基于生成对抗网络的小样本数据生成技术研究

基于数据驱动的深度学习技术成为新一代智能电网的应用趋势,该技术对电网中有标注训练数据的量级提出更高的要求。为了获取更多有标注的智能电网样本数据,文章提出了一种基于改进的生成对抗网络（generative adversarial network,GAN）的训练样本生成算法。该方法通过交替训练改进GAN的生成模型与判别模型,无需先验知识的指导,自主学习原始样本的分布规律,生成新的数据样本。然后采用人工神经网络作为基础分类器,计算样本分类的准确率,检验生成样本的有效性。实验表明,改进GAN模型可以有效学习样本的分布规律,提升谐波分类的准确率,该方法同时具有良好的抗噪性和泛化性,对深度学习技术在智能电网中的深入发展具有重要意义。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

生成对抗网络扩充样本用于高光谱图像分类

高光谱图像包含着丰富的地理位置信息和光谱信息,高光谱图像分类是遥感领域的一个基础而又重要的研究方向。然而,高光谱图像样本数量不足仍然是限制分类精度进一步提升的主要问题。生成对抗网络中生成器和判别器的不断地对抗学习,最终理想状态为,生成器生成的伪样本判别器无法判别,生成与真实样本非常相似的伪数据样本。文章通过生成对抗网络来依据原有的少量样本,生成新的伪样本,解决样本获取困难、样本数量不足的问题。实验在两个高光谱图像数据集上分别选取200个和400个样本点进行实验,在生成对抗网络中生成新的伪样本,进行分类训练。与SVM、3DCNN等分类方法在同样是样本不足的情况下比较下,分类整体的平均精度得到明显定提升,实验证明文中分类方法的分类表现优于相比的其他分类方法。     

基于双判别生成对抗网络的壁画图像虚拟修复

针对现有算法在修复大面积破损区域的壁画图像时容易出现特征提取困难,上下文结构不一致等问题,提出一种基于双判别生成对抗网络的壁画图像虚拟修复。首先,将U-Net架构引入生成网络,结合扩张卷积与跳跃连接实现多尺度特征融合提取,利用重构损失初步构建修复模型。其次利用双重判别网络,保证图像全局一致性的同时,加强修复后的局部细节。最后交替训练生成网络和双重判别网络,加权重构损失和WGAN-GP损失,进一步优化网络模型,完成破损壁画图像的虚拟修复。根据创建的壁画数据集,进行训练测试,并与多组修复算法进行修复对比,结合主客观评价指标进行评价,结果表明,该算法修复的壁画图像质量更优,较好的完成了较大区域受损壁画图像的整体一致性修复。     

基于改进生成对抗网络的谐波状态估计方法

传统的基于最小二乘法的谐波状态估计受到量测装置少、精确的谐波阻抗获取难、网络拓扑结构复杂以及电网运行方式变化等因素的限制,造成量测方程欠定、系统非全局可观以及节点间耦合关系难以准确提取等问题。文中提出了一种基于改进生成对抗网络的谐波状态估计方法。该方法基于pix2pix谐波状态估计网络拟合监测节点与目标节点间的耦合关系,利用采集的历史谐波数据,对模型进行批量训练,通过训练之后的生成网络估算目标节点谐波电流、谐波电压幅值,实现基于数据驱动的谐波状态估计。在加噪环境下对模型进行测试,仿真结果验证了所提方法的有效性。     

基于条件生成对抗网络的短期负荷预测

精准的短期负荷预测对电力系统制定合理生产计划、提高经济效益、保证电网安全运行具有重要意义.为学习非线性负荷数据中隐含的深层关系,提高短期负荷预测精度,文中提出一种基于条件生成对抗网络的短期负荷预测模型.所提模型使用卷积神经网络构建生成模型和判别模型,以负荷影响因素作为条件,并引入特征损失函数作为判别模型部分隐藏层的损失...     

