个低频信号频域内的面积进行分析，以此来确定该低频信号可能所携带的纹波噪声的携带量，具体的逻辑过程为：首先，纹波噪声对应的频域函数在/>处必然存在/>，因为所有的分量在频域中横轴对应的为直流电源部分，以及一部分其余噪声，所以首先需要对/>进行排除，而后是利用积分进行面积计算，其中频域信号除以z1即/>的原因为：低频纹波主要出现在横轴为0附近，而随着横轴越来越大，其非低频纹波的可能性越大，的作用与之相同，都是为了降低随着横轴越来越大，噪声的影响，即对低频纹波噪声的面积尽可能的不做抑制，而对非低频纹波的面积进行大幅度抑制；分母为该低频信号所属频域分量在对应的频域的所有面积，即其余噪声与低频纹波噪声的总和；而后利用可能性作为权值，可能性越大，说明后续的纹波噪声携带量越准确，可能性越小，说明纹波噪声携带量越不准确，进行约束。
至此，通过上述方法得到所有低频信号的纹波噪声可能携带量。
步骤S004：根据纹波噪声可能携带量与贡献度得到低频分量的综合检测值，根据综合检测值对低频分量进行阈值筛选得到噪声分量，实现电源的纹波噪声检测。
具体的，将电源电压数据序列中每个电源电压数据经方差贡献率算法计算的结果记为每个电源电压数据的初始贡献度，对所有每个电源电压数据的初始贡献度进行归一化处理，将每个电源电压数据的初始贡献度经归一化处理后的值记为每个电源电压数据的目标贡献度，获取每个低频信号的目标贡献度。以任意一个低频分量为例，该低频分量综合检测值的计算方法为：
其中，C表示该低频分量的综合检测值；N3表示该低频分量包含的低频信号数量；表示在该低频分量包含的低频信号中，第n3个低频信号的目标贡献度；/>表示在该低频分量包含的低频信号中，第n3个低频信号的纹波噪声可能携带量。获取所有低频分量的综合检测值。
预设一个综合检测阈值T1，其中本实施例以T1=20为例进行叙述，本实施例不进行具体限定，其中T1可根据具体实施情况而定；以任意一个低频分量为例，若该低频分量的综合检测值大于等于综合检测阈值T1，则将该低频分量记为噪声分量。获取所有噪声分量并标记为电源纹波噪声，实现电源纹波噪声检测。
至此，本实施例完成。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.基于机器学习的电源纹波噪声检测方法，其特征在于，该方法包括以下步骤：
采集电源电压值，预处理得到电源电压数据序列；
将电源电压数据序列分解得到若干个IMF分量，对每个IMF分量进行频域转换得到若干频域分量，根据频域分量包含的频域横坐标得到每个频域分量的聚类筛选参数，根据每个频域分量的聚类筛选参数对每个频域分量进行聚类得到若干低频信号；
根据每个低频信号与对应的频域分量得到每个低频信号中包含纹波噪声可能性，根据每个低频信号中包含纹波噪声可能性得到每个低频信号的纹波噪声可能携带量；
根据每个低频信号的纹波噪声可能携带量与每个低频信号的目标贡献度得到每个低频分量的综合检测值，根据综合检测值对低频分量进行阈值筛选得到电源的纹波噪声；
其中低频分量的获取方法为：获取每个频域分量的频域信号；对所有频域分量的聚类筛选参数进行K-means聚类得到若干个聚类簇；获取每个聚类簇中聚类筛选参数的平均值，将聚类筛选参数平均值最小的聚类簇记为低频聚类簇，低频聚类簇中每个聚类筛选参数对应的频域分量记为低频分量。
2.根据权利要求1所述基于机器学习的电源纹波噪声检测方法，其特征在于，所述根据频域分量包含的频域横坐标得到每个频域分量的聚类筛选参数，包括的具体方法为：
对于任意一个频域分量，其中，J表示频域分量的聚类筛选参数；Z表示在频域坐标系中，频域分量包含的横坐标数量；表示在频域分量包含的频域横坐标中，第z个横坐标对应的纵坐标值；exp()表示以自然常数为底的指数函数。
3.根据权利要求1所述基于机器学习的电源纹波噪声检测方法，其特征在于，所述根据每个频域分量的聚类筛选参数对每个频域分量进行聚类得到若干低频信号，包括的具体方法为：
将每个低频分量内的每个频域信号记为低频信号。
4.根据权利要求1所述基于机器学习的电源纹波噪声检测方法，其特征在于，所述根据每个低频信号与对应的频域分量得到每个低频信号中包含纹波噪声可能性，包括的具体方法为：
对于任意一个低频信号，其中，P表示低频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，低频信号所属频域分量包含的横坐标数量；表示在低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示在低频信号所属频域分量包含的频域横坐标中，第z1+1个横坐标对应的纵坐标值；max{}表示取最大值。
5.根据权利要求1所述基于机器学习的电源纹波噪声检测方法，其特征在于，所述根据每个低频信号中包含纹波噪声可能性得到每个低频信号的纹波噪声可能携带量，包括的具体方法为：
对于任意一个低频信号，其中，W表示低频信号的纹波噪声可能携带量；P表示该频信号中包含纹波噪声的噪声可能性；Z1表示在频域坐标系中，低频信号所属频域分量包含的横坐标数量；表示在低频信号所属频域分量包含的频域横坐标中，第z1个横坐标对应的纵坐标值；/>表示超参数。
