CN110837028B - 一种快速识别局部放电模式的方法 - Google Patents

一种快速识别局部放电模式的方法 Download PDF

Info

Publication number
CN110837028B
CN110837028B CN201910923663.3A CN201910923663A CN110837028B CN 110837028 B CN110837028 B CN 110837028B CN 201910923663 A CN201910923663 A CN 201910923663A CN 110837028 B CN110837028 B CN 110837028B
Authority
CN
China
Prior art keywords
partial discharge
discharge signal
max
signal
mean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910923663.3A
Other languages
English (en)
Other versions
CN110837028A (zh
Inventor
王红军
阎毓杰
王楠
吴雅君
李耀华
邢思玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
719th Research Institute of CSIC
Original Assignee
719th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 719th Research Institute of CSIC filed Critical 719th Research Institute of CSIC
Priority to CN201910923663.3A priority Critical patent/CN110837028B/zh
Publication of CN110837028A publication Critical patent/CN110837028A/zh
Application granted granted Critical
Publication of CN110837028B publication Critical patent/CN110837028B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Relating To Insulation (AREA)

Abstract

本发明公开了一种快速识别局部放电模式的方法，属于局部放电模式识别技术领域。该方法首先获得局部放电的电磁波信号后，对电磁波信号样本点进行编号，然后进行归一化处理，再根据设置的阈值，提取出大于该阈值的电磁波信号的样本点，形成新的电磁波信号样本，并对该新样本进行特征值提取，然后根据该特征值进行误差分析，并得出模式分析可信度，最后根据模式分析可信度进行局部放电信号的模式识别判断。本发明能够利用计算机快速实现局部放电信号的模式识别。

