基于BP神经网络的高精度基波频率检测方法研究
基于BP神经网络的图像检索方法研究的开题报告
基于BP神经网络的图像检索方法研究的开题报告一、研究背景随着数字图像的大量生成和存储，如何有效地检索和管理这些图像成为了一个重要的问题。
图像检索是将用户提供的查询图片与数据库中的大量图片进行比较，之后推荐最符合用户需求的结果。
传统的图像检索方法一般采用手工设计的特征提取方法，面对大量图像数据时计算时间比较长，准确度也难以保证。
因此，如何开发高效、高精度的图像检索方法成为了当前的研究热点。
近年来，神经网络在图像识别、物体检测等方面已经取得了显著的成果。
其中，BP神经网络是一种广泛应用的神经网络，可以通过训练获得图像的特征信息，进而实现图像检索。
BP神经网络的主要优点是能够处理大量数据，并且能够自适应地调整权重和阈值，适用于不同的图像检索任务。
因此，本文将以BP神经网络为基础，研究一种基于神经网络的图像检索方法。
二、研究目的和内容本文旨在研究基于BP神经网络的图像检索方法，并探索其在大规模图像数据库中的应用。
具体目标包括：1. 建立基于BP神经网络的图像检索模型，选择合适的特征提取方法和分类算法，并训练模型进行图像分类。
2. 在大规模的图像数据库中测试模型的性能，分析模型的检索速度和准确度，并与传统的图像检索方法进行比较。
3. 研究和探索图像检索中的关键问题，如特征提取和压缩、降维、匹配度计算等，提出有效的解决方案，提高图像检索的效率和准确度。
三、研究方法和步骤本文将采用以下方法和步骤：1. 关于图像特征提取和分类，综合比较常用的方法，包括单一特征提取、多尺度特征提取、特征融合等。
选择合适的方法，建立基于BP神经网络的图像检索模型。
对模型进行训练和优化。
2. 数据库的数据集包括多个大型标准数据集，如Caltech 101、PASCAL VOC、ImageNet等，并在模型的基础上进行模型训练和测试。
3. 对模型进行实验测试和比较分析，包括准确度和速度等指标，并与传统的图像检索方法进行比较。
4. 针对图像检索中的关键问题，提出解决方案，如特征降维、压缩和匹配度计算，提高图像检索的效率和准确度。
基于BP神经网络的用频效能评估研究
面。
在Ｂ Ｐ 神 经网络 中通 常使用 的激 活函数 为 ： 型 函数和纯 线性 函 数 。其 中， Ｓ 型 函数的输入和输 出范 围是 ０ ～１ ， 符合用频效 能评估 中各 指标值 的取值范 围， 因此 ， 在此采用 Ｓ 型 函数 ， 其 函数为 ：
） （ ２ ）
式 中 “为该 单元 的输入 ， 它的值等 于输入到该单元 各个信号 的加 权 和。则根 据单个 神经元的输入 、 输出关系可得 ， 网络 中第 ， 个隐含层 神经元 的输 出 ＾ ， 和输出层神经元 的输 ， ｊ ｚ 一 ， ）
』一
（ ３ ）
（ ４ ）
Ｙ＝ｆ （ ＞： 叫 ｈ ， 一 ）
ｊ 一ｌ
‘
＝
式中 Ｌ为隐含层的神经元个数 ， 值为 ５ ， 为第 ｉ 个输入层神经元
到第 ｆ 个 隐含层神经元 的权 重 ， 为第 ｆ 个 隐含层神经元 的阈值 ，砌
基于BP-PID控制的载波频率准确度提高算法
第７期
苏瑜等：基于 ＢＰＰＩＤ 控制的载波频率准确度提高算法
·１ ８９５·
０ 引 言
调整 量 ，经 过 发 射 终 端 改 变 信 号 频 率 值［１５ 。 １６］ 这 两 种 方 法 都是对上行链路进行 补 偿，会 存 在 计 算区 域 卫 星 导 航 系 统（Ｃｈｉｎａ ａｒｅａｐｏｓｉｔｉｏｎｉｎｇｓｙｓｔｅｍ，ＣＡＰＳ）的 二 代 升 级 系 统 ，作 为 我 国 北斗卫星导航系统的 试 验 平 台，具 备 独 立 的 导 航 定 位 与 授 时 能 力 ，成 为 一 种 新 型 卫 星 导 航 体 制 和 系 统 。
