基于改进持续法的短期风电功率预测

为了有效减轻风能波动对电网的影响,提高风电在电力市场中的竞争力,风电功率预测研究具有重要意义。该文提出了基于小波变换的改进持续法,对短期风电功率预测进行研究。该方法首先利用小波变换将原始风速信号分解为高频部分和低频部分,针对高频信号相邻的两个数据之间相似度较低,波动较大的特点,采用滑动平均法进行预测,而低频信号仍然采用持续法预测,最后通过小波重构以及风电功率特性曲线转换得到风电功率预测值。与原持续法相比较,平均相对误差由17.10%降至11.81%,平均绝对误差由39.58 kW降至23.48 kW,有效地提高了短期风电功率预测的精度,具有一定的实际应用价值。     

离散小波变换和BP神经网络识别玉米种子纯度

摘要：为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对其图像处理方法和分类算法进行研究,提出一种基于离散小波变换和BP神经网络玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB颜色模型特征参数,然后对三个色彩分量分别进行二层离散小波变换,提取各频带区域均值作为BP神经网络的输入样本,玉米种子的纯度分类作为神经网络的输出样本。实验结果表明该方法可准确识别玉米纯度并分类,正确识别率达94.5%。     

一种基于小波变换的图像过渡区提取及分割方法

具有复杂背景的树木图像的分割对于精确对靶施药及智能化植保机械的设计具有重要意义。为实现树木图像的精确分割,针对该类图像的特点,该文提出了一种基于小波变换的过渡区提取树木图像分割方法。通过对比小波变换系数、小波变换系数聚类以及小波包系数,最终选取了同时能够分解出更多高频、低频信息的小波包变换系数提取特征,根据小波包变换系数定义了小波能量比参数,将小波能量比参数值归一化为图像灰度值,采用自适应阈值和神经网络两种方法提取了过渡区,实现了具有复杂背景树木图像的分割。试验表明,该方法分割精度高,对于分割复杂背景的树木图像具有特别意义。     

基于小波包变换和量子神经网络的触电故障类型识别模型

针对农村低压电网中广泛应用的剩余电流保护装置,只能检测到剩余电流有效值的大小作为唯一动作判据,不能自动识别剩余电流与触电故障类型之间所具有的非线性映射规律的难题,提出了一种基于小波包变换和量子神经网络的触电故障类型识别模型。首先应用小波包变换明确了生物体触电故障时,剩余电流中312.475 Hz以下低频带的能量谱波动明显,其中39.062 5~78.125 Hz和119.2~156.25 Hz两频带的波动幅度达9.05和9.00,提取了剩余电流的小波包能量谱8维度特征向量,同时应用特征频带能量占有比之差的平均变化率,实现了生物体发生触电故障的准确检测。然后以小波包能量特征向量为有效信息源,利用量子计算的态叠加思想和神经网络计算的自适应性结合,建立了一种量子神经网络作为触电故障类型识别模型,该网络采用多个量子能级的量子神经元,在学习1 437次时误差精度达到0.000 998 92,快速高效地实现了触电故障类型的识别,其仿真试验准确率达100%。该研究对于研发新一代基于生物体触电电流分量动作的自适应型剩余电流保护装置具有重要的参考价值。     

基于小波神经网络的轴流泵性能预测

针对由轴流泵内部流动复杂性导致的性能曲线难易获取的问题,致力于经济、可靠的获取其基本性能曲线和预测其基本性能,以期产生缩短设计和制造周期、降低技术改造费用等巨大的经济效益和社会效益。采用小波神经网络方法建立了轴流泵性能预测的数学模型,通过2个模型训练考查了其适应性、收敛性和精度,说明了其相对BP神经网络具有网络收敛速度大幅加快(由95缩短到15 s)和精度大幅提高(期望误差由2.0×10-2减小到6.5×10-4)的优点,经泵站工程改造过程中预测数据和实测数据的对比分析(扬程误差率均小于1.2%,效率误差率均小于1.5%),充分证明了小波神经网络预测模型的稳定性和实用性,据此获得的轴流泵基本性能曲线和实现的性能预测是经济的、可靠的。该研究可为轴流泵的设计、制造和技术改造提供参考。     

