针对已有Cohen类时频分布等方法时频聚焦能力不足、在低信噪比(signal to noise ratio,SNR)情况下调制识别准确率低的问题,提出一种基于同步提取变换(synchro-extracting transform,SET)去噪的分组卷积神经网络调制识别方法。所提方法使...针对已有Cohen类时频分布等方法时频聚焦能力不足、在低信噪比(signal to noise ratio,SNR)情况下调制识别准确率低的问题,提出一种基于同步提取变换(synchro-extracting transform,SET)去噪的分组卷积神经网络调制识别方法。所提方法使用SET对雷达信号进行时频分析,以获得良好的时频聚焦性,提高时频分析的计算效率;通过Viterbi算法搜索估计时频系数矩阵中的瞬时频率轨迹,综合考虑信号能量强度分布与瞬时频率轨迹的平滑性,并对得到的瞬时频率轨迹进行中值滤波以去除脉冲噪声;保留瞬时频率轨迹邻域的时频系数,以达到时频图去噪的目的。最后,将去噪后的时频图送入具有残差连接的分组卷积神经网络进行特征提取与调制识别。实验结果表明,当SNR为-12 dB时,去噪后的SET时频图时频聚焦性好,调制识别准确率比未去噪的识别准确率提高了13.69%,证明所提出的雷达信号调制识别方法在低SNR条件下对多种复杂调制类型的信号具有良好的识别性能。展开更多
为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法...为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法首先利用能量比函数对电力系统广域量测信息实时检测,当检测到信号能量发生突变时,利用SSGST对检测到的振荡信号分解得到相应的SSGST时频系数矩阵;然后通过改进的脊线提取方法在时频域实现对各振荡分量的最优轨迹搜索;进一步,结合最优轨迹时频索引重构各振荡分量的时域分量,并利用ISTD辨识方法计算出各振荡分量的频率和阻尼比系数;最后,通过自合成模拟信号、双馈风电场经串补并网系统仿真信号和某实际风电场实测数据验证了所提方法的准确性和有效性。展开更多
文摘为实现电力系统次/超同步振荡的快速、准确辨识,提出了一种基于同步压缩广义S变换(synchrosqueezing generalized S transform, SSGST)和改进稀疏时域法(improved sparse time domain method,ISTD)结合的次/超同步振荡辨识方法。该方法首先利用能量比函数对电力系统广域量测信息实时检测,当检测到信号能量发生突变时,利用SSGST对检测到的振荡信号分解得到相应的SSGST时频系数矩阵;然后通过改进的脊线提取方法在时频域实现对各振荡分量的最优轨迹搜索;进一步,结合最优轨迹时频索引重构各振荡分量的时域分量,并利用ISTD辨识方法计算出各振荡分量的频率和阻尼比系数;最后,通过自合成模拟信号、双馈风电场经串补并网系统仿真信号和某实际风电场实测数据验证了所提方法的准确性和有效性。