１ 转发 式 卫 星 导 航 系 统 载 波 频 率 性 能 恶 化 因素分析
１．１ 转 发 式 卫 星 导 航 系 统 构 成 转发式卫星 导 航 系 统 的 组 成 与 传 统 卫 星 导 航 系 统 类
似，如北斗 卫 星 导 航 系 统、全 球 定 位 系 统、ＧＬＯＮＡＳＳ、ＧＥ ＬＩＬＥＯＧ 等，由 空 间 星 座 段、地 面 控 制 段 和 用 户 接 收 段 组 成 ［１７］，系 统 组 成 框 图 如 图１ 所 示 。 空 间 星 座 段 主 要 包 含 不 同 卫星组成的定位测距源。地面控制段主要由地面卫星高精 度测控及定轨系统、导 航 信 号 主 控 系 统、时 频 基 准 系 统 等 分 系 统 组 成［３］。 用 户 接 收 段 主 要 包 括 各 种 用 户 接 收 机 等 设 备 。
苏 瑜１，２，３，荆文芳１，２，３， ，卢晓春１，２，３，张 阳１，２，３
（１．中国科学院国家授时中心，陕西 西安 ７１０６００；２．中国科学院大学，北京 １０１４０８； ３．中国科学院精密导航定位与定时技术重点实验室，陕西 西安 ７１０６００）
基于BP神经网络的实验诊断学教学数据分析与处理技术研究
基于BP神经网络的实验诊断学教学数据分析与处理技术研究1. 引言1.1 研究背景实验室诊断学是医学教学中的重要课程，通过分析实验室检验数据，帮助学生理解疾病诊断的原理和过程。
在传统的实验诊断学教学中，数据收集、分析和处理的过程存在一定的局限性，无法很好地满足教学需求。
引入基于BP神经网络的数据分析与处理技术，可以提高实验诊断学教学的效果和效率。
BP神经网络是一种常用的人工神经网络模型，具有较强的非线性建模能力和逼近性能。
通过使用BP神经网络，可以更好地分析实验室检验数据，发现其中的规律和特征，从而提高实验诊断学教学的质量。
BP神经网络还可以帮助实验室诊断学教学实现数据的自动化处理和分析，减轻教师的工作负担，提高教学效率。
本研究旨在探讨基于BP神经网络的实验诊断学教学数据分析与处理技术，以提高实验诊断学教学的效果和效率，促进医学教育的发展。
1.2 研究目的研究目的是通过基于BP神经网络的实验诊断学教学数据分析与处理技术研究，探讨如何提高实验诊断学教学的效率和准确性。
具体目的包括：一是针对传统实验诊断学教学中存在的数据收集不全面、分析方法局限、处理技术滞后等问题，研究并建立起一套完整的数据分析与处理体系；二是通过基于BP神经网络的方法，实现对实验诊断学教学数据的智能化分析和预测，提高数据处理的效率和准确度；三是探讨BP神经网络在实验诊断学教学数据分析中的应用前景，为今后教学实践提供可靠的数据支持和参考。
通过本研究，旨在为实验诊断学教学提供新的数据分析与处理方法，改善教学效果，促进实验教学的发展和进步。
1.3 研究意义实验诊断学是医学教育中非常重要的一门课程，通过实验操作和临床案例分析，帮助学生掌握临床诊断技能。
传统的实验教学往往存在一些问题，比如实验数据收集不全、数据分析效率低、结果处理不及时等。
研究如何利用BP神经网络技术来改进实验诊断学教学数据的分析与处理，具有重要的意义。
通过BP神经网络可以对大量的实验数据进行快速准确的分析，挖掘数据中隐藏的规律和趋势，帮助教师和学生更好地理解实验结果。
基于BP神经网络的实验诊断学教学数据分析与处理技术研究
基于BP神经网络的实验诊断学教学数据分析与处理技术研究1. 引言1.1 研究背景实验诊断学是医学中的重要学科，其教学内容包括诊断方法、实验操作技术等。