基于生成对抗网络和混合时空神经网络的入侵检测

针对网络入侵检测领域存在检测准确率低的问题,研究异常流量样本少和分类器性能不佳时的入侵检测模型,提出一种基于改进生成对抗网络和混合时空神经网络的入侵检测模型。改进生成对抗网络通过学习异常流量样本的分布特性,生成具有特定标签的人工异常流量样本;融合卷积神经网络和双向长短时记忆神经网络提取攻击流量的时空融合特征,利用注意力机制对时空融合特征进行加权,构建混合时空神经网络对网络流量进行分类预测。在UNSW-NB15数据集上对所提模型进行仿真实验,准确率和F1分数分别为92.93%和94.81%,表明所提模型能够有效改善原始数据集中的类别不平衡性问题,提高对异常流量样本的检测能力和网络入侵的检测准确率。     

生成对抗网络 GAN 的发展与最新应用

近年来,生成式对抗网络(generative adversarial nets, GAN)迅速发展,已经成为当前机器学习领域的主要研究方向之一。GAN来源于零和博弈的思想,其生成器和鉴别器对抗学习,获取给定样本的数据分布,生成新的样本数据。对GAN模型在图片生成、异常样本检测和定位、文字生成图片以及图片超分辨率等多方面进行了大量的调查研究,并在这些GAN的应用所取得的实质性进展进行了系统的阐述。对GAN的提出背景与研究意义、理论模型与改进结构,以及其主要应用领域进行了总结。通过对GAN在各方面的应用分析,对GAN的不足以及未来发展方向进行综述。     

强化组合式生成对抗网络

近年来通过在生成对抗网络中加入条件标签,控制生成图像的类别或属性已经取得很大进展,但是生成图像的类别或属性的准确性有待提高。为此,在生成对抗网络的判别器中加入了强化学习,通过上一次的分类结果去指导当前的分类。另外为了让生成的细粒度图像更加逼真,使用注意力机制在只增加少量的计算损失下让图像有全局感受野,将多属性的星型生成对抗网络与自注意力生成对抗网络组合后的生成图像的质量较高。 强化组合式生成对抗网络的最大均差达到0.036 93,最近邻指标效果较优,能自动化较准确地生成指定了某些属性的艺术图像,实验生成的图片也能用来解决缺乏数据的问题。     

一种用于车辆图像分割的MSSA-UNet模型

针对实际交通场景下的车辆图像分割方法存在模糊、效果差的问题,本文以UNet神经网络模型为基础,提出了一种融合多尺度模块和空间注意力机制的MSSA-UNet模型。在编解码阶段,采用空洞卷积构建多尺度模块,改善卷积层感受野大小受限的同时输出包含多尺度的特征信息。在上采样前,引入空间注意力机制来弥补采样过程中的局部信息丢失问题,提高特征还原能力。结合交叉熵损失与Dice损失,优化网络学习和训练过程,提高模型的分割精度。实验结果表明,本文提出的MSSA-UNet模型对于车辆图像分割任务在IoU评价指标达到83.48%,较改进前准确度提升了2.28%,模型预测值和真实值更接近,分割效果更好,有效提升了模型的分割性能。     

基于粒子群神经网络的细胞图像分割方法

为了更好地分割细胞图像,对传统的BP神经网络进行改进：首先将输入神经元设置为一个3×3窗口,以代替传统的单像素通道;其次采用一种基于信息熵的方法估计隐层神经元的个数;最后采用一种改进的PSO算法来保证网络权值收敛到最优。对血细胞和肠细胞的分割结果表明,本文方法得到的隐层神经元数大幅减少,误判率也优于BP与LM算法,耗时较BP算法少且近似接近LM算法。本文提出的估计隐层神经元的方法有效,且改进的PSO算法能够跳出误差函数局部极小点,收敛到全局最小点。     

