基于机器学习的地基云图分类研究进展

基于机器学习的地基云图分类是光伏发电功率预测的关键技术。该技术主要通过传统机器学习和深度学习方法对地基云图特征提取提升地基云图分类准确率。全文归纳了地基云图分类标准和云图采集设备;简要介绍了地基云图分类数据集;从传统机器学习和深度学习两方面详细论述了典型的地基云图分类方法;比较了不同方法在Kiel F和MGCD地基云图分类数据集上的性能;最后对现有地基云图分类方法进行了总结,并针对目前地基云图分类面临的挑战进行了展望。     

一种信号调制识别网络的轻量化设计

神经网络在信号调制识别领域得到了广泛关注和研究。针对现有调制识别算法为提高识别准确率,导致模型尺寸过大、计算时间过长的问题,提出了一种调制识别神经网络的轻量化设计方案。该方案由信号失真校正模块和分类模块两部分组成。其中,信号失真校正模块通过参数估计器提取相位偏移信息,再经参数转换器对相位偏移进行参数校正,保证信号识别精度;分类模块由一维卷积神经网络(One-Dimensional Convolutional Neural Network, 1D-CNN)、选通递归单元(Gated Recurrent Unit, GRU)和高斯衰减层构成,从时间和空间的角度有效提取信号特征,并减少冗余参数量以缩减模型大小。仿真结果表明,所提方案与同精度网络相比,平均识别准确率提升0.21%,计算时间缩减到1/3.4,模型尺寸缩减到1/7.77。     

空化诱导的轴流式水轮机转轮径向振动特性研究

转轮的径向振动特性对水轮机转子系统的稳定性至关重要。为了研究空化对轴流式水轮机转轮径向振动特性的影响规律,本文首先搭建了包含激光测振仪(Laser Doppler Vibrometer, LDV)的非接触式振动测试系统,并结合高速摄影系统获得了不同空化状态下的转轮内部流场图像以及转轮径向振动信号。然后对转轮内部流动图像及振动信号进行了综合分析,结果表明：从无空化到空化初生阶段,空化系数的降低对转轮径向振动基本没有影响;空化初生以后,转轮径向振动的幅值会随着空化程度的加剧而急剧上升。转轮内部空化流动形态的转变是转轮径向振动频域特性改变的根源。从空化初生到完全空化阶段,转轮径向振动的能量会出现向低频区域迁移的趋势,增加机组共振的风险。本文的研究对轴流式水轮机稳定运行以及经济性具有重要意义。     

基于电能质量监测数据的企业环保异常工况识别

针对目前污染企业环保工况异常监测实施困难、识别误差大、结果易被篡改等问题,提出了一种基于电能质量监测数据的环保异常工况识别方法。区别于对每个设备安装分表进行用电监测的现有方案,使用企业设备公共用电入口处非侵入式负荷监测所得的多维电能质量数据进行工况分类模型训练,实现异常工况识别。首先,对表征生产情况的特征数据进行时序变点检测与聚类计算,实现企业生产工况的划分;然后,结合环保设备运行情况得到用于分类的环保工况类别;进而,采用Stacking集成学习模型对环保相关的工况场景进行分类学习;最后,利用所训练的分类模型识别出企业存在的环保异常工况。利用仿真测试数据与实际企业数据验证了所提方法的有效性。     

基于 FEF-DeepLabV3+的电力金具锈蚀分割方法

金具锈蚀在输电线路航拍图像中细节丰富且分布不规律,为克服分割检测过程中局部信息丢失、精度低和速度慢等问题,提出基于DeepLabV3+的金具锈蚀语义分割模型。替换其主干网络为轻量化改进MobileNetV3网络加快运算速度,并提出自适应特征金字塔(adaptive feature pyramid, AFP)结构融合多尺度。结合FRN层提出特征融合空洞空间金字塔池化(feature fusion atrous spatial pyramid pooling, FEF-ASPP)结构,能够在加强像素间联系的同时不降低分辨率。最后优化损失函数,提高算子的有效性。实验表明,mIoU和mPA分别达到了87.15%、96.64%,相较于原模型提高了3.09%、4.29%。参数量仅为原模型的48%,推理时间仅为15.94 ms,降低了对设备算力的要求,实现高效高精度、轻量化的输电设备锈蚀缺陷分割检测。     