随着科技的不断发展，如何利用现代技术优化实验诊断学的教学方法成为学术界的研究热点。
本研究旨在探讨基于BP神经网络的实验诊断学教学数据分析与处理技术，以提升教学效果和教学质量。
本研究旨在探讨基于BP神经网络的实验诊断学教学数据分析与处理技术，以期为优化实验诊断学教学提供新的思路和方法。
1.2 研究目的研究目的是为了探索基于BP神经网络的实验诊断学教学数据分析与处理技术，以提高实验诊断学教学的效果和效率。
通过研究数据分析和处理技术，可以更准确地对学生的实验数据进行分析和评价，帮助教师及时发现学生的学习问题并提供针对性的指导。
该研究也旨在为实验诊断学教学提供一种新的技术手段，推动实验教学方法的创新与改进。
通过对BP神经网络原理的介绍和实验结果的展示，我们还希望验证该技术在实验诊断学教学中的有效性和可行性，为教育教学领域的技术应用提供一个新的思路和方法。
通过本研究，我们希望能够为实验诊断学教学数据分析与处理技术的发展做出贡献，提高实验教学质量，促进学生的学习提高与发展。
1.3 研究意义实验诊断学是医学诊断领域的重要组成部分，而基于BP神经网络的实验诊断学教学数据分析与处理技术研究具有重要的理论和应用意义。
通过研究实验诊断学教学数据分析与处理技术，可以提高医学生的实践能力和临床思维能力，为未来成为优秀医生打下坚实基础。
基于BP神经网络的技术研究可以辅助医生在临床诊断中提高准确率和速度，从而提升医疗水平，为患者提供更好的诊疗服务。
这一研究还可以促进实验诊断学教学方法的创新与发展，推动医学教育的进步。
基于BP神经网络的实验诊断学教学数据分析与处理技术研究具有重要的学术和实践意义，对医学教育和临床实践都具有积极促进作用。
2. 正文2.1 BP神经网络原理介绍BP神经网络（Back Propagation Neural Network，简称BP神经网络）是一种常用的人工神经网络模型，具有优秀的非线性映射和逼近能力。
基于BP神经网络的高精度基波频率检测方法研究
算法的误差虽然非常小， 但不是零， 因为神经网络是用训练过程来逼近非线性函数的 。
第1期
邢晓敏等: 基于 BP 神经网络的高精度基波频率检测方法研究
45
4
结
论
传统方法整次谐波和间谐波进行分析时 ， 必须在知道准确基波频率的前提下才可以进行精确的谐 波分析。即使基波频率存在微小的偏差， 也会导致谐波检测结果出现较大的误差 。本文针对这一问题， 提出了一种基于 BP 神经网络的高精度基波频率测量方法。 通过有效地学习和训练， 构建了合理的基 波频率检测 BP 神经网络模型。通过 Matlab 软件仿真可验证， 该模型对于随机正弦信号有很好的检测
第 35 卷第 1 期 2015 年 2 月
东 北
电
力
大
学
学
报
Vol．35， No．1 Feb． ， 2015
Journal Of Northeast Dianli University
文章编号： 1005－2992（ 2015） 01－0042－04
基于 BP 神经网络的高精度基波频率检测方法研究
－3
10 －5 ， 并且任一频率（ 50 Hz 除外） BP 神经网络算法的频率
测量都比加汉宁窗的 FFT 算法高 2 3 个数量级。 词： 谐波； 基波； 频率检测； BP 神经网络； Matlab 仿真 文献标识码： A 中图分类号： TM715