基于小波变换的农业图像增强方法研究

国内外有关果品、植物、昆虫等农业图像处理大都采用常规的方法，这些方法要么仅在时域要么仅在频域，而不能同时在时域和频域分析图像，且不具有多分辨率特性。该研究应用小波变换这一新理论、新方法，深入开展农业图像增强方面的研究工作。将小波变换应用于低对比度的仙客来图像、橙子剖面图的增强，设计了加强低频弱化高频、增强低频合并原图像两种算法，解决了传统的直方图均值化、对数变换以及LoG Filter等方法不能较好地使图像增强的问题；又将小波变换应用于含有皱褶及裂纹的红枣图像的增强，通过加强高频弱化低频，很方便地使得红枣的裂纹和皱褶更加明显，便于分级与检测。结果表明基于小波变换的农业图像增强算法方便简捷、效果良好。     

滑坡变形的多因素小波神经网络预测模型

小波神经网络模型结合了小波变换良好的时频局域化性质及传统神经网络具有的自学习功能,具有良好的逼近与容错能力。以某水电工程区的典型滑坡为例,在对滑坡的基本特征、滑坡变形与主要影响因素相关关系进行分析的基础上,选择滑坡位移速率和对滑坡位移起控制作用的降雨2个因素,建立了滑坡变形的小波神经网络预测模型,并与其他多因素小波神经网络模型进行了比较。结果表明,所建的滑坡多因素小波神经网络模型的预测精度总体均比较高,其中以位移速率和降雨量建立的2因素小波神经网络模型的预测精度最高,优于其他小波神经网络模型。     

基于神经网络方法的土壤流失量预测研究

生产建设项目土壤流失量的预测直接关系到建设项目的水土保持分析、评价和防治措施体系的布局,目前常用的预测方法因其局限性、不合理性以及精度差等问题往往难以实现准确预测。将人工神经网络的BP算法引入到土壤流失量预测中,将降雨侵蚀力、土壤可蚀性、坡长、坡度、水土保持措施作为影响土壤流失量的主要因子,并以17个生产建设项目水土保持监测实例作为学习样本和检测样本,建立了基于神经网络方法的土壤流失量预测模型。预测结果表明,该模型拟合和预测精度高,具有很强的应用价值,能够满足工程应用需要。     

基于杂交小波变换的农产品图像去噪算法

针对现有图像去噪方法去噪效果不明显、易丢失细节特征等缺陷,提出了一种基于杂交小波变换的农产品图像去噪算法。该方法综合了小波去噪能较好保留图像细节特征和Wiener滤波器可得到最优解的优势,分别以经小波变换、Wiener滤波处理后的图像作为杂交小波变换初始种群的父本和母本,并以最大类间方差作为适应度函数来评价个体的优劣,通过杂交和变异操作实现基因重组,提取出小波变换与Wiener滤波在图像去噪中的优势基因;经过有限次的杂交代数最终得到兼有父本和母本优势的子代图像。试验中用红枣和小麦图像对算法进行测试,去噪后红枣和小麦的图像峰值信噪比（PSNR）分别为178.44和183.24,好于邻域平均法（176.76和175.16）、中值滤波法（174.79和173.13）、维纳滤波（172.75和173.48）和高斯滤波（167.50和165.60）等常规去噪方法,并且在视觉效果上同时兼有噪声低和边缘清晰等优点,表明该方法用于农产品图像去噪是有效的、可行的。     

