面向电力变压器油中溶解气体的卷积神经网络诊断方法

油中溶解气体分析法（Dissolved Gas Analysis,DGA）是判断变压器内部故障的重要方法之一。针对传统基于浅层的机器学习方法在变压器故障诊断中存在的特征提取和泛化能力方面的不足,提出了一种基于卷积神经网络的变压器故障诊断方法。利用网络中的卷积层对油中溶解气体进行特征转换,结合池化层强化重要特征的能力,对故障敏感特征进行提取。通过实验研究了卷积核数目、卷积核大小、池化层、网络深度对模型诊断性能的影响。通过混淆矩阵、ROC曲线和PR曲线对比分析了卷积神经网络模型、支持向量机(Support Vector Machine,SVM) 模型、BP神经网络(Back Propagation Neural Network,BPNN)模型。实验结果表明,卷积神经网络模型的诊断性能更为优秀。     

基于多尺度卷积神经网络的交通标志识别方法

为了提升交通标志自动识别的精度,提出一种基于多尺度CNN的交通标志识别方法(TSR -MSCNN算法).该方法采用三阶段卷积神经网络,融合了低阶、中阶和高阶3种不同尺度的特征,并串联了多个小卷积层用以代替单个较大卷积层.通过对全连接层的神经元个数、Dropout参数、卷积核尺寸等网络超参数进行选比实验,获得了最佳的网络超参数.利用德国交通标志基准数据库(GTSRB)对不同算法进行测试表明,本文提出的算法在较小的网络参数量下能够有效提取交通标志特征,获取的识别准确率达到99.76%,且显著优于传统卷积神经网络方法和多尺度特征方法的识别准确率,因此本文算法在图像识别领域有良好的应用价值.     

多尺度语义学习的人脸图像修复

针对卷积神经网络在图像修复过程中难以兼顾修复结果的局部细节和全局语义一致性问题,以生成对抗网络为基础,提出一种多尺度语义学习的编解码人脸图像修复模型.首先,将人脸图像用门控卷积分解为具有不同大小的感受野和特征分辨率的分量,用不同尺寸的卷积核提取多尺度特征,通过提取合适的局部特征来提升修复结果的细节;其次,将提取的多尺度特征输入至语义学习模块,从通道和空间两个角度学习特征之间的语义关系,从而增强修复结果的全局一致性;最后,引入跳跃连接将编码端的特征补充到解码端中减少采样造成的细节信息损失,改善修复结果的纹理细节.在CelebA-HQ人脸数据集上进行实验,结果表明提出的模型在峰值信噪比、结构相似性、l₁三个性能指标上均有显著提升,修复的结果在视觉上局部细节和全局语义更合理.     

基于四比值的变压器故障神经网络诊断法

研究了根据电力变压器的油色谱分析结果和电气试验数据,将六种可燃性气体(H2、C2H6、CH4、C2H4、C2H2、CO)分别占气体总和的百分比值作为神经网络的四个输入量,采取四比值法利用BP网络对电力变压器故障进行综合诊断。     

用油中溶解气体色谱分析法诊断变压器故障

文章通过对变压器油中溶解气体进行色谱分析,对变压器故障进行诊断,并给出实例.     

基于卷积神经网络的多尺度融合特征图在人群密度估计中的应用

提出了一种以Unet++为基础的卷积神经网络,适用于人群密度估计。该网络的优点是用并行连接的方式进行多尺度融合结合浅层网络的细节信息和深层网络的高阶语义信息来消除两者之间过大的语义鸿沟。此外,还引入了膨胀卷积来提高网络性能。在Shanghai Tech和UCF_CC_50两个通用人群密度估计数据集上进行实验选取平均绝对误差(MAE)和均方误差(MSE)作为评价指标。实验结果表明在这两个数据集上该网络均有效降低了MAE和MSE,说明其在人群密度估计方面有较好的准确度和鲁棒性。     

基于层次分析的变压器故障诊断决策支持系统

阐述了一套基于层次分析方法的变压器油色谱故障诊断决策支持系统,故障诊断模块使用改良电协研法、灰色关联熵、模糊聚类、人工神经网络等单项分析,弥补了现有诊断方法中的不足.针对每种诊断方法可能出现结论不一致的情况,系统综合分析方法采用层次分析的方法来实现,能对变压器色谱数据进行故障诊断,给出综合分析结论及建议.通过对平顶山电网中的色谱数据进行诊断及其他应用实例,验证了系统的有效性.     

一种多尺度嵌套卷积神经网络模型

卷积神经网络模型要求训练图像与测试图像在空间尺度上一致.为弱化这一限制,对卷积层特征提取器进行多尺度改进,提出了一种尺度不变卷积神经网络模型,以自动适应输入图像在平面空间上的尺度变化.同时,将多层Maxout网络嵌入新模型中,以进一步提高特征提取能力,提高图像识别与分类的准确性.实验测试结果表明,该模型提高了传统卷积神经网络模型的尺度不变性和分类精度.     

多尺度卷积神经网络的单幅图像去雨方法

雨天气会影响户外拍摄图像质量,模糊和覆盖图像信息.为提高受雨天气影响的户外拍摄图像的清晰度,恢复图像特征信息,提高很多计算机视觉算法在雨天气条件下的准确性,提出一种基于多尺度卷积神经网络的单幅图像去雨方法.首先建立多尺度卷积神经网络网络结构,通过多尺度卷积提取图像信息,用于去除雨线和重建图像,然后结合雨线在图像中的低饱和度、高亮度的特征,对网络进行训练,获取网络最优参数值,最终得到可以有效去除雨线的卷积神经网络.实验结果表明:提出的方法相较于现有算法有更好的雨线去除效果,并且可以更好地保持图像的原有信息,避免图像模糊现象.同时,利用多尺度卷积提取图像特征信息可以使特征信息更加丰富,有利于提升卷积神经网络的去雨能力.     