近年来， 随着电力市场化和电力电子技术的应用 ， 谐波对电力系统影响的问题变得日益突出， 已经 引起了现场工作人员和科研人员的高度重视 。而在对电力系统谐波问题的研究过程中， 如何迅速而准 确地检测出谐波的基波分量， 是系统分析和解决电能质量问题的基础和关键 。并且， 随着电力系统并网 供电、 虚拟仪器及数字化计量等新技术的应用， 业界对电力系统基波频率的检测精度提出了更高的 要求
基于BP神经网络的协作频谱感知技术
部环境的变化。因此，认 知 无 线 电 可 以 允 许 非 授 权 的 认 知 用 户 在 不 干 扰 授 权 的 主 用 户 正 常 通 信 的 前 提 下 ，高 效 地 利 用 空 闲的频谱资源，从而 显 著 提 高 频 谱 利 用 效 率。 而 频 谱 感 知 技 术是认知无线电的关键技术之一。
边带宽，γ 为信噪比。
结合 上 式，在 ＡＷＧＮ 信 道 下 检 测 概 率 Ｐｄ 与 虚 警 概 率
Ｐｆ 为［６］：
Ｐｄ ＝Ｑμ （槡２γ，槡λ）
（６）
Ｐｆ ＝Γ（Γμ（，μλ／）２）
（７）
其 中，Ｑｕ（．，．）是 Ｍａｒｃｕｍ Ｑ 函数，Γ（．，．）是不完全ｇａｍｍａ函
数，Γ（ｕ）是 ｇａｍｍａ函数。
作为一种可以提高频谱利用率的技术被广泛应用于无线通 信 及损耗的影响，提高 检 测 的 准 确 性。 现 有 的 协 作 频 谱 感 知 技
中 。 ［１，２］ 认知无线 电 可 以 感 知 周 围 的 网 络 环 境 ，通 过 分 析 从 术大多数都是在假定各认知用户独立同分布且具有相同的 信
周 围 环 境 中 获 取 的 相 关 参 数 ，实 时 地 调 整 网 络 参 数 以 适 应 外 噪比的前提下进行 研 究。 然 而 在 实 际 环 境 中，由 于 各 认 知 用
谱感知。单用户感知主要有３种感知方法，即能量检测、匹 配 滤波器检测和循环 平 稳 检 测。 其 中，能 量 检 测 具 有 实 现 简 单
池 供 能 的 认 知 终 端，如 何 能 够 在 提 升 检 测 性 能 的 同 时 提 高 认 知系统的能量效率，也是急待解决的问题。ＢＰ 神经 网 络 是 基
关键词 认知无线电，ＢＰ 神经网络，频谱感知，能量效率 中 图 法 分 类 号 ＴＮ９１１ 文 献 标 识 码 Ａ ＤＯＩ １０．１１８９６／ｊ．ｉｓｓｎ．１００２－１３７Ｘ．２０１５．２．００９
基于BP神经网络的雷达信号载波频率测量
基于BP神经网络的雷达信号载波频率测量
付豪;孙恒;赵忠凯
【期刊名称】《舰船电子对抗》
【年(卷),期】2024(47)2
【摘要】现代电子战争中常通过电子侦察的方式获取敌方雷达的各种信息,雷达信号的载波频率是后续进行辐射源识别、干扰和抗干扰的一个重要参数。
鉴于神经网络对数据优异的多维函数表征能力,设计了一种架构简单的基于神经网络的雷达信号载波频率快速测量方法。
首先对含有噪声的雷达信号进行采样,对采样得到的每个信号的频率进行标注,预处理获得信号样本数据集。
然后将数据集划分为训练集和测试集合,输入到BP神经网络中进行频率拟合。
最后,向训练所得的网络模型输入射频采样得到的时域信号,网络输出信号瞬时频率值。
在输入信号频率范围为0.2~2.6 GHz,信噪比为30 dB的条件下,对该网络进行多次随机重复测试,实验结果显示输入信号频率估计值均方根误差优于5 MHz。
【总页数】5页(P71-75)
【作者】付豪;孙恒;赵忠凯
【作者单位】哈尔滨工程大学;北京航天长征飞行器研究所
【正文语种】中文
【中图分类】TN971.1
【相关文献】
1.脉冲调制信号载波频率测量模块设计
2.脉冲调制雷达信号载波频率的存储方法研究
3.基于频率调制的多载波Chirp信号雷达通信一体化研究
4.非均匀频率密度多载波新型雷达信号
5.穿孔萃取–光度法测定大芯板中甲醛含量的研究
