【正文】 絡的權值收斂到的最終值并不一定是所期望的最優(yōu)解，而有可能是局部極小值。另外還有遺忘舊樣本。九、故障電弧模式識別算法的研究（2011）摘要：采集典型家用電器正常工作、開關斷開、開關閉合、產(chǎn)生故障電弧時的電流波形和數(shù)據(jù),利用小波分析理論提取能夠描述串聯(lián)型故障電弧特性的特征量作為神經(jīng)網(wǎng)絡的輸入量,再用神經(jīng)網(wǎng)絡訓練和檢驗建立的網(wǎng)絡模型,進而實現(xiàn)故障電弧的模式識別。 小波函數(shù)的選擇（難點）目前有幾十種小波函數(shù),而且人們還在不斷構(gòu)造新的小波函數(shù)和相應的小波濾波器來滿足不同小波分析應用的需要。各種小波函數(shù)性質(zhì)各異,有的適合理論推導,如小波、高斯函數(shù)小波類有的更適合計算有的時域上有一較長的支撐有的可以得到完全重構(gòu)有的則不能實現(xiàn)原信號的恢復。然而,由于小波函數(shù)針對不同的工程應用表現(xiàn)出的特性具有復雜性,小波函數(shù)的選擇目前也是小波分析理論研究的難題,按什么樣的原則能夠選擇最優(yōu)的小波函數(shù)還沒有有效的方法。一般用枚舉法來挑選合適的小波（進行比較）,當然這種選擇不一定是最優(yōu)的。合理地挑選小波基函數(shù)主要應從以下幾個方面來考慮：（1） 緊支性；（2）消失矩；（3）正則性；（4）對稱性。 小波變換的時頻域特性分析小波變換的高頻部分有較高的時間分辨率和較低的頻率分辨率,而它的低頻部分有較低的時間辨率和較高的頻率分辨率。 基于小波變換和神經(jīng)網(wǎng)絡的故障電弧模式識別從實驗所得到的電弧電流波形,我們可以看到電弧電流在過零點時有一個明顯的“零體”區(qū)間,而且由于負載和電弧燃燒情況不同,電弧電弧電流信號波形有一明顯的突變。本文用離散小波變換來處理數(shù)據(jù)。小波重構(gòu)信號能精確地反決原始信號在時頻域上的變化情況,而小波能量譜能反映各個頻段能量在總能量中所占比例。小波函數(shù)類型的選擇。一般選擇與輸入波形最匹配的基木小波。提出如下選擇方法對于給定輸入信一號,首先使用不同基本小波進行小波分解然后對各尺度上的小波系數(shù)進行閾值處理,低于閾值的小波系數(shù)置零最后選取非零小波系數(shù)個數(shù)最少的基本小波作為分析用小波。本文用實驗樣本在不同的小波基函數(shù)和分解層數(shù)下分解并重構(gòu),通過比較它們重構(gòu)信號和原始信號的偏差來確定最佳的小波基函數(shù)和分解層數(shù)。十、光伏系統(tǒng)直流電弧故障特征及檢測方法研究（2016）思路介紹：串聯(lián)電弧的能量大，對線路和設備危害極大，且易引發(fā)火災事故；但目前的低壓斷路器、熔斷器等裝置僅能對過流、短路等故障進行檢測和保護，不能對電弧故障起作用，由于串聯(lián)電弧故障電流較小，難以被保護裝置檢測到，所以需設置額外的故障電弧檢測裝置。在電弧故障發(fā)生時，電弧兩端的電流會瞬間下降，而兩端的電壓會瞬間提高。電弧故障發(fā)生時，常伴隨有某一特定的高頻信號，在正常工作情況下該高頻信號并不出現(xiàn)，一旦該信號出現(xiàn)，則表明存在電弧故障。不同負載及連接方式不同通常高頻信號也會有很大差異，所以需要建立精度較高的模型。十一、基于改進小波變換的故障電弧檢測方法的研究（2016） 故障電弧檢測方法在故障電弧的研究和檢測方面，國內(nèi)外主要有三類研究方法:第一類，建立相應的故障電弧數(shù)學模型；第二類，利用故障電弧產(chǎn)生時的物理特性作為檢測的依據(jù)；第三類，利用故障電弧的電壓、電流特性作為檢測的依據(jù)。上述方法不足：第一類方法數(shù)學模型的建立可以使故障電弧檢測更加精密，但是需要建立純粹的數(shù)學模型，很多故障電弧的參數(shù)無法準確的獲得；第二類方法簡單易行，但是這類檢測方法有一個弊端: 需要將檢測的設備安裝在故障點的附近，這樣才能準確無誤的進行檢測；第三類方法就是對電力線路中的電流信號進行分析，用快速傅里葉變換、小波分析、小波熵等算法對電流信號進行分析。