6.根据权利要求1所述基于机器学习的电源纹波噪声检测方法，其特征在于，所述根据每个低频信号的纹波噪声可能携带量与每个低频信号的目标贡献度得到每个低频分量的综合检测值，包括的具体方法为：
将电源电压数据序列中每个电源电压数据经方差贡献率算法计算的结果记为每个电源电压数据的初始贡献度，对所有每个电源电压数据的初始贡献度进行归一化处理，将每个电源电压数据的初始贡献度经归一化处理后的值记为每个电源电压数据的目标贡献度，获取每个低频信号的目标贡献度；对于任意一个低频分量，低频分量综合检测值的计算方法为：
其中，C表示低频分量的综合检测值；N3表示低频分量包含的低频信号数量；表示在低频分量包含的低频信号中，第n3个低频信号的目标贡献度；/>表示在低频分量包含的低频信号中，第n3个低频信号的纹波噪声可能携带量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912038.5A CN116626408B (zh) | 2023-07-25 | 2023-07-25 | 基于机器学习的电源纹波噪声检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310912038.5A CN116626408B (zh) | 2023-07-25 | 2023-07-25 | 基于机器学习的电源纹波噪声检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116626408A CN116626408A (zh) | 2023-08-22 |
| CN116626408B true CN116626408B (zh) | 2023-10-13 |
Family
ID=87603025
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310912038.5A Active CN116626408B (zh) | 2023-07-25 | 2023-07-25 | 基于机器学习的电源纹波噪声检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116626408B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116881636B (zh) * | 2023-09-08 | 2023-12-08 | 山东远盾网络技术股份有限公司 | 基于人工智能的频域信号分析检测方法 |
| CN116992270B (zh) * | 2023-09-26 | 2024-01-09 | 惠州市优尼可科技有限公司 | 一种基于数据处理的壁挂储能电源运行监测方法 |
| CN117289066B (zh) * | 2023-11-22 | 2024-02-13 | 南通至正电子有限公司 | 一种电压稳定性监测方法及系统 |
| CN117890821B (zh) * | 2024-03-13 | 2024-05-14 | 陕西威思曼高压电源股份有限公司 | 一种三重四极杆用快速逆转高压电源故障监测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107367647A (zh) * | 2017-06-22 | 2017-11-21 | 上海理工大学 | 基于eemd‑som的电网谐波源检测与定位方法 |
| CN107590455A (zh) * | 2017-09-05 | 2018-01-16 | 北京华电智成电气设备有限公司 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
| CN110138694A (zh) * | 2019-03-08 | 2019-08-16 | 中山大学 | 一种基于噪声预测的单载波频域均衡算法 |
| JP2021018818A (ja) * | 2019-07-18 | 2021-02-15 | 浙江大学Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8396688B2 (en) * | 2008-09-07 | 2013-03-12 | Ikanos Communications, Inc. | Systems and methods for impulse noise characterization |
-
2023
- 2023-07-25 CN CN202310912038.5A patent/CN116626408B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107367647A (zh) * | 2017-06-22 | 2017-11-21 | 上海理工大学 | 基于eemd‑som的电网谐波源检测与定位方法 |
| CN107590455A (zh) * | 2017-09-05 | 2018-01-16 | 北京华电智成电气设备有限公司 | 一种基于小波分解的高频局放自适应滤波聚类方法及装置 |