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于BP神经网络的谐波检测方案
一种基于BP神经网络的谐波检测方案王凯亮;曾江;王克英【期刊名称】《电力系统保护与控制》【年(卷),期】2013(000)017【摘要】General harmonic detecting scheme uses the Fast Fourier Transform (FFT) to detect all the harmonics (such as from 1st harmonic to 50th harmonic). Power consumers often do not care about the specific values of all the harmonics, but only some key harmonics or several overall indicators. For the above reasons, a new harmonic detecting scheme based on the algorithm of BP neural network is presented. It does not need to calculate all the harmonics and can detect individual indicators or overall indicators which are concerned by users. To achieve the above-mentioned detection target, the computation analysis of BP, DFT and FFT algorithm is made, and the superiority of the scheme in terms of computation is proved. After the simulation of the scheme is done using a set of measured harmonic data, the results validate that the above scheme is simple and feasible, and its detecting accuracy is close to that of FFT. <br> This work is supported by National Natural Science Foundation of China (No. 50707010).%通常的谐波检测方案是对各次谐波（如1～50次）使用快速傅里叶变换（FFT）进行检测，然而用电单位往往并不关心所有次数谐波的具体数值，而仅关心关键次数的谐波或几个总体指标。
基于BP神经网络的高精度电容测量
基于BP神经网络的高精度电容测量
刘湘鹏;袁冠辉;陆永辉;颜浪波
【期刊名称】《无线电工程》
【年(卷),期】2022(52)3
【摘要】针对工程应用中电容的测量过度依赖仪器设备,难以实现高精度实时测量的问题,提出了一种基于BP神经网络的高精度电容测量方法。
利用由
DSP,DDS,AGC,ADC和阻容分压等电路构成的数据获取模块采集50个标准电容两端的分压幅值,经过数据清洗与中值滤波去噪预处理后形成71个特征值,以此构建C-U数据集;建立3层隐藏层结构为16×32×16的BP神经网络模型,并进行训练和测试,获取电容预测模型,分析模型性能。
