简介:将Hilbert-Huang变换(HHT)算法和Prony算法相结合进行电力系统低频振荡模式识别。利用HHT算法对实测信号进行经验模态分解,使之分解成处于不同频率的固有模态函数(IMF);然后根据Hilbert变换,分析IMF分量的频率和相位,提取出含主导低频振荡模式的IMF;利用Prony算法对含低频振荡模式的IMF进行分析,提取出低频振荡模态参数,准确识别低频振荡模态。通过算例分析,证明了该方法可提高模态识别的精确性,验证了提取低频振荡模态参数的有效性。
简介:针对脉冲噪声环境下多径时延估计的分辨率问题,提出了一种基于共变谱(CS)和信号估计参数旋转不变技术(ESPRIT)的多径时延估计方法。采用α稳定分布建模脉冲噪声,依据分数低阶统计量理论,将两接收信号的共变序列进行傅里叶变换得到共变谱。CS看作等效的时间序列,把时域的多径时延估计问题转化为频域的多个正弦信号频率估计问题。利用ESPRIT对等效时间序列进行频率估计,得到高分辨率的多径时延估计。仿真实验表明:多径时延估计方法(CS_ESPRIT)在高斯和脉冲噪声环境中均具有较好的估计性能。
简介:BP神经网络分类器在信号识别领域得到了比较广泛的应用,针对其低信噪比环境下识别率相对较低的问题,引入人工蜂群算法(ABC),将求解BP神经网络各层权值、阂值的过程向蜜蜂寻找最优蜜源的过程转变,最后阐述了一种以人工蜂群算法为基础的神经网络分类器设计方法(ABCBP算法),并以2ASK,2FSK,2DPSK信号为例,对信号进行小波包分解后,将信号各频段的能量值数据作为实验样本,对其进行了信号分类。仿真结果表明:基于人工蜂群算法的优化BP神经网络分类器,即使在5dB的信噪比环境下,仍可达到94%以上的识别率,并具有较好的稳定性,这为信号识别领域中分类器的设计提供了一个很好的理论依据。