基于小波变换的Wiener滤波方法在农产品图像去噪中的应用

农产品图像的去噪是农产品图像处理中最基本、最重要的工作之一。为了更有效地去除农产品图像中的噪声。受二维离散Wiener滤波器计算方法的启发,提出了一种基于小波变换的Wiener滤波方法。该方法采用小波变换和Wiener滤波相结合的方法,具有稀疏性、多分辨率、去相关性、选基灵活性和在MSE意义上对图像进行最优估计的优点。该方法首先对含噪农产品图像ano做第一次小波变换得到低频图像a1和水平、垂直和对角三方向的高频图像 hd1、vd1及dd1;其次对低频图像a1做Wiener滤波得到a1w,再对3个高频图像分别做Wiener滤波并合成得到g1w ;接着对低频的a1w和高频g1w做小波逆变换,得到滤波图像“a1w+g1w”。同时,考虑到噪声主要在高频部分,所以直接把低频的a1和高频g1w做小波逆变换,得到滤波图像“a1+g1w”。这是对含噪图像ano做第1次小波变换的情况,其第2次、第3次及第4次变换的情况与此类似。这样可以得到许多滤波图像,然后根据图像信噪比PSNR和视觉效果,最终确定去噪效果最好的农产品图像。该方法应用于红枣、小麦杂草等农产品图像的去噪中,结果PSNR为158.23(视觉效果清晰),好于邻域平均法(PSNR 为154.14)、中值滤波法(PSNR 为155.82)、数学形态学(PSNR为154.07,视觉效果偏黑)、高斯滤波法(PSNR为153.79,视觉效果太黑)、直接维纳去噪(PSNR为154.14)和小波去噪(PSNR为158.18)等多种方法。试验结果表明,基于小波变换的Wiener滤波方法应用于农产品图像去噪具有信噪比高、视觉效果好等优点;基于小波变换的Wiener滤波方法用于农产品图像去噪是有效的、可行的。     

基于神经网络的风力辅助提水系统自适应PID解耦控制

针对风力机和离心水泵的特点,该文设计了一种风力辅助提水机结构及其控制策略。由于该设备需要解决最大可能地利用风能和风力机与柴油机之间的功率平衡问题,因此,该系统是一个时变的2输入2输出耦合系统。根据解耦和神经网络的思想,采用2个回归神经网络（DRNN）在线调整2个PID控制器的参数,一个神经元解耦补偿器完成系统的解耦,实现了不依赖于对象模型的自适应PID解耦控制。计算机仿真结果验证了该控制策略的可行性,为进一步研究奠定了基础。     

基于小波分析和BP神经网络的触电信号检测模型

针对从农村低压电网总泄漏电流中检测和判断触电电流信号的难题,该文提出一种基于小波变换和BP神经网络的触电信号检测方法。首先用触电物理实验平台对动物触电信号进行实测,选择合适的小波基和分解尺度对触电实验中总泄漏电流及触电电流进行小波多分辨分析,实现原始信号的预处理;再将预处理后的波形作为样本进行神经网络学习和训练,建立从总泄漏电流波形中提取触电电流波形的神经网络耦合模型,并用此模型对未训练的样本进行触电信号的检测,检测值与实际值的平均相对误差为3.93%,说明该方法能够从总泄漏电流中检测出触电电流信号,对于     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于SFAM神经网络集成的土地评价

SFAM(Simplified Fuzzy ARTMAP,简化的模糊ARTMAP)神经网络具有自组织反馈、增量式学习和高度复杂映射等特点,是一种较BP神经网络和RBF神经网络等前馈神经网络更优秀的自组织神经网络.为克服SFAM神经网络受输入样本顺序的影响,提高土地评价的精度,提出利用SFAM神经网络集成进行土地评价的方法.并用SFAM神经网络、SFAM神经网络集成、BP神经网络、BP神经网络集成、RBF神经网络和RBF神经网络集成等方法对广东省中山市的土地进行了评价,对评价结果进行了分析和比较,结果表明SFAM神经网络具有比BP神经网络和RBF神经网络更优越的评价性能;对于这三种不同的神经网络,神经网络集成的土壤评价精度分别高于单个神经网络的精度.     

基于小波变换的番茄总糖近红外无损检测

分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。