测试结果表明,模型预测值与真实值的平均相对误差仅为2.6291%;预测模型在训练集与测试集上的决定系数R^(2)均达到了0.99,具有很好的泛化能力。
【总页数】8页(P399-406)
【作者】刘湘鹏;袁冠辉;陆永辉;颜浪波
【作者单位】重庆大学电气工程学院;玉林师范学院物理与电信工程学院智能信息与通信技术研究中心
【正文语种】中文
【中图分类】TM934.2;TP389.1
【相关文献】
1.基于TDC的一种微小电容高精度测量系统设计
2.基于差动电容的高精度倾角测量系统设计
3.基于PCA P01的高精度电容测量
4.基于TDC的高精度微电容测量系统设计
5.基于STM32的高精度电容测量仪设计
因版权原因，仅展示原文概要，查看原文内容请购买。
基于BP神经网络的谐波电流检测方法研究
基于BP神经网络的谐波电流检测方法研究单冬红;蔡琪;鲁书喜【摘要】谐波检测环节的性能对于有源滤波器的谐波治理能力有着重要的影响.目前应用最广泛的ip-iq谐波检测算法,其需要复杂的坐标变换,同时还需要用到锁相环以及低通滤波环节,结构复杂.为克服ip-iq算法的以上缺点,文中提出一种基于BP 神经网络的谐波检测算法,只需将检测到的三相负载电流以及程序生成的A相模拟旋转角作为系统的输入,通过神经网络的计算便可以得到三相基波电流,再用负载电流减去基波电流便可以得到需补偿的谐波成分.通过Matlab仿真验证了算法的有效性.【期刊名称】《电子设计工程》【年(卷),期】2016(024)010【总页数】3页(P42-44)【关键词】谐波检测;神经网络;有源滤波器;基波电流【作者】单冬红;蔡琪;鲁书喜【作者单位】平顶山学院河南平顶山 467000;平顶山教育学院河南平顶山467000;平顶山学院河南平顶山 467000【正文语种】中文【中图分类】TN802目前应用最为广泛是基于瞬时无功功率理论的谐波检测算法，其可以快速有效的检测出所需补偿的谐波成分，但算法所需坐标变换运算繁杂，而锁相环易受电压畸变影响，低通滤波器带来的系统延迟也是无法避免的。
随着智能技术的发展，神经网络在谐波检测方面的应用潜力也被越来越多的专家所发掘。
相对于ip_iq谐波检测算法，其不需要繁杂的数学计算，也不需要锁相环以及低通滤波环节，大大降低了系统的复杂性，减小了系统的检测延迟，提高了系统的检测性能。
在文献［1］提出的6_41_3结构的BP神经网络以三相电流的采样值和一个周期内三相电流的最大值作为神经网络的输入，输出为三相基波电流的幅值。
再将基波电流的幅值乘以由锁相环输出的各项基波同相位的单位基波信号便得到了基波分量，其算法结构还是过于复杂，由于锁相环的加入，也增加了系统受干扰的几率。
相对于上述BP神经网络，文献［2］提出的4_9_3结构的神经网络在实现谐波的精确检测的同时结构上也大为精简。
基于BP神经网络提高霍尔电流传感器测量精度的研究的开题报告
基于BP神经网络提高霍尔电流传感器测量精度的研究的开题报告一、研究背景与意义霍尔电流传感器作为一种新型的电流测量传感器，已经广泛应用于不同领域，例如电力系统、汽车电子、航空航天等。
其主要特点是没有电流电阻降，测量精度高，响应速度快等。
然而，在实际的系统应用中，由于受到温度、磁场等外部环境的影响，霍尔传感器测量精度容易受到一定程度的影响。
因此，提高霍尔电流传感器的测量精度是非常重要和实际的。
目前，针对提高霍尔电流传感器的测量精度，已经进行了一些研究。
其中，基于BP神经网络的方法是一种常用的方法。
该方法通过对采集的霍尔电流传感器的数据进行训练和学习，建立一个预测模型，从而提高测量精度。
