52、基于EEMD和PNN的电能质量扰动识别及中文文本分类方法

基于EEMD和PNN的电能质量扰动识别及中文文本分类方法

基于EEMD和PNN的电能质量扰动识别

在电能质量分析领域，准确识别各种扰动至关重要。下面介绍一种基于集合经验模态分解（EEMD）和概率神经网络（PNN）的电能质量扰动识别方法。

EEMD原理

经验模态分解（EMD）虽在很多情况下有用，但存在模态混叠等难题。赵华武和N. E. 黄提出了EEMD，这是一种新的噪声辅助数据分析方法，用于解决EMD的尺度分离问题，其步骤如下：
1. 向目标数据添加白噪声序列。
2. 将添加白噪声的数据分解为固有模态函数（IMF）。
3. 重复步骤1和2，但每次使用不同的白噪声序列。
4. 获取相应IMF的平均值作为最终结果。

信号可表示为：
[
X(t)=\sum_{i=1}^{n}c_{i}+r_{n}
]
最终残差体现原始信号的总体趋势，每个IMF代表原始信号的不同频率分量。

PNN原理

PNN是1989年由Dr. DF Specht提出的分类网络，基于贝叶斯决策理论和概率函数估计理论。与传统神经网络相比，它训练时间更短、分类精度更高，适用于许多分类问题。PNN神经网络由输入层、隐藏层和输出层三层组成。

隐藏层中PNN与径向基函数（RBF）类似，通常采用高斯函数作为径向函数：
[
a(n)=radbas(n)=e^{-n^{2}}
]
隐藏层中每个神经元的权重向量IW与输入向量P之间的距离dist乘以阈值([0.5\log(0.5)]b_{spread})形成自输入。