变压器油标准样品配制方法试验研究

结合变压器油中溶解气体检测装置检验工作对配制标准样品的需求,针对现有变压器油标准样品配制方法存在的问题,通过对气体在变压器油中溶解及逸散的影响因素等进行试验研究,建立了"定量进气法"和"母液稀释法"两种变压器油标准样品快速配制方法,对于指导变压器油样品配制及相关工作开展具有重要意义。     

结合空洞卷积的多尺度脑肿瘤分割算法

全卷积神经网络通过端到端的学习方式,实现了自动分割的目的.连续的卷积和池化操作会丢失一些像素,从而使感受野的大小受到限制,提出了一种基于空洞卷积的多尺度特征提取模块(Multi-scale Feature Extraction Block based on Dilate Convolution,MD),MD模块的输出包含了多尺度特征信息;增加损失函数中关于肿瘤区域的学习权重,解决类别不平衡问题;通过添加归一化层解决梯度消失的问题.多尺度特征提取的全卷积神经网络对完整肿瘤、核心区域、增强区域的分割的DSC评价分别为0.86、0.71、0.63,实验证明算法可以有效地保留肿瘤区域的细节信息和提高灰度相似区域的鉴别能力.     

电力变压器故障自动诊断系统的设计

对电力变压器油中的溶解气体进行分析可以及时发现变压器的潜在故障,从而实现对电力变压器故障的诊断.针对常见的电力变压器故障,设计了基于变压器油中溶解气体分析方法和粗糙集方法的故障自动诊断系统,该系统具有直观、方便、可扩展性好的特点,测试结果验证了该系统的有效性.     

基于改进Elman神经网络的变压器故障诊断方法

针对变压器故障诊断困难的问题,提出了一种基于改进Elman神经网络的变压器故障诊断方法.利用核主成分分析算法对Elman神经网络进行改进,通过引入累积贡献率计算得到改进Elman神经网络最优输入特征参数,基于数据集和测试集将改进Elman神经网络应用于变压器的常见故障诊断中,并将试验结果与其他故障诊断方法的诊断结果进行对比.结果表明,所提方法诊断准确率超过90%,与支持向量机和BP神经网络诊断方法相比,该方法的诊断准确率更高.     

改进型灰色关联算法在变压器故障诊断中的应用

灰色关联分析已应用于电力变压器故障诊断,传统基于单一故障标准模式向量灰色关联分析算法的油中溶解气体分析（DGA）诊断模型精度有限.为此,提出一种改进型灰色关联算法,该算法在充分考虑DGA数据分散性的基础上,将每类故障的标准故障模式向量由原来算法中的1个扩充到6个,并给出每类故障的DGA数据分布范围,增大诊断信息量;利用关联分析原理,求出待诊模式与各类故障标准模式的灰色关联度,得到故障诊断判定.实例分析证明,所提算法的诊断准确率高于原来的普通灰色关联方法.     

基于卷积神经网络的多标签图像分类

针对BING算法对物体建模的不足,提出了multi-BING算法。该算法计算训练样本的CS-LBP特征,并对其进行聚类,对聚类后的数据建立BING模型。在物体检测过程中,融合了多个模型结果进行候选框判别,将多标签图像分类问题转化为多个单标签分类问题。以Fast R-CNN模型为基础,将采用本文物体检测方法得到的候选框作为模型输入。同时,采用LReLU函数作为Fast R-CNN模型的激活函数,从而在几乎不增加计算复杂度的情况下,提高模型的平均准确率(AP)。实验表明,本文方法优于BING算法和OBN算法。     

基于多尺度残差神经网络的阿尔茨海默病诊断分类

提出多尺度残差神经网络(multi-scale resnet, MSResnet)。采用不同大小的卷积核对图像进行多尺度信息采集,并对神经网络进行残差学习,避免网络退化。对核磁共振图像(magnetic resonance imaging, MRI)进行标准化处理,利用MSResnet模型在阿尔茨海默症(Alzheimer's disease, AD)和正常受试者(normal control, NC)获得的分类准确率为99.41%,在AD和轻度认知障碍(mild cognitive impairment, MCI)获得分类准确率为97.35%。与已有的算法相比,本研究提出的算法的分类准确率得到了明显的提高。     

基于卷积神经网络的电子鼻分类识别

在混合气体识别的研究中,针对目前电子鼻应用于化工污染物种类监测时难以达到理想精度的问题,提出了一个基于卷积神经网络的气体分类识别算法.首先利用卷积神经网络的自适应特征提取能力,有效降低原始数据对后续操作的影响;其次进行多次实验训练,对卷积神经网络进行参数优化,提高网络模型性能;最后将提出的卷积神经网络算法与BP神经网络算法分别应用于加州大学公开数据集中一氧化碳和乙烯混合气体的实验数据中.实验结果表明,卷积神经网络算法对此数据集的气体种类检测准确率达到93%,比BP神经网络算法应用于气体识别时精度更高、误差更小,为电子鼻系统气体种类检测提供了一种新的方法.