✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。
🍎个人主页：Matlab科研工作室
🍊个人信条：格物致知。
⛄ 内容介绍
电池储能电站功率转换系统(power conversion system,PCS)故障诊断在储能电站智能运维中发挥着重要作用.现有方法在非侵入式识别PCS内部IGBT开路故障时,易出现信号特征提取困难,数据维度爆炸以及阈值判定区间不稳定等问题.提出一种贝叶斯优化卷积神经网络BO-CNN的储能变流器开路故障诊断方法.通过并网储能变流器的故障仿真实验,与现有方法进行比较,结果表明:所提方法在复杂的噪声环境下的鲁棒性和准确性更优.
⛄ 部分代码
% 4 user CDMA system (BPSK modulation)
clear all
close all
clc
N = 4; % number of users in the CDMA system ( donot change this number)
level = ceil(log2(N)); % leven in OVSF code generation
codes = Gen_OVSF(level); % generate orthogonal variable spread factor codes
num_bit = 10^4; % data size
SNR_dB =10 ; % SNR per bit in dB
tic()
% Source
a1 = randi([0 1],1,num_bit);% source for user1
a2 = randi([0 1],1,num_bit); % source for user2
a3 = randi([0 1],1,num_bit);% source for user3
a4 = randi([0 1],1,num_bit); % source for user4
% BPSK mapper (bit 0 maps to 1)
bpsk_seq1 = 1-2*a1;
bpsk_seq2 = 1-2*a2;
bpsk_seq3 = 1-2*a3;
bpsk_seq4 = 1-2*a4;
% Spreading operation
user1_bpsk_seq_rep = repmat(bpsk_seq1,2^level,1);
user2_bpsk_seq_rep = repmat(bpsk_seq2,2^level,1);
user3_bpsk_seq_rep = repmat(bpsk_seq3,2^level,1);
user4_bpsk_seq_rep = repmat(bpsk_seq4,2^level,1);
user1_code_rep = repmat(codes(1,:).',1,num_bit);
user2_code_rep = repmat(codes(2,:).',1,num_bit);
user3_code_rep = repmat(codes(3,:).',1,num_bit);
user4_code_rep = repmat(codes(4,:).',1,num_bit);
user1_trans_sig = user1_bpsk_seq_rep .* user1_code_rep;
user2_trans_sig = user2_bpsk_seq_rep .* user2_code_rep;
user3_trans_sig = user3_bpsk_seq_rep .* user3_code_rep;
user4_trans_sig = user4_bpsk_seq_rep .* user4_code_rep;
% summing operation
trans_sig = user1_trans_sig + user2_trans_sig + user3_trans_sig + user4_trans_sig;
% AWGN
SNR = 10^(0.1*SNR_dB); % SNR in linear scale
noise_var = (2^level)/(2*SNR); % awgn variance
noise = normrnd(0,sqrt(noise_var),2^level,num_bit);
% channel output
Chan_Op = trans_sig + noise;
% RECIEVER for user 1
% Despreading operation
user1_rec_sig = (1/N)*sum(Chan_Op.*user1_code_rep,1);
% ML decoding
dec_a1 = user1_rec_sig<0;
% Bit error rate
BER = nnz(a1-dec_a1)/num_bit
⛄ 运行结果
⛄ 参考文献
[1] 石嘉, 王秀丽, 李盛超. 基于朴素贝叶斯优化下的卷积神经网络诈骗短信分类方法和系统:, CN111198947A[P]. 2020.
[2] 吴盼荣. 基于卷积神经网络的文献分类在水稻抗逆基因数据库中的应用[D]. 安徽农业大学.
[3] 张明阳, 狄子琦, 蒋汾龙,等. 基于贝叶斯层图卷积神经网络的高光谱图像分类方法:, CN115393631A[P]. 2022.
[4] 李鸿雁, 苏庭波. 基于贝叶斯网络和卷积神经网络的手绘草图识别方法[J]. 西南师范大学学报：自然科学版, 2019, 44(9):7.
