基于通道选择多尺度融合深度残差网络的电能质量扰动识别

针对传统电能质量扰动分类方法人工特征选择困难、准确率低的缺点,在传统卷积网络的基础上,借鉴Inception、残差的思想,结合混合池化和高效通道注意力机制,提出一种基于通道选择多尺度融合深度残差网络（CSSF-ResNet）的电能质量扰动识别方法。使用多尺度卷积提取不同尺度的特征,将全局混合池化与高效通道注意力机制相结合,在通道维度进行特征筛选,挖掘有效特征,并引入残差连接,构成CSSF-ResNet。仿真结果表明,所提方法具有分类准确率高、噪声鲁棒性强等优点。     

基于多尺度耦合的密集残差网络红外图像增强

为了提升非制冷红外热像仪的图像质量,满足低对比度弱小区域的观瞄与锁定的需求,提出了一种基于多尺度密集残差网络的红外图像超分辨重建模型,该模型的基本框架是通过级联多个残差特征进行学习,以粗到细的方式重建高分辨率图像。首先提出一种多尺度跨域融合模块,通过对不同感受野的分支结果进行融合,不仅可以融合不同感受野的互补信息,还可有助于提升梯度收敛和特征传输;然后叠加多个跨域融合模块,并采用残差特征学习进行优化,最终学习出高分辨率细节信息。仿真实验结果表明,所提出的超分辨模型能够较好的超分辨重建效果,在微弱结构保持和点目标保持上的性能也更加突出。所提的模型已经在海思嵌入式深度学习平台上实现了高质量的红外增强,具有较高的工程应用价值。     

基于通道注意力与残差卷积神经网络的变压器故障诊断

为了提高变压器故障诊断的准确性,提出一种基于通道注意力与残差卷积神经网络的变压器故障诊断方法.在卷积神经网络中,考虑不同通道信息间的差异,引入通道注意力,自适应调整不同卷积通道的权重;为了尽可能保留网络层间的差异信息,在网络中引入了残差网络;同时,采用跨网络层的连接方式进一步融合差异信息,充分挖掘油中溶解气体信息和变压...     

基于一维多尺度深度残差网络的电能质量扰动分类

针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法。该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类。仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类。通过对比实验,证明该方法具有更高的准确率。     

基于多尺度特征增强DHTCN的电力系统短期负荷预测研究

为充分挖掘蕴含在电力负荷数据中的多尺度时序信息,提升短期电力负荷预测精度,提出了一种多尺度特征增强的改进时间卷积神经网络(improved temporal convolutional network with multi-scale feature enhancement, ECA-MS-DHTCN)模型。首先,使用4种不同尺寸卷积核的因果卷积提取负荷数据特征,并在特征提取层中嵌入高效通道注意力(efficient channel attention network, ECA)模块实现不降维的局部跨通道交互,得到带有通道注意力的多尺度负荷特征。然后,利用双混合扩张卷积层改进基本时间卷积神经网络(temporal convolutional network, TCN)残差块结构,克服TCN模型中扩张卷积结构存在的信息不连续及远距离信息不相关问题,兼顾负荷特征浅层细节及深层联系。最后,将ECA优化的多尺度特征提取层与改进TCN模型结合搭建ECA-MS-DHTCN负荷预测框架,完成短期负荷预测任务。经实际电网负荷数据仿真,结果表明所提出的ECA-MS-DHTCN模型可以在保持较快训练速度的同时有效地提高预测精度。     

基于残差神经网络的换流变压器状态识别模型研究

研究了一种基于马尔可夫变迁场和残差卷积神经网络的换流变状态识别模型,并通过换流站现场实测数据进行了分析,验证了该模型的有效性与优越性.     

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差（MAPE）评价指标下降了0.02%～0.70%,验证了该模型提高负荷预测精度的有效性。     

多尺度卷积神经网络的图像边缘检测

在受图像拍摄条件、图像内容自身复杂性、图像内容与背景接近程度等多种因素的影响,图像的边缘线检测容易发生漏检、误检。因模型自身设计缺陷或训练样本中边缘像素点与非边缘像素点的不平衡原因,多数算法的图像边缘检测结果普遍存在线条粗、质量较低的问题。提出一种多尺度卷积神经网络模型,由三个分别接受一幅图像的不同尺度输入的子网络结构组成,分别在不同尺度视觉下学习图像的边缘知识。然后按尺度从粗到细对各尺度提取的知识特征进行融合,实现边缘轮廓检测。模型充分利用多尺度技术在图像处理领域的优势,同时引入了自注意力机制以提升卷积特征内部关联性的捕获能力。本文提出了一个新的损失函数,由交叉熵损失函数和L1范数组成,避免训练样本非均衡性对训练模型的影响。使用指标ODS、OIS、AP度量图像边缘检测的质量。在BIPED数据集上测试,三个指标的得分分别为0.845,0.856,0.886。在BSDS500数据集上测试,算法在F-measure指标上得分为0.826。实验结果表明,与其它学习型的算法相比,算法输出图像边缘结果漏检率更低、且质量更高。     

