期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到4篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于HALA-VMD-IWTD的振动信号联合去噪
1
作者 曹亚超 吕贺轩 +2 位作者 崔彦平 何晓旭 张强 《振动与冲击》 北大核心 2026年第1期1-10,共10页
针对机械传动系统中采集的信号存在噪声干扰问题,提出了一种混合人工旅鼠算法(hybrid artificial lemming algorithm,HALA)优化变分模态分解(variational mode decomposition,VMD)与改进小波阈值去噪(improved wavelet threshold denois... 针对机械传动系统中采集的信号存在噪声干扰问题,提出了一种混合人工旅鼠算法(hybrid artificial lemming algorithm,HALA)优化变分模态分解(variational mode decomposition,VMD)与改进小波阈值去噪(improved wavelet threshold denoising,IWTD)的振动信号联合去噪方法。首先,通过HALA自适应选取VMD的关键参数,将含噪信号自适应分解为n个本征模态函数;其次,通过相关系数法筛选有效模态分量;最后,利用改进的小波阈值函数对选定分量进行二次去噪。结果表明:与VMD、小波阈值去噪(wavelet threshold denoising,WTD)、VMD-IWTD等去噪方法进行对比,基于HALA-VMD-IWTD的振动信号联合去噪方法去噪后的信号信噪比最高、均方根误差最小,具有更好的去噪优越性,适用于非平稳振动信号去噪;当故障特征频率为103.4 Hz时,经该方法去噪处理后,信号中的故障特征频率成分更加突出,背景噪声得到有效抑制。 展开更多
关键词 混合人工旅鼠算法(HALA) 变分模态分解(VMD) 改进小波阈值去噪(IWTD) 振动信号 去噪
在线阅读 下载PDF
地下空间异构无人系统分布式协同搜索路径规划方法
2
作者 詹浩 周同乐 +1 位作者 陈谋 杨家文 《哈尔滨工业大学学报》 北大核心 2026年第1期12-23,共12页
为解决地下空间中空地异构无人系统协同区域搜索效率低下的问题,本文综合考虑空中与地面障碍物的双重约束,构建了三维栅格地下空间模型。基于此,利用自适应高度的无人系统三维传感器模型,量化分析了探测距离对探测性能的影响,并采用信... 为解决地下空间中空地异构无人系统协同区域搜索效率低下的问题,本文综合考虑空中与地面障碍物的双重约束,构建了三维栅格地下空间模型。基于此,利用自适应高度的无人系统三维传感器模型,量化分析了探测距离对探测性能的影响,并采用信息素图机制,通过信息素的扩散与挥发动态更新环境信息。在分布式模型预测控制(distributed model predictive control,DMPC)框架下,融合差分变异、三角形游走、高斯扰动和t分布自适应扰动策略,提出了一种融合信息素图机制的改进人工旅鼠算法(improved artificial lemming algorithm-pheromone map,IDALA-PM),以实现多空地异构无人系统的分布式实时路径规划。仿真结果表明,所提出的IDALA-PM算法能够有效完成地下空间搜索任务,相比传统算法,搜索效率提高了54.2%。 展开更多
关键词 地下空间 空地异构无人系统 协同搜索路径规划 DMPC IDALA-PM
在线阅读 下载PDF
基于融合迁移学习的IPCNN串联型故障电弧检测研究
3
作者 严灵潇 李斌 +1 位作者 舒嘉辉 张勇志 《电子测量与仪器学报》 北大核心 2025年第11期258-272,共15页
针对实际家庭环境中,家用负载故障数据难以采集导致故障样本稀缺,无法满足故障模型的训练要求的问题。提出了一种融合迁移学习的改进双通道卷积神经网络(IPCNN)串联型故障电弧检测方法。首先,搭建家用负载串联型电弧故障实验平台,获取... 针对实际家庭环境中,家用负载故障数据难以采集导致故障样本稀缺,无法满足故障模型的训练要求的问题。提出了一种融合迁移学习的改进双通道卷积神经网络(IPCNN)串联型故障电弧检测方法。首先,搭建家用负载串联型电弧故障实验平台,获取感性负载和阻性负载在发生串联故障时的一维电压信号,利用格拉姆角场将其转换为二维图像,形成新的图片数据集并将其送入源域上的双通道卷积神经网络(PCNN)模型中进行训练得到该模型的权重参数。然后通过迁移学习将源域上已训练好的权重参数迁移至目标域上的IPCNN模型中,加快模型训练时间,节省计算资源。同时,在IPCNN模型中加入了门控循环单元(GRU)和多头注意力机制(MSA)来提高模型计算效率和表达能力,并且在IPCNN模型中舍弃掉PCNN模型中的分类层,使用L2正则化支持向量机(L2-SVM)代替Softmax层进行分类任务控制模型的复杂度,从而提高模型的泛化能力。最后,针对模型中的学习率和神经元个数等超参数难以确定的问题,利用改进后的人工旅鼠算法进行优化,使其网络结构更加合理。通过对比实验,该模型对感性负载和阻性负载的平均识别准确率分别为97%和97.75%。证明所提方法克服了在数据稀缺的情况下导致模型识别精度低的问题,对于家用负载串联电弧故障的识别具有良好的成效。 展开更多
关键词 格拉姆角场 IPCNN 改进人工旅鼠算法 迁移学习 故障检测
原文传递
基于协同聚类与优化分解的时序卷积双向神经网络短期光伏功率预测方法
4
作者 张紫格 舒征宇 +2 位作者 刘颂凯 姚钦 童华敏 《分布式能源》 2025年第5期41-51,共11页
针对光伏发电功率因天气变化导致的间歇性和波动性从而导致预测精度较低的问题,提出一种基于自组织映射(self-organizing map,SOM)网络和K均值(K-means)算法(S-Kmeans)的协同聚类、改进的人工旅鼠算法(improved artificial lemming algo... 针对光伏发电功率因天气变化导致的间歇性和波动性从而导致预测精度较低的问题,提出一种基于自组织映射(self-organizing map,SOM)网络和K均值(K-means)算法(S-Kmeans)的协同聚类、改进的人工旅鼠算法(improved artificial lemming algorithm,IALA)优化的变分模态分解(variational mode decomposition,VMD)与时序卷积网络(temporal convolutional networks, TCN)-双向门控循环单元(bidirectional gated recurrent unit,BiGRU)联合构建的多层级短期光伏功率预测方法。首先,根据相关性分析选出关键气象因子,采用S-Kmeans的协同聚类将光伏数据划分为晴天、多云、阴雨3种典型天气类型。在此基础上,利用IALA对VMD参数组合进行自适应优化,实现光伏功率序列的最优分解,从而更好地捕捉信号的局部特征。最后,对每个子序列构建TCN-BiGRU模型,通过分量预测与全局重构得到预测结果,提升预测精度。实验结果表明,提出的优化模型在各项性能指标上均优于对比模型,验证了其在提高短期光伏功率预测精度方面的有效性。 展开更多
关键词 光伏功率预测 变分模态分解(VMD) 改进人工旅鼠算法(iala) 时序卷积网络(TCN) 双向门控循环单元(BiGRU)
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部