Description

一种快速识别局部放电模式的方法
技术领域
本发明属于局部放电模式识别技术领域，具体涉及一种解析局部放电超高频电磁波信号的方法，用于实现局部放电的模式识别。
背景技术
电力设备在局部放电过程中会产生超高频电磁波信号，不同的局部放电类型产生的电磁波信号不同，当前对局部放电的检测主要依靠超声波与暂态地电压联合实现，该方式存在着灵敏度不够、抗干扰能力差的问题，基于该原理对模式识别的方法主要依靠专业的设备进行，检测方法复杂、耗时，一般用于局部放电故障后的检修，无法实现局部放电的实时抓捕和实时解析。
目前，电力设备的监测发展趋势为预防检修，因此实现电力设备局部放电信号的实时监测至关重要。
发明内容
有鉴于此，本发明提供了一种快速识别局部放电模式的方法，能够利用计算机算法快速实现局部放电信号的模式识别。
一种快速识别局部放电模式的方法，该方法的实现包括以下步骤：
步骤一：局部放电数字信号样本点编号与归一化后获得数字信号样本；
步骤二：局部放电信号归一化后再提取；
步骤三：对再提取后的局部放电信号进行特征值提取并建立特征值向量；
步骤四：局部放电信号的模式分析可信度计算；
步骤五：根据模式分析可信度进行局部放电信号的模式识别判断。
进一步地，所述步骤一获得局部放电的放电信号的数字信号样本的过程为：
***采样率已知，设采样时间间隔为t0，计算局部放电放电能量特征值：
Figure BDA0002218300580000021
其中，n表示局部放电信号中样本点数；
计算样本点最大值：
Figure BDA0002218300580000022
归一化
Figure BDA0002218300580000023
得到归一化的局部放电信号S1＝(x1',x2',x3',...,xn')。
进一步地，所述步骤二中局部放电信号归一化后再提取的过程为：
设置局部放电的阈值α(0<α<1)，对归一化后的局部放电信号的样本点S1进行筛选，大于阈值α的信号样本点为有效样本，得到有效局部放电信号样本点
S0＝(X1,X2,X3,...,Xm),其中m为有效样本点的数目，m≤n；
同时记录S0中每个样本点在原归一化样本S1中的位置信息，即在S1中的序列号，得到位置索引序列：
Index＝(Y1,Y2,Y3,...,Ym)。
进一步地，所述步骤三中进行特征值提取并建立特征值向量的过程为:
第一步：计算局部放电最大峰值和平均值；
Figure BDA0002218300580000024
Figure BDA0002218300580000025
第二步：计算局部放电信号离散度；
根据位置索引序列Index提取放电信号离散度特征值；
Figure BDA0002218300580000026
第三步：计算局部放电信号峰陡度及对称性；
根据有效局部放电信号样本S0和位置索引序列Index计算信号峰陡度，
Figure BDA0002218300580000031
Figure BDA0002218300580000032
其中，Nmax为有效局部放电信号样本S0中的最大值的位置索引，
Figure BDA0002218300580000034
为有效局部放电信号样本S0中Xmax最大值在归一化的局部放电信号S1的位置索引，根据局部放电信号峰陡度计算局部放电信号峰的对称性特征值，
ΔK＝Kup-Kdown
第四步：计算局部放电信号有效峰数目根据有效局部放电信号样本S0，并根据寻峰算法，得到S0的有效峰数目N，寻峰算法判据：Δ1＝Xi-Xi-1；Δ2＝Xi+1-Xi；当Δ1>0且Δ2<0时，则Xi为有效局部放电信号样本中为一个极大值点，此时为信号的一个有效峰；根据第一步和第三步，得到局部放电信号的特征值向量：
f0(E0,X0,max,X0,mean,Ls0,K0,up,K0,down,ΔK0,N0)。
进一步地，所述步骤四中局部放电信号的模式分析可信度计算的过程为：采集不同的标准局部放电样本，重复步骤一、二和三，得到局部放电信号特征值向量
f1(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f2(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f3(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f4(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
……
计算样本S0与标准局部放电样本的特征值向量中的每个元素的相对误差；
Figure BDA0002218300580000033
计算出δE,δmax,δmean,...δΔK,δN；
模式分析可信度计算如下
R＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
分别计算待定样本S0相对于不同标准局部放电信号的模式分析可信度：
R1＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R2＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R3＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R4＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)……。
有益效果：
本发明对电磁波信号样本点进行编号和归一化处理，然后再根据设置的阈值，提取出大于该阈值的电磁波信号的样本点，形成新的电磁波信号样本，并对该新样本进行特征值提取，然后根据该特征值进行误差分析，并得出模式分析可信度，可信度与模式识别深度关联，分析可信度高意味着模式识别的准确度高。
附图说明
图1为本发明一种快速识别局部放电模式的方法实现流程图。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
如附图1所示，本发明提供了一种快速识别局部放电模式的方法，该方法的具体实现步骤如下：
步骤一，局部放电信号数字信号归一化，获得局部放电的放电信号的数字信号样本S(x1,x2,x3…xn)，
(1)局部放电放电能量特征值
***采样率已知，设采样时间间隔为t0，计算局部放电放电能量特征值：
Figure BDA0002218300580000041
其中，n表示局部放电信号中样本点数。
计算样本点最大值：
Figure BDA0002218300580000051
归一化
Figure BDA0002218300580000052
得到归一化的局部放电信号S1＝(x1',x2',x3',...,xn')
步骤二，局部放电信号归一化后的再提取；
设置局部放电的阈值α(0<α<1)，对归一化后的局部放电信号的样本点S1进行筛选，大于阈值α的信号样本点为有效样本，得到有效局部放电信号样本点
S0＝(X1,X2,X3,...,Xm),其中m为有效样本点的数目，m≤n；
同时记录S0中每个样本点在原归一化样本S1中的位置信息，即在S1中的序列号，得到位置索引序列：
Index＝(Y1,Y2,Y3,...,Ym)
步骤三，再提取局部放电信号的特征值提取；根据有效局部放电信号样本S0和位置索引序列Index提取局部放电信号特征值。
(1)局部放电最大峰值、平均值
Figure BDA0002218300580000053
Figure BDA0002218300580000054
(2)局部放电信号离散度
根据位置索引序列Index提取放电信号离散度特征值；
Figure BDA0002218300580000055
(3)局部放电信号峰陡度及对称性
根据有效局部放电信号样本S0和位置索引序列Index计算信号峰陡度，
Figure BDA0002218300580000061
Figure BDA0002218300580000062
其中，Nmax为有效局部放电信号样本S0中的最大值的位置索引，
Figure BDA0002218300580000064
为有效局部放电信号样本S0中Xmax最大值在归一化的局部放电信号S1的位置索引。
