基于深度学习的环网柜局部放电信号特征识别

由于制造工艺和现场环境的影响,环网柜运行时会存在局部放电的现象。为深入研究局部放电的类型,提出了一种局部放电信号的特征识别方法。首先,搭建了电晕放电、沿面放电、悬浮放电3种放电模型的实验平台,采集了大量实验数据;然后,结合边际谱和卷积神经网络（convolutional neural networks, CNN）,通过模型参数寻优的方法建立了神经网络训练模型,开展了不同局部放电信号的特征识别研究;最后,与传统的特征识别方法进行了对比研究。研究结果表明：相对于VGG(visual geometry group)Net和AlexNet,ResNet34网络模型识别的准确率最高;边际谱图像提高了典型局部放电信号的辨识度,所提方法的准确率高达97%,明显优于CNN和支持向量机（support vector machine, SVM）。所提方法可为环网柜局部放电信号的研究提供技术支撑。     

运用CNN-LSTM混合模型的短文本分类

针对分类短文本时卷积神经网络(CNN)只提取局部特征和长短时记忆网络(LSTM)学习计算量大、处理时间长且随着短文本文字量增加与上下文的联系会减弱的问题,给出了基于CNN-LSTM混合模型算法.该算法融合CNN对短文本的特征提取能力,降低了文本数据量;利用LSTM的记忆能力,充分学习短文本的全局特征,进而对短文本进行更加有效地分类.实验结果表明,CNN-LSTM混合模型对短文本的分类效果远远好于CNN模型和LSTM模型.     

隐含情感特征感知的智能客服系统情感分类模型

为研究智能客服系统中用户的情感分类,基于数据构成的复杂性,提出了一种智能客服情感分类的模型,该模型采用CNN(卷积神经网络)+特征模型+GRU(门循环单元)网络框架实现了多特征融合数据的情感分类.模型针对智能客服系统中用户中文语料库语句简短且偏重口语化,隐喻、讽刺等特点,构建了针对不同特征的语料卷积神经网络的特征模型,结合CNN采用循环神经网络GRU进行情感分类.大量的实验结果表明：该模型能够有效解决多特征融合的中文文本情感分类问题,在智能客服系统中人机交互场景具有广泛的应用前景.     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network,CNN)特征的国画图像分类算法.该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模.然后采用非对称空间分块方法对训练样本进行数据扩充,训练...     

110kV GIS局部放电的实验研究

为了研究典型GIS故障类型的局部放电信号特征以及利用超高频信号进行局部放电量估计,以110 kV的GIS实体部件作为实验对象,并在其中设计了几种典型的故障类型,进行了大量的实验,实验表明不同故障类型的局部放电超高频信号在波形、频谱、幅值、检波相位分布等方面存在显著的差异,同时放电特性受到气压与电压变化的影响,对于尖刺放电类型的超高频信号幅值与放电量之间线性关系最为明显,这些都为基于超高频法的GIS局部放电类型识别与放电量评估的更深入研究打下了基础.     

融合注意力机制的毫米波雷达人体动作识别方法

为解决少样本场景下毫米波雷达人体动作识别过程中卷积神经网络(CNN)易出现过拟合、训练效果不理想等问题,提出一种融入时序注意力机制的CNN和视觉转换器模型结合的方法．该方法首先对收到的雷达回波信息做预处理,再通过短时傅里叶变换(STFT)进行时频分析得到时频图,最终将带有特征信息的图像送入融合的网络模型中进行分类识别．实验结果表明,与其他4种模型的方法相比,本文提出的方法识别准确率最高,识别效果可达到91.57%．该方法能有效地增强网络对于时间维度建模,增加了网络收敛速度,达到了提升识别准确率的效果．     

绝缘纸板典型缺陷局放特征的CNN识别

及时发现变压器中局部放电从而避免故障,是提高变压器质量保障电网安全运行的重要手段。为快速识别变压器绝缘纸板缺陷类型以便排除故障,在实验室中模拟变压器绝缘纸板中常见的三种绝缘缺陷,并进行了局部放电试验,结果表明,三种试样的局部放电分别具有独特的特征。无缺陷纸板试样的局部放电多在0°～120°、180°～300°的相位上发生;气隙缺陷试样则在60°～160°、240°～330°相位上发生放电;金属颗粒缺陷试样则在80°～160°、260°～340°间呈脉冲状放电。在此基础上,针对部分局部放电实验仪只能导出图片数据需要二次提取文本数据对分析带来不便的问题,基于实验所得PRPD(phase resolved partial discharge)图构建数据集,并以其80%作为训练集、20%作为测试集采用卷积神经网络(convolutional neural networks, CNN)与K-邻近法(K-nearest neighbors, KNN)、支持向量机(support vector machine, SVM)及BP神经网络的识别结果进行对比。所构建并优化的卷积神经网络,在训练集与测试集上...     

基于GA-CNN-LSTM模型的文本情感分析方法研究

为了克服传统神经网络不能学习文本长期信息的缺点和神经网络中梯度下降法容易陷入的局部最优问题,提出基于遗传算法(GA)、卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的文本情感分析模型GA-CNN-LSTM.具体来说,该模型首先利用卷积神经网络从全局信息中提取序列特征,之后使用长短期记忆神经网络分析句子的句法和语义结构,最后运用遗传算法从全局进行寻优,有效避免梯度下降法陷入的局部最优问题.在IMDB数据集上进行实验,结果表明,该模型相比于其他现有的网络模型,取得了更好的分类效果,精度比传统的长短期记忆神经网络提高了 1.8百分点,准确率达到了 0.906.     

基于公共空间视频的人脸情绪识别

针对公共空间中人脸情绪识别准确率不高的问题,提出一种结合不同感受野和双流卷积神经网络的人脸情绪识别方法。首先建立基于公共空间视频的人脸表情数据集;然后设计一个双流卷积网络,以尺寸为224×224的单帧人脸图像输入卷积神经网络(convolution neural network,CNN),分析图像纹理静态特征;以尺寸为336×336视频序列输入CNN网络,再将提取的特征送入长短期记忆网络(long short term memory network,LSTM)分析局部、全局运动特征;最后通过Softmax分类器将两通道网络的描述子进行加权融合,得到分类结果。结果表明,本文方法能有效利用不同感受野的信息特征清晰识别公共空间的4种典型人脸情绪,识别准确率达88.89%。     

基于自适应卷积核的改进CNN数值型数据分类算法

针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。