基于seq2seq模型的非侵入式负荷分解算法

非侵入式负荷分解对于节能减排、负荷调峰、智能用能等方面均具有重要的现实意义。针对目前非侵入式负荷分解方法在低频采样条件下（1Hz及以下）分解准确率较低的问题,提出了一种基于卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合的seq2seq的非侵入式负荷分解算法(seq2seq Based on CNN and LSTM,seq2seqBCL)。该模型将功率时间序列作为网络的输入,通过CNN做特征提取。考虑到电力数据的时序性,增加了LSTM层进行电器识别,相比于NILMTK中seq2seq模型降低了网络层数,简化了网络结构。在REDD数据集上对算法性能进行了评估,所提出的算法提升了整个网络系统的性能,与FHMM、CO和传统seq2seq算法相比,负荷分解准确率有明显提升。     

气体传感器阵列混合气体检测算法研究

针对传统模式识别算法对混合气体定性和定量检测准确率较低的问题,提出了一种基于机器学习的新型混合气体定性识别和浓度定量检测算法。算法首先构造传感器阵列数据特征图,然后利用卷积神经网络(CNN)提取特征,根据特征提取后的特征图,使用不同分支网络对不同气体进行定性识别,得到气体种类和相应气体所处浓度区间;根据前面的气体识别结果,使用核主成分分析(KPCA)与梯度提升树(GBDT)对混合气体的组成成分进行定量估计;最后采用加州大学机器学习数据库的动态混合气体气体传感器阵列数据集进行对比验证。实验结果表明,算法在乙烯和甲烷定性识别中准确率达到了98.7%,定量检测平均相对误差小于4.1%。通过与传统模式识别算法对比,所提出的基于机器学习的混合气体检测算法具有更高的精度和泛化能力。     

基于深度学习的变压器局部放电模式识别研究

针对传统PD模式识别用统计特征量需要依赖专家经验而缺乏一定的泛化性问题和卷积神经网络(CNN)模式识别算法缺乏PD图谱时序特征信息的问题,文中构建了基于CNN-LSTM深度学习的PD PRPD图谱模式识别模型,该模型综合了CNN善于挖掘PRPD图谱局部空间信息的优点和长短时记忆网络(LSTM)善于挖掘PD图谱时序特征信息的优点,可同时提取PRPD图谱的局部空间特征和时序特征,利用变压器典型绝缘缺陷放电图谱对构建的网络进行性能测试,并与CNN和LSTM对比,结果表明,对于PD图谱稳定的悬浮电位缺陷,CNN-LSTM和CNN的识别能力均为100%,但是对于金属突出物缺陷、油纸气隙缺陷和沿面放电缺陷,CNN-LSTM的识别能力优于CNN,CNN-LSTM网络的整体识别性能优于CNN和LSTM。     

基于Mogrifier LSTM-SVR的超级电容寿命预测

超级电容是储能系统中常用的储能元件，为了解决在对其使用寿命预测时，影响因子考虑不全面，预测精度不高的问题，提出基于支持向量机回归算法与改进的长短期记忆网络算法(Mogrifier LSTM-SVR)相结合的超级电容的使用寿命预测模型。通过引入温度、电压和电流三种超级电容寿命影响因子，建立更贴近实际的超级电容寿命模型，选取剩余容量作为特征参数。构建Mogrifier LSTM网络，在传统的LSTM中增加Mogrifier门机制，并利用支持向量机回归(SVR)对Mogrifier LSTM网络预测误差回归预测，修正误差。通过仿真实验和模型的预测结果对比分析表明，Mogrifier LSTM-SVR对超级电容寿命预测的准确性更高，误差波动量级更小。     

基于离散小波变换的卷积自编码运动想象脑电信号的分类

左右手运动想象脑电信号(MI-EEG)分类准确率低,制约了相关脑-机接口技术的发展。实验采集了16名健康受试者的运动想象脑电信号,提出了一种基于离散小波变换(DWT)和卷积自编码(CAE)的运动想象脑电信号分类算法。利用离散小波变换将EEG转换成时频矩阵,输入到卷积自编码网络中进行脑电信号的特征分类。该算法在实验数据集和公开数据集上测试都得到了较好的分类结果,静息-想象左手、静息-想象右手、想象左手-想象右手3组EEG在实验数据集上分类准确率分别为97.36%、97.27%、86.82%,在公开数据集上分类准确率分别为99.30%、98.23%、92.67%。离散小波变换结合卷积自编码网络模型在左右手运动想象脑电信号分类应用中比其他深度学习方法(CNN、LSTM、STFT-CNN)性能更优。     

基于深度卷积和门控循环神经网络的 传感器运动识别

用于可穿戴传感器的人体运动识别任务的传统机器学习方法通常需要手工提取特征,可以自动提取人体运动数据特征的深度神经网络正成为新的研究热点。目前将卷积神经网络(CNN)和长短期记忆(LSTM)循环神经网络组合而成的DeepConvLSTM在识别精度方面有着优于其他识别方法的表现。针对带有长短期记忆循环单元的神经网络的训练较为困难的问题,提出了一种基于卷积神经网络和门控循环单元(GRU)的融和模型,并在3个公开数据集(ACT数据集、UCI数据集和OPPORTUNITY数据集)上与卷积神经网络和DeepConvLSTM进行了性能对比。实验结果显示,该模型在3个公开数据集上的识别精度都高于卷积神经网络,与DeepConvLSTM相当,但是收敛速度比DeepConvLSTM更快。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

