-
题名基于加窗FFT和HWT算法的谐波检测系统设计
被引量：12
- 1
-
-
作者
王娟
张尔东
于广艳
-
机构
哈尔滨石油学院信息工程学院
-
出处
《电测与仪表》
北大核心
2021年第7期189-194,共6页
-
基金
黑龙江省自然科学基金联合引导项目(LH2019F045)。
-
文摘
为了提高电网谐波的检测精度,特别是考虑电网中存在间谐波的情况,及造成的频谱泄漏和栅栏效应问题。采用了改进加窗插值FFT和HWT混合的非整次谐波算法,加窗插值采用可修改的Hanning窗、HWT采用谐波小波算法,更好地消除了间谐波的影响。硬件采用STM32+DSP的双CPU并行处理技术,提高了数据处理速度。MATLAB仿真结果以及实验结果分析表明,该算法提高了谐波检测精度,改善了系统的动态性能,并达到预期的效果,具有一定的实际意义。
-
关键词
加窗插值FFT算法
谐波小波法
非正次谐波
双CPU并行处理
-
Keywords
windowed interpolation FFT algorithm
harmonic wavelet method
non-positive harmonics
dual CPU parallel processing
-
分类号
TM933
[电气工程—电力电子与电力传动]
-
-
题名一种鲁棒的半监督联邦学习系统
被引量：3
- 2
-
-
作者
王树芬
张哲
马士尧
陈俞强
伍一
-
机构
哈尔滨石油学院信息工程学院
黑龙江大学数据科学与技术学院
广州航海学院信息与通信工程学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第6期107-114,123,共9页
-
基金
国家自然科学基金“基于DIBR绘制3D图像认证的关键技术研究”(61702224)。
-
文摘
联邦学习允许边缘设备或客户端将数据存储在本地来合作训练共享的全局模型。主流联邦学习系统通常基于客户端本地数据有标签这一假设,然而客户端数据一般没有真实标签,且数据可用性和数据异构性是联邦学习系统面临的主要挑战。针对客户端本地数据无标签的场景,设计一种鲁棒的半监督联邦学习系统。利用FedMix方法分析全局模型迭代之间的隐式关系,将在标签数据和无标签数据上学习到的监督模型和无监督模型进行分离学习。采用FedLoss聚合方法缓解客户端之间数据的非独立同分布(non-IID)对全局模型收敛速度和稳定性的影响,根据客户端模型损失函数值动态调整局部模型在全局模型中所占的权重。在CIFAR-10数据集上的实验结果表明,该系统的分类准确率相比于主流联邦学习系统约提升了3个百分点,并且对不同non-IID水平的客户端数据更具鲁棒性。
-
关键词
联邦学习
半监督联邦学习
数据异构性
一致性损失
鲁棒性
-
Keywords
Federated Learning(FL)
Semi-Supervised Federated Learning(SSFL)
data heterogeneity
consistency loss
robustness
-
分类号
TP301.6
[自动化与计算机技术—计算机系统结构]
-
