典型文献
基于一维卷积神经网络多任务学习的电能质量扰动识别方法
文献摘要：
传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想.针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动.此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类.仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力.同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性.
文献关键词：
电能质量;扰动识别;深度学习;卷积神经网络;多任务学习
中图分类号：
作者姓名：
王伟;李开成;许立武;王梦昊;陈西亚
作者机构：
华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室,武汉430074
文献出处：
引用格式：
[1]王伟;李开成;许立武;王梦昊;陈西亚-.基于一维卷积神经网络多任务学习的电能质量扰动识别方法)[J].电测与仪表,2022(03):18-25
A类：
B类：
一维卷积神经网络,多任务学习,电能质量扰动,扰动识别,先用,信号处理,取信,多分类,多标签分类,分类建模,建模方式,标签关联性,复合扰动,扰动分类,抗噪性能,卷积神经网络模型,信号特征提取,分类任务,子任务,编码方案,量完,多任务分类,识别准确率,抗噪声能力,One,hot,分类准确率
AB值：
0.288081
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
