基于边缘计算的公共交通工具疫情监测系统

现有监测系统无法很好地应对疫情环境下存在的交叉传染以及追溯困难等问题,因此提出了一套基于边缘计算的公共交通检测系统的设计方案。首先,建立图数据库来储存乘车人员与乘车信息,同时使用双数据库模型防止建立索引带来的阻塞,从而完成插入效率与搜索效率的均衡;其次,在车辆人像信息提取中,采用HSV色彩空间对图片进行预处理,并建立人脸三维空间模型来提升神经网络的识别准确率,在目标佩戴口罩时,通过较明显的鼻尖特征点、下颌特征点与未遮挡的鼻梁部特征点回归出其口鼻等特征点信息;最后,通过k度搜索快速找出密切接触乘客。在特征对比测试中,该方案在BioID数据集和PubFig数据集上分别达到了99.44%和99.23%的正确率,且在两数据集上的假阴性率均小于0.01%;在图搜索效率测试中,在浅层次搜索的时候,图数据库与关系型数据库并无较大差异,当搜索层次变深时,图数据库效率更高;在验证理论可行性之后,模拟了公交车与公交站的实际环境,经测试所提系统在其中的识别准确率为99.98%,识别时间平均约为21 ms,符合疫情监测的要求。所提系统设计可以满足疫情时期公共安全的特殊需求,能够实现人员甄别、路径记录、潜在接触者搜索等功能,从而有效地保证公共交通安全。     

用于风电功率预测的RPCL优化神经网络模型

为了提高风电功率预测的准确度,提出了一种基于对手竞争惩罚学习算法( rival penalized competitive learning,RPCL)优化径向基函数( radial basis function,RBF)神经网络的风电功率预测模型。首先通过RPCL确定网络隐含层神经元数目以及中心点初始值,然后由K均值聚类法确定隐含层神经元的中心点和宽度,最后通过最小均值算法确定隐含层神经元与输出层神经元之间的权值。仿真结果表明：此优化模型相较于传统RBF网络具有更高的准确性。