为解决传统电能质量扰动信号识别模型中特征融合固定和计算复杂度高的问题,文章提出了一种自适应格拉姆时间频率增强网络(Adaptive Gramian Time Frequency Enhancement Network,AGTFENet)。首先引入基于格拉姆矩阵的降噪策略处理一维...为解决传统电能质量扰动信号识别模型中特征融合固定和计算复杂度高的问题,文章提出了一种自适应格拉姆时间频率增强网络(Adaptive Gramian Time Frequency Enhancement Network,AGTFENet)。首先引入基于格拉姆矩阵的降噪策略处理一维输入信号,采用三分支并行架构,分别处理原始信号、格拉姆降噪信号和频谱;其次堆叠多个特征学习模块,通过深度可分离卷积提取各分支特征;最后引入自适应平均池化和自适应权重机制,动态调整各分支特征的贡献度,实现特征的加权融合及扰动信号的分类。仿真实验表明,AGTFENet在不同噪声等级(无噪声、40 dB、30 dB、20 dB)条件下的识别准确率分别为98.9%、98.7%、98.5%和97.8%,优于其他分类模型;且得益于其轻量化设计,在计算复杂度方面表现出色。展开更多
文摘为解决传统电能质量扰动信号识别模型中特征融合固定和计算复杂度高的问题,文章提出了一种自适应格拉姆时间频率增强网络(Adaptive Gramian Time Frequency Enhancement Network,AGTFENet)。首先引入基于格拉姆矩阵的降噪策略处理一维输入信号,采用三分支并行架构,分别处理原始信号、格拉姆降噪信号和频谱;其次堆叠多个特征学习模块,通过深度可分离卷积提取各分支特征;最后引入自适应平均池化和自适应权重机制,动态调整各分支特征的贡献度,实现特征的加权融合及扰动信号的分类。仿真实验表明,AGTFENet在不同噪声等级(无噪声、40 dB、30 dB、20 dB)条件下的识别准确率分别为98.9%、98.7%、98.5%和97.8%,优于其他分类模型;且得益于其轻量化设计,在计算复杂度方面表现出色。