基于深度学习的红外图像中劣化绝缘子片的分割方法

红外成像作技术为绝缘子在线检测的重要手段已日趋成熟,而当前对于电气设备红外图像的分析仍依靠大多依赖人工经验,缺乏智能化。传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷。基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法。首先搭建实验平台,获得绝缘子串在复杂背景(有其他设备和发热源干扰)下的红外图像。为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度。然后构建多尺度的方法实现全卷积神经网络(FCN)的3种子模型架构：FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型进行端到端的训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取。通过对三种子模型训练测试对比后,得出以下结果：FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于验证测试数据集像素分类准确率为89.23%。结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础。     

面向铁路货车车号定位的 Faster R-CNN卷积神经网络

为了解决传统算法对于铁路货运列车车号识别准确率不高问题,提出了一种面向铁路货车车号定位的 Faster R-CNN 神 经网络。 通过调整特征提取网络的相关尺寸参数及连接方式增强了最后一层卷积特征图的细节特征。 并采用 k-means++聚类 算法求取车号区域长宽比改进 anchor 尺寸设计,使目标检测框与实际车号区域更加贴合。 实验过程中,采用了数据增广、 dropout 方法提升网络的鲁棒性。 结果显示,改进 Faster R-CNN 网络在铁路货车车号定位精度达到了 93. 15%,召回率 90. 76%, 综合 F1 指标 91. 94%,也说明该方法能够对铁路货车车号准确定位,并为车号识别过程提供可靠的数据支持。     

基于暂态零序电流图像识别的配电网单相接地故障区域定位

为了提高配电网单相接地故障的定位准确率,提出一种基于暂态零序电流图像识别的配电网单相接地故障区域定位方法。通过PSCAD实现故障仿真,构建卷积神经网络(CNN)学习所需图像集。根据单相接地故障的两值性和分化性特征,基于Python编程进行图像预处理,采用VGGNet11网络结构对预处理后的字节形式故障样本进行训练,得到故障区域定位模型,并可视化分析模型分类效果。典型10 kV配电网模型数字仿真及现场试验均表明,所提方法能够准确实现故障区域定位,不受系统接地方式、故障电阻和初始相角的影响。可采用暂态录波型故障指示器采集线路暂态零序电流,信号获取方便。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。     

基于改进 U-Net 的高压电缆绝缘层图像分割研究

针对目前高压电缆绝缘层检测操作繁琐、效率低、重复测量差异大等问题,设计了一种新型电缆绝缘层检测装置,提出 了一种基于改进 U-Net 的高压电缆绝缘层图像分割方法。 首先替换主干特征提取网络为 VGG16 网络,结合迁移学习将 VGG16 在 Pascal VOC2012 数据集中训练的权重作为预训练权重,利用通道注意力模块在跳跃连接处融入自适应特征加权机制,在上 采样过程中添加分组卷积,提高了语义分割精度;然后利用训练的最优权重进行绝缘层图像分割,提取轮廓区域特征并进行二 值化处理,使用连通区域算法对轮廓区域进行填充;最后,融合原始图像和分割区域生成完整绝缘层分割图像。 实验结果表明, 平均交并比和平均像素准确率达到 99. 56%和 99. 81%,较原网络效果提升明显,验证了该方法在高压电缆绝缘层分割上的 有效性。     

基于RBF神经网络PID控制的列车ATO系统优化

针对在复杂环境下列车高速运行时,现有的Fuzzy-PID控制算法自适应性差在受到外界因素的干扰时会导致列车追踪误差较大的问题,提出了一种基于径向基(RBF)神经网络PID控制的列车速度控制算法。首先,在构建列车优化模型时,充分考虑列车经过电分相时必须处于惰行工况的特点,并且依据电分相和限速条件的特点将列车行驶过程中的区段进行了划分,简化了求解过程;然后使用RBF神经网络PID控制器对目标速度曲线进行追踪仿真,同时与现有的Fuzzy-PID控制器进行比较。实验结果表明,基于RBF神经网络PID控制算法能够实时有效的追踪目标速度曲线且追踪误差较小。