根据局部放电信号峰陡度计算局部放电信号峰的对称性特征值，
ΔK＝Kup-Kdown
(4)局部放电信号有效峰数目
根据有效局部放电信号样本S0，并根据寻峰算法，得到S0的有效峰数目N，
寻峰算法判据：Δ1＝Xi-Xi-1；Δ2＝Xi+1-Xi；当Δ1>0且Δ2<0时，则Xi为有效局部放电信号样本中为一个极大值点，此时为信号的一个有效峰。
根据步骤1和3，得到局部放电信号的特征值向量：
f0(E0,X0,max,X0,mean,Ls0,K0,up,K0,down,ΔK0,N0)
步骤四，局部放电信号的模式分析可信度计算；
采集不同的标准局部放电样本，重复步骤1、2、3，得到局部放电信号特征值向量
f1(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f2(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f3(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f4(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
……
计算样本S0与标准局部放电样本的特征值向量中的每个元素的相对误差；
Figure BDA0002218300580000063
计算出δE,δmax,δmean,...δΔK,δN。
模式分析可信度计算如下
R＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
分别计算待定样本S0相对于不同标准局部放电信号的模式分析可信度：
R1＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R2＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R3＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R4＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
……
步骤五，局部放电信号的模式判断；
计算机输出模式分析可信度比对结果，并按模式分析可信度降序排列，得出模式分析可信度最大的即为最可几模式，为最终计算机输出结果。
例如，计算得R1＝0.96，R2＝0.83，R3＝0.71，R4＝0.50…
计算得模式分析可信度R1最大，表示当前的局部放电类型为模式1。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种快速识别局部放电模式的方法，其特征在于，该方法的实现包括以下步骤：
步骤一：局部放电数字信号样本点编号与归一化后获得数字信号样本；
步骤二：局部放电信号归一化后再提取；
步骤三：对再提取后的局部放电信号进行特征值提取并建立特征值向量；
步骤四：局部放电信号的模式分析可信度计算；
步骤五：根据模式分析可信度进行局部放电信号的模式识别判断；
所述步骤三中进行特征值提取并建立特征值向量的过程为:
第一步：计算局部放电最大峰值和平均值；
Figure FDA0003106787590000011
Figure FDA0003106787590000012
第二步：计算局部放电信号离散度；
根据位置索引序列Index提取放电信号离散度特征值；
Figure FDA0003106787590000013
第三步：计算局部放电信号峰陡度及对称性；
根据有效局部放电信号样本S0和位置索引序列Index计算信号峰陡度，
Figure FDA0003106787590000014
Figure FDA0003106787590000015
其中，Nmax为有效局部放电信号样本S0中的最大值的位置索引，
Figure FDA0003106787590000016
为有效局部放电信号样本S0中Xmax最大值在归一化的局部放电信号S1的位置索引，根据局部放电信号峰陡度计算局部放电信号峰的对称性特征值，
ΔK＝Kup-Kdown
第四步：计算局部放电信号有效峰数目
根据有效局部放电信号样本S0，并根据寻峰算法，得到S0的有效峰数目N，寻峰算法判据：Δ1＝Xi-Xi-1；Δ2＝Xi+1-Xi；当Δ1>0且Δ2<0时，则Xi为有效局部放电信号样本中为一个极大值点，此时为信号的一个有效峰；根据第一步和第三步，得到局部放电信号的特征值向量：
f0(E0,X0,max,X0,mean,Ls0,K0,up,K0,down,ΔK0,N0)。
2.如权利要求1所述的快速识别局部放电模式的方法，其特征在于，所述步骤一获得局部放电的放电信号的数字信号样本的过程为：
***采样率已知，设采样时间间隔为t0，计算局部放电放电能量特征值：
Figure FDA0003106787590000021
其中，n表示局部放电信号中样本点数；
计算样本点最大值：
Figure FDA0003106787590000022
归一化
Figure FDA0003106787590000023
得到归一化的局部放电信号S1＝(x1',x2',x3',…,xn')。
3.如权利要求2所述的快速识别局部放电模式的方法，其特征在于，所述步骤二中局部放电信号归一化后再提取的过程为：
设置局部放电的阈值α(0<α<1)，对归一化后的局部放电信号的样本点S1进行筛选，大于阈值α的信号样本点为有效样本，得到有效局部放电信号样本点S0＝(X1,X2,X3,…,Xm),其中m为有效样本点的数目，m≤n；
同时记录S0中每个样本点在原归一化样本S1中的位置信息，即在S1中的序列号，得到位置索引序列：
Index＝(Y1,Y2,Y3,...,Ym)。
4.如权利要求3所述的快速识别局部放电模式的方法，其特征在于，所述步骤四中局部放电信号的模式分析可信度计算的过程为：采集不同的标准局部放电样本，重复步骤一、二和三，得到局部放电信号特征值向量
f1(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f2(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f3(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
f4(E,Xmax,Xmean,Ls,Kup,Kdown,ΔK,N)
……
计算样本S0与标准局部放电样本的特征值向量中的每个元素的相对误差；
Figure FDA0003106787590000031
计算出δE,δmax,δmean,...δΔK,δN；
模式分析可信度计算如下
R＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
分别计算待定样本S0相对于不同标准局部放电信号的模式分析可信度：
R1＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R2＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R3＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
R4＝(1-δE)·(1-δmax)·(1-δmean)...(1-δΔK)·(1-δN)
……。
CN201910923663.3A 2019-09-27 2019-09-27 一种快速识别局部放电模式的方法 Expired - Fee Related CN110837028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910923663.3A CN110837028B (zh) 2019-09-27 2019-09-27 一种快速识别局部放电模式的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910923663.3A CN110837028B (zh) 2019-09-27 2019-09-27 一种快速识别局部放电模式的方法