二、研究内容和研究方法本研究主要目的是提高霍尔电流传感器的测量精度，并且采用BP神经网络进行建模和训练，具体研究内容包括以下几个方面：1.建立霍尔电流传感器的测试系统，进行数据采集和实验分析。
2.分析和处理采集的数据，确定关键特征变量。
3.建立BP神经网络模型，选择合适的输入和输出变量以及网络结构。
4.进行BP神经网络的训练和优化，建立预测模型。
5.对预测模型进行验证和性能评估，比较BP神经网络预测和实测检测结果之间的差异。
三、研究预期结果通过本研究，我们预期实现以下几个目标：1.建立高精度的霍尔电流传感器测试系统。
2.通过BP神经网络建立一个可靠的预测模型，提高测量精度。
3.实现对霍尔电流传感器测量误差的有效控制和优化。
4.提高霍尔电流传感器的实用性和可靠性，为实际应用提供技术支持和理论指导。
四、研究工作进度安排本研究工作的具体进度安排如下:第一阶段：研究背景、意义和目标 (1周)1.研究相关文献，了解霍尔电流传感器测量精度现状和存在的问题。
2.确定本研究的主要目标和工作内容。
第二阶段：数据采集和分析 (3周)1.建立霍尔电流传感器的测试系统。
2.采集霍尔电流传感器的数据，并进行分析和处理。
3.确定关键的特征变量。
第三阶段：BP神经网络的建模和训练 (4周)1.建立BP神经网络模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于 Ｂ Ｐ神经 网络的高精度基波频 率检测方法研 究
邢 晓敏 ， 刘 洪 涛２ ， 丁震 宇 ， 商 国敬
（ １ ． 东北电力大学 电气工程学 院， 吉林 吉林 １ ３ ２ ０ １ ２ ； ２ ． 吉林市热力集团有限公 司 ， 吉林 吉林 １ ３ ２ ０ ０ ０）
摘
要： 电力 系统谐波检测过 程对基 波频率 的检 测精度要 求越来 越高 。针 对这一 需求 ， 在对 比了
各种 常用基 波检测方法后 ， 提 出一 种基 于 Ｂ Ｐ （ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ ） 神经 网络 的高精 度基波频 率检测 方法 。
既通过充分有效地学习和训练 ， 构 建出了合理的 Ｂ Ｐ神经 网络模 型 ， 并 利用 Ｍａ ｔ ｌ ａ ｂ软件对其 进行仿 真验 证 。结 果表 明 ， 算法对频率测量精 度达 ｌ ０ 一～１ Ｏ ～， 并且任一频率 （ ５ ０ Ｈ ｚ 除外 ） Ｂ Ｐ神经 网络 算法 的频 率 测 量都 比加 汉宁窗的 Ｆ Ｆ Ｔ算法 高 ２～３ 个 数量级。
第 １期
邢 晓敏 等 ： 基于 Ｂ Ｐ神 经 网 络 的 高精 度 基 波频 率检 测 方 法研 究
４３
层 节点 足够 多 ， 含 一 个 隐含 层 的 神 经 网络 就 可 以任
意精 度 逼近 任 意 一 个 非 线 性 函数 ， 因此 本 文 的 基 波
检测 网络选 一个 隐 含 层 ； 根 据输 入 输 出层 神 经 元数 ，
点 数 Ⅳ：３ ２ ， 采 样 ２个 一４个周 期 ， 即 采样 时 间为 ０ ．
０ ４ ｍｓ ～ ０ ． ０ ８ ｍ ｓ 。其 网络结 构确 定如 下 ：
输 入层 隐宙膣 输 出 层
本部分主要测量基波， 故基波测量的 Ｂ Ｐ神经 网
络 的输入 层 为 １层 ， 其 神 经元 为 １ 个； 为 了减 少计 算
通过 多 次 试 验 ， 并 进 行 分 析 比对 ， 表 明含 １ ０个 隐 含
层 神经 元 的 网 络 有 较 好 的 函数 逼 近 效 果 和 收 敛 速
度 。因此 构建 了如 图 １所 示 的 １ —１ ０ — １型 Ｂ Ｐ神
经 网络 ， 其中ｔ 为输 入 ， Ｙ 为输 出 。
