为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测...为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。展开更多
喉振传声器以其优良的抗噪声特性已在多种强噪声场景中得到应用,但其产生的语音尚存在着中频成份厚重、高频成份缺失等问题,严重影响了语音的清晰度和可懂度。为改善喉振传声器的语音质量,本文提出了一种基于长短时记忆递归神经网络(Lon...喉振传声器以其优良的抗噪声特性已在多种强噪声场景中得到应用,但其产生的语音尚存在着中频成份厚重、高频成份缺失等问题,严重影响了语音的清晰度和可懂度。为改善喉振传声器的语音质量,本文提出了一种基于长短时记忆递归神经网络(Long short term memory recurrent neuralnetworks,LSTM-RNN)的喉振传声器语音盲增强算法。与基于低维的谱包络特征估计算法不同,该算法首先利用LSTM-RNN对喉振传声器语音与空气传导语音的高维对数幅度谱之间的转换关系进行建模,能有效捕捉上下文信息实现语音幅度谱的重构,然后采用非负矩阵分解(Non-negative matrixfactorization,NMF)对估计出的语音幅度谱进行处理,有效抑制了过平滑问题,进一步提高了语音质量。仿真实验得到的LLR,LSD,PESQ性能指标表明,该算法可有效改善喉振传声器的语音质量。展开更多
文摘为解决传统特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题,提出基于长短时记忆(long short term memory,LSTM)循环神经网络(recurrent neural network,RNN)的特高压直流输电线路继电保护故障检测方法。首先,基于快速傅里叶变换分析特高压直流输电系统暂态故障特征,使用相模变换和小波变换提取出故障特征量作为输入数据。其次,将输入数据输入到LSTM-RNN中进行前向传播,对系统故障特征进行深度学习,同时使用反向传播方式更新网络参数,将深层的特征量输入到Softmax分类器中进行分类,把故障识别分成区外故障、母线故障和线路故障,故障分类为正极故障、负极故障和双极故障,并输出识别结果。最后,在PSCAD/EMTDC仿真条件下,搭建特高压直流输电模型。验证结果表明:所提的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有更好的效果,相比于人工神经网络、卷积神经网络、支持向量机,故障识别准确率分别提升4.71%、6.57%、9.32%。
文摘喉振传声器以其优良的抗噪声特性已在多种强噪声场景中得到应用,但其产生的语音尚存在着中频成份厚重、高频成份缺失等问题,严重影响了语音的清晰度和可懂度。为改善喉振传声器的语音质量,本文提出了一种基于长短时记忆递归神经网络(Long short term memory recurrent neuralnetworks,LSTM-RNN)的喉振传声器语音盲增强算法。与基于低维的谱包络特征估计算法不同,该算法首先利用LSTM-RNN对喉振传声器语音与空气传导语音的高维对数幅度谱之间的转换关系进行建模,能有效捕捉上下文信息实现语音幅度谱的重构,然后采用非负矩阵分解(Non-negative matrixfactorization,NMF)对估计出的语音幅度谱进行处理,有效抑制了过平滑问题,进一步提高了语音质量。仿真实验得到的LLR,LSD,PESQ性能指标表明,该算法可有效改善喉振传声器的语音质量。