Publications (2)

Publication Number Publication Date
CN110837028A CN110837028A (zh) 2020-02-25
CN110837028B true CN110837028B (zh) 2021-08-31

Family

ID=69575317

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910923663.3A Expired - Fee Related CN110837028B (zh) 2019-09-27 2019-09-27 一种快速识别局部放电模式的方法

Country Status (1)

Country Link
CN (1) CN110837028B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111579939A (zh) * 2020-04-23 2020-08-25 天津大学 基于深度学习进行高压电力电缆局部放电现象检测方法
CN112595944A (zh) * 2020-12-31 2021-04-02 广东电网有限责任公司电力科学研究院 一种局部放电模式识别方法和***

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495343A (zh) * 2011-12-30 2012-06-13 重庆大学 基于超声与紫外信息融合的局部放电检测识别方法及***
CN103323749A (zh) * 2013-05-16 2013-09-25 上海交通大学 多分类器信息融合的局部放电诊断方法
CN103558519A (zh) * 2013-11-02 2014-02-05 国家电网公司 一种gis局部放电超声波信号识别方法
CN103592587A (zh) * 2013-12-02 2014-02-19 国家电网公司 基于数据挖掘的局部放电诊断方法
CN104020398A (zh) * 2014-06-03 2014-09-03 华北电力大学 一种换流变压器局部放电波形特征提取方法
CN104316846A (zh) * 2014-08-28 2015-01-28 国家电网公司 一种电力设备局部放电模式识别方法、装置及***
CN107015124A (zh) * 2017-01-13 2017-08-04 国网山东省电力公司日照供电公司 一种基于分帧自适应稀疏分解的局放信号干扰抑制方法
CN108536648A (zh) * 2018-03-30 2018-09-14 武汉大学 基于多超声波传感器的局部放电非线性模型转换求解与优化方法
CN109212392A (zh) * 2018-09-25 2019-01-15 上海交通大学 直流电缆局部放电缺陷故障的识别方法、***及Caffe卷积神经网络
CN109342909A (zh) * 2018-12-14 2019-02-15 中国测试技术研究院电子研究所 一种基于slle的电缆附件局部放电模式识别方法
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077402B (zh) * 2012-12-28 2016-05-11 国家电网公司 基于奇异值分解算法的变压器局部放电模式识别方法
US9753080B2 (en) * 2014-12-09 2017-09-05 Rosemount Inc. Partial discharge detection system