＋误 差 反 向传 递一
图１ 卜１ ０ － １ ０型 Ｂ Ｐ神经网络基波检测模 型
量， 故采用 １ 个输 出层 ， 其神经元为 １ 个； 只要 隐含
收 稿 日期 ： ２ ０ １ ４ — ０ ９ — ２ ５ 作者 简 介 ：： 邢 晓敏 （ １ ９ ７ ３ － ）， 女， 辽 宁 省 朝 阳市 人 ， 东北电力大学电气工程学院副教授 ， 主 要 研 究方 向 ： 电 力 系统 应用
关 键 词： 谐波 ； 基波 ； 频 率检 测 ； Ｂ Ｐ神经 网络 ； Ｍａ ｔ ｌ ａ ｂ仿 真
文献标识码 ： Ａ 中图分类号 ： Ｔ Ｍ ７ １ ５
近 年来 ， 随着 电力市 场化 和 电力 电子技术 的应用 ， 谐 波对 电力 系统 影 响 的 问题 变 得 日益 突 出 ， 已经 引起 了现场 工作 人 员和科研 人 员 的高度 重视 。 而在对 电力 系统 谐 波 问题 的研 究 过 程 中 ， 如 何 迅速 而 准 确地 检 测 出谐波 的基 波分 量 ， 是 系统 分 析和解 决 电能质 量 问题 的基 础和关 键 。并且 ， 随着 电力 系统并 网 供电 、 虚 拟仪 器及 数 字 化 计 量 等新 技 术 的应 用 ， 业 界 对 电力 系 统 基 波 频 率 的检 测 精 度 提 出 了 更 高 的
要求¨ Ｊ 。 目前 国 内外 电力 系统对 基波 检测 的方 法有 很多 。其 中 ， 基于傅 立 叶离散 变换 的算 法 较为 常用 ， 但存
在频谱 泄漏 和栅 栏 效应 ； 小 波分 析法 涉及 复杂 的数 学推 导 ， 总体精 度 不高 ， 一般 最高 可 达 １ ０ 一； 瞬时无 功功 率理论 法 简单 易于 实现 ， 但 对噪声 和谐 波 的抗 干扰 能 力 较差 ； 人 工 神经 网络 已广 泛 用 于 经济 、 医 学 和 工业 等很 多领 域 ， 但 用 于 电网谐波 分析 时 并不 多见 。本 文正 是 基 于 Ｂ Ｐ神 经 网络 ， 提 出了一 种 高精 度 的基 波 频率 检测 方法 。
： 。 ： 一 生 ＝ ＿
ｙ Ｂ一
ห้องสมุดไป่ตู้：
一
Ｙ８
一
—
（ ４ ）
１
Ｔ Ａ
将式（ ２ ） 代入式（ ４ ） 得 Ｃ点 的时间为 ：
（ ５ ）
由式 （ ５ ）知 ， ｔ 。 只 与频率 有 关 ， 与幅 值无 关 。
２ 采用 １ ３ １ ＇ 神 经 网络 的基 波检 测 原理
设某 一 电 网信号 经 过 滤 波器 滤 除谐 波 后 得 到 其
（ ３ ）
式（ ３ ）中 Ｙ＝ｓ ｉ ｎ ｏ ｔ ， Ｙ：ｓ ｉ ｎ ｏ ｔ 。
令 Ｙ＝０， 求 得 直线 Ａ Ｂ与相 位轴 交点 ｃ点 的相位 横 坐标 ：
一
输 入 向传 递 ＋
１ 基波检测 的 Ｂ Ｐ神 经 网络构 造
Ｂ Ｐ神 经 网 络 结 构 的 设 计 包 括 输 入 层 和 输 出层
神 经元 数 、 隐 含 层 数 及 隐含 层 神 经 元 数 。 基 波 幅 值 和 频率 预 先 设 定 ， 初 相 角 随 机 选 择 。一 个 周期 采 样
第３ ５卷第 １期
２ ０ １ ５年 ２月
东
北
电
力
大
学
学
报
Ｖｏ １ ． ３ ５． Ｎｏ ． １ Ｆ ｅ ｂ ．， ２ ０１ ５
Ｊ ｏ ｕ ｒ ｎ ａ ｌ Ｏ ｆ Ｎ ｏ ｒ ｔ ｈ ｅ ａ ｓ ｔ Ｄ ｉ ａ ｎ ｌ ｉ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
文章编号 ： １ ０ ０ ５ — ２ ９ ９ ２ （ ２ ０ １ ５ ） ０ １ － ０ ０ ４ ２ — ０ ４