排序方式: 共有19条查询结果,搜索用时 0 毫秒
1.
2.
无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。 相似文献
3.
4.
5.
介绍一种智能烤烟房温湿度控制系统的设计。结合积分分离PID控制、模糊自适应控制等理论研究,提出对温湿度采用积分分离PID和模糊控制相结合的控制算法。利用M atlab对不同的控制算法进行了仿真实验,试验证明组合温湿度控制算法提高了传统PID算法的适应能力及控制精度。 相似文献
6.
7.
8.
介绍了利用CC2420和LPC213X搭建的符合ZigBee标准的嵌入式节点,并设计了相应的接口软件. 相似文献
9.
负荷聚类是电力大数据分析的重要基础。针对高维日负荷数据时序特征提取困难,以及特征提取与聚类处理分离降低负荷聚类准确性的问题,文章提出了一种基于一维卷积自编码器的日负荷深度嵌入聚类方法(deep embedding clustering method based on one dimensional convolutional auto-encoder,DEC-1D-CAE)。首先,采用一维卷积自编码器网络提取负荷曲线蕴含的时序特征。然后,利用自定义聚类层对所提取的负荷特征向量进行软划分。最后,采用KL散度(Kullback-Leibler divergence,KLD)为损失函数,联合优化卷积自编码器与聚类层,得到聚类结果。算例分析表明所提方法在DBI(Davies-Bouldin index)、CHI(Calinski-Harabasz index)指标上均优于K-means、1D-CAE+K-means、基于堆叠式编码器的深度嵌入聚类方法(deep embedding clustering method based on stacked auto-encoder,DEC-SAE),所提方法可以有效提升日负荷聚类的准确性。 相似文献
10.
在基于相似日的短期电力负荷预测技术中,相似日的选取影响着负荷预测精度,提出一种基于灰色关联分析(grey relation analysis,GRA)和K均值(K-means)聚类选取相似日的短期负荷预测模型。首先,采用灰色关联分析方法选取相似日粗集,再对相似日粗集的外部因素使用K均值聚类。然后,计算待预测日与聚类中心的欧氏距离,将距离最小一类作为最终相似日集合。最后,利用最终相似日集合训练长短期记忆(long-short term memory, LSTM)神经网络,进行负荷预测。与未采用相似日的LSTM模型和采用传统的灰色关联分析的LSTM模型相比,所提方法的平均绝对百分比误差(mean absolute percentage error,MAPE)分别降低了0.911%、0.637%。算例分析表明,采用GRA-K-means选取相似日可以有效提升短期电力负荷的预测精度。 相似文献