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102495343A (zh) * 2011-12-30 2012-06-13 重庆大学 基于超声与紫外信息融合的局部放电检测识别方法及***
CN103323749A (zh) * 2013-05-16 2013-09-25 上海交通大学 多分类器信息融合的局部放电诊断方法
CN103558519A (zh) * 2013-11-02 2014-02-05 国家电网公司 一种gis局部放电超声波信号识别方法
CN103592587A (zh) * 2013-12-02 2014-02-19 国家电网公司 基于数据挖掘的局部放电诊断方法
CN104020398A (zh) * 2014-06-03 2014-09-03 华北电力大学 一种换流变压器局部放电波形特征提取方法
CN104316846A (zh) * 2014-08-28 2015-01-28 国家电网公司 一种电力设备局部放电模式识别方法、装置及***
CN107015124A (zh) * 2017-01-13 2017-08-04 国网山东省电力公司日照供电公司 一种基于分帧自适应稀疏分解的局放信号干扰抑制方法
CN108536648A (zh) * 2018-03-30 2018-09-14 武汉大学 基于多超声波传感器的局部放电非线性模型转换求解与优化方法
KR101958903B1 (ko) * 2018-05-31 2019-03-15 수원대학교산학협력단 RBFNNs 모델을 이용한 부분 방전 분류 시스템
CN109212392A (zh) * 2018-09-25 2019-01-15 上海交通大学 直流电缆局部放电缺陷故障的识别方法、***及Caffe卷积神经网络
CN109342909A (zh) * 2018-12-14 2019-02-15 中国测试技术研究院电子研究所 一种基于slle的电缆附件局部放电模式识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Determination of neural-network topology for partial discharge pulse pattern recognition;M.M.A. Salama etc.;《IEEE Transactions on Neural Networks 》;20020807;第13卷(第2期);第446-456页 *
基于多特征信息融合技术的局部放电模式识别研究;黄亮 等;《高电压技术》;20150331;第41卷(第3期);第947-955页 *
基于支持向量数据描述的局部放电类型识别;唐炬 等;《高电压技术》;20130531;第39卷(第5期);第1045-1053页 *
电气设备局部放电信号特征提取及分类方法研究;张蒙;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180315(第3（2018）期);C042-2378 *

Also Published As

Publication number Publication date
CN110837028A (zh) 2020-02-25

Similar Documents

Publication Publication Date Title
CN110837028B (zh) 一种快速识别局部放电模式的方法
CN113989279A (zh) 基于人工智能及图像处理的塑料薄膜质量检测方法
CN107818298B (zh) 用于机器学习物质识别算法的通用拉曼光谱特征提取方法
CN102521534B (zh) 一种基于粗糙熵属性约简的入侵检测方法
CN110717540B (zh) 一种对雷达新辐射源个体的识别方法及装置
CN108090462A (zh) 一种基于盒维数的辐射源指纹特征提取方法
CN106296697A (zh) 一种基于二维滑动窗dft快速计算的图像篡改检验方法
EP4001936A1 (en) Automatic partial discharge and noise signals separation using arithmetic coding in time domain and magnitude distributions in frequency domain
CN112883895B (zh) 基于自适应加权pca的非法电磁信号检测方法及其实现***
US11119127B2 (en) Method and apparatus for non-intrusive program tracing with bandwidth reduction for embedded computing systems
CN110197120B (zh) 用于无人值守传感器***的人员目标识别方法
CN108900538B (zh) 一种工控信号检测方法和装置
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法
Aris et al. A robust segmentation of malaria parasites detection using fast k-means and enhanced k-means clustering algorithms
CN115588439A (zh) 一种基于深度学习的声纹采集装置的故障检测方法及装置
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
Abu-El-Quran et al. Pitch-based feature extraction for audio classification
CN114863163A (zh) 一种基于细胞图像进行细胞分类的方法及***
Pu et al. Classification of radar emitter signals using cascade feature extractions and hierarchical decision technique
CN112087272B (zh) 一种电磁频谱监测接收机信号自动检测方法
CN115086019B (zh) 一种工业物联网物理层数据波形特征入侵检测方法
CN117150265B (zh) 一种低信噪比条件下鲁棒的射频信号开集识别方法
CN113095175A (zh) 一种基于数传电台射频特征的低空无人机识别方法
CN114759991B (zh) 一种基于可见性图的循环平稳信号检测及调制识别方法
KR100686636B1 (ko) 차이추정 필터를 이용한 아날로그와 디지털 신호 구분 방법및 장치

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210831