为了解决冲击噪声下长短时记忆(long short term memory,LSTM)神经网络调制信号识别方法抗冲击噪声能力弱和超参数难以确定的问题,本文提出了一种演化长短时记忆神经网络的调制识别方法。利用基于短时傅里叶变换的卷积神经网络(convolut...为了解决冲击噪声下长短时记忆(long short term memory,LSTM)神经网络调制信号识别方法抗冲击噪声能力弱和超参数难以确定的问题,本文提出了一种演化长短时记忆神经网络的调制识别方法。利用基于短时傅里叶变换的卷积神经网络(convolution neural network,CNN)去噪模型对数据集去噪;结合量子计算机制和旗鱼优化器(sailfish optimizer,SFO)设计了量子旗鱼算法(quantum sailfish algorithm,QSFA)去演化LSTM神经网络以获得最优的超参数;使用演化长短时记忆神经网络作为分类器进行自动调制信号识别。仿真结果表明,采用所设计的CNN去噪和演化长短时记忆神经网络模型,识别准确率有了大幅度的提高。量子旗鱼算法演化LSTM神经网络模型降低了传统LSTM神经网络容易陷于局部极小值或者过拟合的概率,当混合信噪比为0 dB,所提方法对11种调制信号的平均识别准确率达到90%以上。展开更多
交直流变换器是串联式混合动力汽车(Series Hybrid Electric Vehicles,SHEV)电气驱动系统中实现功率变换以及调速调频的核心装置,由于存在大量功率器件,导致其容易发生各种故障,且受功率以及外界环境等各种因素影响导致故障信号特征提...交直流变换器是串联式混合动力汽车(Series Hybrid Electric Vehicles,SHEV)电气驱动系统中实现功率变换以及调速调频的核心装置,由于存在大量功率器件,导致其容易发生各种故障,且受功率以及外界环境等各种因素影响导致故障信号特征提取困难,故障诊断难以准确定位故障发生位置。文中主要针对功率器件发生断路故障问题,基于建立的SHEV电气系统的交直流变换器仿真模型,选择直流侧母线输出电流为特征量,并且充分考虑功率器件的位置,对功率器件开路故障类型进行详细分类,然后对各种故障下直流侧母线输出电流的特性进行分析。利用快速傅里叶变换将故障信号分解到不同的频率段,通过分析比较选取30k Hz(k=1,2,3…)频率段信号为故障诊断特征向量,再结合基于遗传算法的BP神经网络实现故障类型识别。仿真结果表明,这种方法可对交直流变换器的开路故障进行有效诊断和识别,预测结果误差非常小,具有计算简便,准确性高的优点。展开更多
文摘为了解决冲击噪声下长短时记忆(long short term memory,LSTM)神经网络调制信号识别方法抗冲击噪声能力弱和超参数难以确定的问题,本文提出了一种演化长短时记忆神经网络的调制识别方法。利用基于短时傅里叶变换的卷积神经网络(convolution neural network,CNN)去噪模型对数据集去噪;结合量子计算机制和旗鱼优化器(sailfish optimizer,SFO)设计了量子旗鱼算法(quantum sailfish algorithm,QSFA)去演化LSTM神经网络以获得最优的超参数;使用演化长短时记忆神经网络作为分类器进行自动调制信号识别。仿真结果表明,采用所设计的CNN去噪和演化长短时记忆神经网络模型,识别准确率有了大幅度的提高。量子旗鱼算法演化LSTM神经网络模型降低了传统LSTM神经网络容易陷于局部极小值或者过拟合的概率,当混合信噪比为0 dB,所提方法对11种调制信号的平均识别准确率达到90%以上。
文摘交直流变换器是串联式混合动力汽车(Series Hybrid Electric Vehicles,SHEV)电气驱动系统中实现功率变换以及调速调频的核心装置,由于存在大量功率器件,导致其容易发生各种故障,且受功率以及外界环境等各种因素影响导致故障信号特征提取困难,故障诊断难以准确定位故障发生位置。文中主要针对功率器件发生断路故障问题,基于建立的SHEV电气系统的交直流变换器仿真模型,选择直流侧母线输出电流为特征量,并且充分考虑功率器件的位置,对功率器件开路故障类型进行详细分类,然后对各种故障下直流侧母线输出电流的特性进行分析。利用快速傅里叶变换将故障信号分解到不同的频率段,通过分析比较选取30k Hz(k=1,2,3…)频率段信号为故障诊断特征向量,再结合基于遗传算法的BP神经网络实现故障类型识别。仿真结果表明,这种方法可对交直流变换器的开路故障进行有效诊断和识别,预测结果误差非常小,具有计算简便,准确性高的优点。