基于呼吸样本空间的超宽带雷达身份识别

为了解决传统雷达呼吸身份识别依赖人工预定义特征的问题,提出了一种基于呼吸样本空间(BSS)的超宽带(UWB)雷达身份识别算法。算法首先通过奇异值分解(SVD)对UWB雷达人体呼吸回波中杂波进行滤除,然后根据回波将目标跨距离单元的呼吸信号构建为包含时距信息的BSS序列,最后利用卷积神经网络(CNN)对BSS进行建模以获取目标分类结果。在室内场景实验中,对4人的身份识别准确率为84.64%。对比结果表明,所提出的算法对不同个体所具有的独特呼吸特征具有不错的区分能力。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。     

基于改进深度卷积神经网络的步态识别算法

针对传统步态识别算法因服饰携带物变换、视角等协变量因素变化导致的识别能力下降问题,提出了一种基于改进深度卷积神经网络的步态识别算法。该算法利用分层处理机制从步态数据中提取步态特征,能够降低常见变化和遮挡等情况对识别精度的影响,同时,算法根据实验确定了网络中每层特征图的最佳数量、特征图的最佳尺寸以及要用于步态识别的输入特征的类型,能够处理相对较小的数据集而无需使用任何增强或微调技术。CASIA-B步态数据库仿真实验表明,所提出的卷积神经网络覆盖了交叉视图步态识别和无主题的步态识别问题,能够克服与步态识别相关的协变量因素问题,具有更优的步态识别精度。     

融合 CNN 和 Transformer 的机器人室内场景识别

为了提高机器人在复杂的室内环境中场景识别的准确率，本文提出一种融合卷积神经网络(convolutional neural network, CNN)和视觉Transformer结构的机器人室内场景识别模型。本文模型利用CNN提取场景局部特征，然后使用视觉Transformer结构捕捉特征中远距离依赖关系，其中提出的视觉Transformer结构包括3个部分，分别是特征编码结构(Attention Embedding)、Encoder结构和一个将高层语义特征转化成像素级特征的结构(Attention Project)。本文研究的机器人场景识别模型利用CNN提高视觉Transformer局部细节特征的描述能力，同时通过视觉Transformer帮助CNN构建远距离特征的依赖关系，从而能够有效的表征和利用机器人工作场景图像的视觉特征。最后，通过机器人在实际工作环境中采集的数据集和开源的COLD数据集进行实验，验证了本文研究模型的有效性，场景识别精度更高。     

考虑数据不均衡的居民用户负荷曲线分类方法

由于用户用电行为的多样性和随机性,负荷数据存在分布不均衡的问题,传统负荷曲线分类方法在处理不均衡数据时性能较差。为此,提出一种改进K-means与长短期记忆(LSTM)神经网络-卷积神经网络(CNN)分类模型结合的负荷曲线分类方法。首先,为提升K-means算法对不均衡数据的聚类效果,基于密度峰值聚类(DPC)算法思想,提出一种相对k近邻密度峰值(RKDP)初始聚类中心选取方法,将其作为K-means算法的初始中心进行聚类;然后,为提高RKDP-K-means处理高维负荷数据的性能,采用LSTM自编码器进行特征降维后再聚类获得精准类别标签;最后,基于LSTM神经网络和CNN分别提取负荷特征构建负荷曲线分类模型,实现对大规模负荷曲线的分类。算例选取了爱尔兰智能电表数据集和伦敦负荷数据集进行实验,验证了所提算法在大规模负荷曲线分类时的有效性和实用性。     

基于多层特征融合CNN的变压器PRPD图谱识别

智能化的分类算法在局部放电模式识别中应用良好,但是需要人工提取特征,因而存在特征丢失和识别效率低的问题。文中对传统的卷积神经网络进行多层特征融合的改进,并用于局部放电模式识别,以预处理后的PRPD图谱为输入,自动提取图谱特征,并进行深层和浅层的特征融合以防止特征丢失,最后输出分类结果。此外文中算法还对传统CNN的池化策略进行改进,使用最大二均值池化,进一步保留了图谱的有效特征。实验结果表明,相比于传统的人工提取统计特征再输入分类器的模式,特征融合CNN的识别正确率更高,耗时更少。     

基于卷积长短时深度神经网络行为识别方法

传统的人员行为识别中,通过人工特征对人员行为进行分类。 这些方法仅能够利用较浅层次的特征,其识别准确率有 限。 提出通过卷积长短时深度神经网络(convolutional long short-term deep neural networks, CLDNN)进行人员行为识别,并用新 的 GRU 门控单元代替传统的 LSTM 门控单元提高网络效率。 利用该网络结构,既可提取惯性数据中多层次特征,也可充分利 用时间序列相关性。 通过开源数据集的实验证明,该方法相比于传统的卷积网络和基于 LSTM 门控循环神经网络的识别准确 率分别提高了约 3%和 7%;用 GRU 门控单元代替 LSTM 单元后,所需的训练时间和前向的识别时间分别下降了 14%和 10%。     

基于CNN-LSTM混合神经网络模型的NOx排放预测

为了充分挖掘电站锅炉NO_(x)排放数据中时序性特征联系,提高NO_(x)排放预测精度,提出一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的NO_(x)排放预测方法。以某300 MW电站锅炉历史数据为样本,采用K-means聚类方法对NO_(x)排放训练样本集进行分组,再基于CNN网络的卷积层和池化层提取NO_(x)排放变量的高维映射关系,构造高维时序特征向量,将抽象化的特征集输入到LSTM网络,通过训练LSTM网络参数建立基于CNN-LSTM的NO_(x)排放预测模型。通过某电站锅炉实际数据验证,所提预测模型对训练和测试样本的平均相对百分比误差分别为1.76%和3.85%,远低于其他模型。结果表明所提模型在预测精度和泛化能力方面具有显著优势。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。