這類方法通過監(jiān)測線路中的電流信號，利用不同的檢測算法提取故障電弧特征，方法簡單、實用，但是缺少故障辨識模型。十二、基于小波變換的電弧故障檢測技術研究（）摘要：電弧故障檢測是一項線路保護技術，其主要功能是當發(fā)生故障電弧時能及時準確地識別出故障電弧并采取一定的措施保護電路，采用這種技術的保護裝置叫故障電弧斷路器（AFCI）美國發(fā)展比較成熟，國內(nèi)電弧故障檢測技術的研究起步晚，AFCI產(chǎn)品在國內(nèi)市場幾乎一片空白。 國內(nèi)低壓配電環(huán)境與國外低壓配電環(huán)境不同，電弧故障檢測方法和檢測標準不能生搬硬套。本論文針對電弧故障檢測技術展開研究，根據(jù)研究故障電弧的特性，提出電弧故障檢測技術方法，能對常見負載線路出現(xiàn)故障電弧時有比較準確的識別率，同時對線路正常工作時有較低的誤判率。十三、基于小波分析和神經(jīng)網(wǎng)絡的模擬電路故障診斷（） 小波包分解法 多分辨率分析和Mallat算法滿足了在某些領域里的信號處理需求，但是其對信號的時頻分析僅能在信號的低頻段以尺度函數(shù)的二進制變換進行分解重構(gòu)，忽略了高頻段，使其不適合應用在有特殊需要的情況。而小波包分解對正交小波變換做了一些改進，是更為精細的一種頻帶分解與重構(gòu)方法，能對信號低頻和高頻同時分解，并且能夠給出最合理的小波分解樹，自適應地呈現(xiàn)了信號在不同頻段應有的合理時頻分辨率。 多分辨率小波變換與小波包分解的比較小波分析在高頻段的頻率分辨率較差，在低頻段的時間分辨率較差，為了克服這個缺點，人們在小波分解的基礎上提出了小波包分解。小波包分解能夠?qū)π盘柛哳l率做分解變換，信號的時頻分辨率得以提高，符合故障診斷特定情況的信號處理需求。正交小波分解的過程是原始信號分解成低頻和高頻成分，然后將低頻成分再分解為兩部分，分別對應于一個近似系數(shù)向量和一個細節(jié)系數(shù)向量，繼續(xù)對低頻成分分解到具體操作者規(guī)定的層數(shù)，連續(xù)兩層的近似系數(shù)中缺失的信息由兩層中的下層細節(jié)系數(shù)補充，但是每一層的細節(jié)系數(shù)向量都不做分解。假使特征頻段在高頻信號中，則找不到特征信息了。小波包分解不僅對低頻部分做分解變換，而且對每一層的細節(jié)系數(shù)向量也使用類似于近似系數(shù)向量分解的方式再一分為二，高頻部分分解的層數(shù)與低頻部分一樣多，便于找到高頻成分的有效特征。 基于多分辨率分析和小波包的特征量提取 多分辨分析：提取第一層到第N 層的高頻小波分解系數(shù)，計算總能量。小波包：提取2N個低頻到高頻系數(shù)。進行重構(gòu)再計算總能量。1 一種基于小波變換能量與神經(jīng)網(wǎng)絡結(jié)合的串聯(lián)型故障電弧辨識方法（）摘要：針對交流串聯(lián)型故障電弧發(fā)生時回路電流幅值較小、傳統(tǒng)線路保護裝置不能有效檢測的問題，提出一種基于小波變換能量與神經(jīng)網(wǎng)絡結(jié)合且適用于多種典型負載的串聯(lián)型低壓交流故障電弧辨識方法。利用自制的電弧發(fā)生裝置模擬產(chǎn)生低壓交流故障電弧，獲取了 6 種典型家用負載情況下電路正常運行及產(chǎn)生串聯(lián)型故障電弧時回路的電流信號。對采集的信號進行小波分解，將各層細節(jié)信號能量的平均值和標準差輸入 BP 神經(jīng)網(wǎng)絡后構(gòu)成小波神經(jīng)網(wǎng)絡，實現(xiàn)對不同負載測試樣本的辨識。采用粒子群優(yōu)化算法計算神經(jīng)網(wǎng)絡訓練初始值，利用自適應學習率方法提高了訓練速度。算法輸出結(jié)果含義明確，輸入層特征量選取合理。實驗結(jié)果表明，采用該方法進行故障電弧辨識的準確率達到 95%以上。正常工作電流波形、故障電流波形：線性負載（阻性）、非線性負載（開關電源、容性和感性）。