| CN110138694A (zh) * | 2019-03-08 | 2019-08-16 | 中山大学 | 一种基于噪声预测的单载波频域均衡算法 |
| JP2021018818A (ja) * | 2019-07-18 | 2021-02-15 | 浙江大学Ｚｈｅｊｉａｎｇ Ｕｎｉｖｅｒｓｉｔｙ | ウェーブレットおよび主成分解析に基づくプロペラのキャビテーション状態の検出方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于变分模态分解和希尔伯特变换的直流纹波检测;屈龙腾;李沛兴;乔壮壮;;电气技术(第08期);1-8 * |
| 直流配电网纹波测量方法;朱明星;闫奎龙;;电测与仪表(第16期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116626408A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116626408B (zh) | 基于机器学习的电源纹波噪声检测方法 | |
| Prochazka et al. | Wavelet transform use for feature extraction and EEG signal segments classification | |
| Gao et al. | Denoising nonlinear time series by adaptive filtering and wavelet shrinkage: a comparison | |
| CN109359506B (zh) | 一种基于小波变换的心磁信号降噪方法 | |
| CN102247143B (zh) | 一种可集成的心电信号去噪和qrs波识别的快速算法 | |
| WO2019062595A1 (zh) | 光电容积脉搏波的质量评估方法 | |
| WO2019041772A1 (zh) | 一种基于脑电信号的麻醉深度的监测方法及系统 | |
| CN104305992B (zh) | 一种交互式胎儿心电快速自动提取方法 | |
| CN113325277A (zh) | 一种局部放电处理方法 | |
| CN111419279A (zh) | 一种超声多普勒胎心信号的自适应消噪算法 | |
| Wang et al. | Wavelet transform based ECG denoising using adaptive thresholding | |
| El Bouny et al. | ECG signal denoising based on ensemble emd thresholding and higher order statistics | |
| Wang et al. | An improved region growing method for medical image selection and evaluation based on Canny edge detection | |
| CN108596879B (zh) | 一种基于希尔伯特黄变换的fMRI时频域动态网络构建方法 | |
| Zhang et al. | An efficient porcine acoustic signal denoising technique based on EEMD-ICA-WTD | |
| Gavrovska et al. | Identification of S1 and S2 heart sound patterns based on fractal theory and shape context | |
| Zheng et al. | Real-time QRS detection method | |
| TW201332512A (zh) | 量測心率方法及裝置 | |
| CN114947850A (zh) | 基于脉搏波高斯模型特征的脑力负荷等级客观检测方法 | |
| Xu et al. | Research on Heart Sound Denoising Method Based on CEEMDAN and Optimal Wavelet | |
| CN111382790A (zh) | 一种基于小波变换的高压直流故障分类方法 | |
| CN116383709B (zh) | 信号噪声的检测方法、信号检测模型、可读存储介质 | |
| CN113679413B (zh) | 一种基于vmd-cnn的肺音特征识别分类方法及系统 | |
| Liu et al. | An Improved ECG Denoising Algorithm Based on Wavelet-scale Correlation Coefficients | |
| CN109657660B (zh) | 一种基于经验模态分解和小波时频分析的胎心率提取方法 |
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 |