直流阻性家电特性测试与分类研究

为了给直流配用电系统中通用适配器的研究提供理论依据,全面地了解直流家用负载的特性尤为重要。对常见的直流家电中的直流阻性家电进行了大量实验测试。通过渐进升高直流阻性家电端电压,记录其端电压及负载电流数据,并对数据进行分析与处理,绘制了直流阻性家电伏安特性曲线以及斜率曲线;根据两种曲线的变化趋势及其规律,对直流阻性家电特性进行了分析与归纳,将直流阻性家电归为两类;基于分类以及两种曲线的特点,提出了三种适用于直流阻性家电通用适配的基本控制构想,为直流家电通用适配器的研究奠定了理论基础,为直流家电自适应适配起到了积极地促进作用,为直流用电技术的发展指引了方向。     

基于transformer自适应特征向量融合的图像分类

针对目前基于transformer的图像分类模型直接应用在小数据集上性能较差的问题,本文提出了transformer自适应特征向量融合网络,该网络在特征提取器中将不同阶段的特征进行融合,减少特征信息丢失的同时获得更多不同感受野下的信息,同时利用最大池化来去除特征中的冗余信息,从而使提取的特征更具有判别性。此外,为了充分利用图像的各级特征信息来进行分类预测,本文将网络各阶段产生的特征向量进行融合,使融合后的特征向量更具有表征能力,从而减少网络对大数据集的依赖,使网络在小数据集中也能获得很好的性能。实验表明,本文提出的 算法在数据集Mini-ImageNet-100、CIFAR-100和ImageNet-1k上的TOP-1准确率分别达到了74.22%、85.86%和81.4%。在没有增加计算量的情况下,在baseline上分别提高了6.0%、3.0%和0.1%,且参数量减少了18.3%。本文代码开源在“https://github.com/xhutongxue/afvf”。     

基于变分主题模型的半监督文本分类

为解决实际应用场景中常面临的数据标注不足的问题,提出一种基于变分主题模型的半监督文本分类模型。首先使用无监督变分主题模型挖掘出语义信息集中的文档-主题分布,作为有效的文档特征表示,再通过半监督方式训练分类器。基于神经网络的变分主题模型相较传统的主题模型,不仅可以得到合理的主题,而且推断速度更快。在20NewsGroup等数据集上的实验结果表明,所提出的模型仅使用30%的训练数据就可以取得与使用90%训练数据的半监督基线模型相当甚至更好的结果,证明了所提出模型的正确性和实用性。     

基于FMCW雷达的呼吸模式分类技术研究

针对当前使用调频连续波雷达的呼吸模式分类算法准确度不高的问题,本文提出一种基于一维卷积神经网络（1DCNN）结合长短时记忆（LSTM）网络的多呼吸模式分类方法。方法共分为四步：第一步,对雷达提取的呼吸信号进行预处理;第二步,使用快速傅里叶变换（FFT）与连续小波变换（CWT）提取呼吸信号特征;第三步,根据呼吸特征对五种呼吸模式信号（正常呼吸、呼吸过速、呼吸过缓、呼吸深大、呼吸暂停）打标签制作数据集;第四步,使用数据集训练网络得到模型,并使用新数据测试模型。实验结果表明,此方法分类准确度要比现有使用CNN网络方法高5%左右。     

基于多域特征融合的旋翼无人机分类识别

为提高雷达旋翼无人机的识别效果,本文提出一种基于多域特征融合的旋翼无人机分类方法。首先利用K波段连续波（Continuous Wave,CW）雷达观测多旋翼无人机,对采集到的雷达回波信号进行信号处理依次得到时频图、节奏速度图（Cadence?Velocity Diagram, CVD）和节奏频谱图（Cadence Frequency Spectrum,CFS）,然后将时频图和CVD图分别输入SqueezeNet网络,CFS数据输入一维卷积神经网络（1?D?CNN）提取回波信号在时频域、节奏速度域和节奏频率域的特征,最后将特征融合输入支持向量机（Support Vector Machine, SVM）进行分类。实测雷达数据处理的结果表明基于多域特征融合的旋翼无人机分类识别方法对三类旋翼无人机的分类准确率达到99.14%。