基于轻量级密集残差网络的水下图像增强

深度卷积神经网络是水下图像增强的主要方法之一,但其过高的内存消耗和计算需求阻碍了在实际应用中的部署。为此,提出一种轻量级的密集残差卷积神经网络(dense residual convolutional neural networks, DRCNN)用于水下图像增强。为降低计算成本,DRCNN采用深度可分离卷积提取高级特征;通过密集连接和残差学习促进不同通道之间的信息交互,提高模型表征能力;将输入的退化图像与中间特征图融合,保留图像全局相似性,同时防止模型梯度消失。实验结果证明DRCNN能有效提高水下图像质量,较于现有算法,DRCNN参数量减少了85%,PSNR、SSIM值分别提高了3%、2%,测试速度提高了3%。DRCNN使用更少的参数实现了更好的性能,利于在低资源设备的实时场景中应用。     

基于多尺度卷积与Informer混合模型的非侵入式负荷监测方法

针对现有非侵入式负荷监测方法存在的负荷分解准确率低、模型泛化性能差的问题,提出一种多尺度卷积与Informer网络相结合的非侵入式负荷监测方法。采用数据分段优化方法对功率信号进行分段,利用多尺度卷积核获取不同时间尺度的特征序列以及自适应提取多维度功率特征,从而形成特征矩阵;基于Informer网络中的概率稀疏自注意力机制在高维空间中充分捕获特性序列的长期依赖关系,从而提高预测准确率;利用分解值修正方法消除功率分解值中的“虚假”激活状态,以进一步提高分解精度。算例结果验证了所提方法的可行性。     

基于多尺度级联注意网络的肺实质分割

针对肺实质分割任务中不同尺度特征的全局上下文信息利用率低、分割精度低、分割细节模糊等问题,提出一种多尺 度级联注意网络(multiscale cascaded attention networks,MCANet)。该网络主要由多尺度特征提取网络(multi-scale feature extraction network,MSFENet)、多尺度注意力引导模块(multi-scale attention guidance module,MSAG)、解码特征整合器 (decoding feature integrator,DFI)组成。首先,设计MSFENet 以提高特征信息在不同通道维度上的空间交互能力,在采样过 程中最大限度地保留图像的关键特征,丰富全局上下文信息。然后,设计MSAG 提高模型在解码过程中对多尺度特征信息的 利用率,并最大限度地融合两种注意力机制的优势。最后设计DFI,重新整合解码器生成的解码特征,以提高模型对边缘信息 的分割性能。在 LUNA16 数据集上对模型性能进行实验验证,得到了0.993的Dice 和3.864的 HD, 实验结果证明了 MCA- Net 与其他主流医学分割模型相比有更优异的分割性能,能更准确地分割肺实质。     

基于改进VMD-MCKD和深度残差网络的风机齿轮箱故障诊断

行星齿轮箱是风电机组传动系统中的重要部件,其运行工况复杂,背景噪声大,导致齿轮早期故障信号微弱且极易受背景噪声的影响。针对风电机组齿轮箱早期故障特征难以有效提取,齿轮故障难以识别的问题,提出一种风机齿轮箱故障诊断方法。首先,通过变分模态分解算法（variational mode decomposition,VMD）分解风机齿轮箱原始振动信号,获得振动信号故障的最优模态分量;接着,利用最大相关峭度解卷积算法（maximum correlated kurtosis decnvolution,MCKD）通过解卷积重构最优模态分量,削弱背景噪声增强故障冲击成分,获得故障特征;同时利用麻雀搜索算法（sparrow search algorithm,SSA）优化惩罚因子α、模态分解个数K、滤波器阶数L和反褶积周期T等参数,提升振动信号故障特征提取的准确度;最后,构建基于深度残差网络（deep residual network,ResNet）的齿轮箱故障诊断模型,建立齿轮箱故障特征与类别的非线性映射关系,实现风机齿轮箱故障分类识别。实验结果表明,所提风机齿轮箱故障诊断方法的准确率达到97.48%,相...     

基于多尺度特征提取与KPCA的轴承故障诊断

针对滚动轴承故障信号特征难以提取导致故障识别率低的问题,提出了基于多尺度特征提取与核主成分分析(KPCA)的轴承故障诊断模型。该模型首先利用固有时间尺度分解(ITD)将振动信号分解成若干个固有旋转(PR)分量,其次根据相关系数准则筛选固有旋转分量,然后求取固有旋转分量在多个尺度上的时域特征,最后利用核主成分分析将得到的多尺度特征进行融合,并用融合后的特征向量建立极限学习机(ELM)故障诊断模型,实现对滚动轴承状态的识别。与传统的单一尺度特征提取方法相比,多尺度特征提取在时域特征的基础上添加了尺度因子,具有度量时间序列在不同尺度因子下复杂性的优点。     

基于稠密金字塔网络的遥感影像建筑物提取

建筑物自动提取是遥感影像解译的重要研究方向,由于遥感影像中建筑物尺度变化大,纹理轮廓特征复杂以及树木遮挡等因素,针对遥感影像的建筑物提取具有一定难度。为了解决多尺度因素对建筑物提取的影响,采用稠密空间金字塔网络,模型基于带孔卷积和稠密连接机制分别改进残差卷积网络和空间金字塔结构,利用跳线连接融合低层纹理特征和高层语义特征,是一种端到端的遥感影像建筑物提取模型。在INRIA遥感影像数据集上展开充分实验,实验结果表明,模型在交并比和准确率两个指标上分别达到了75.93%和92.26%,均优于SegNet、FCN、Skip和MLP方法,证明了模型的有效性和准确性。     

多尺度卷积神经网络检测睡眠呼吸暂停

睡眠呼吸暂停综合征作为一种常见的与睡眠相关的呼吸障碍性疾病,受到众多的关注。由于其复杂的检诊断过程及昂贵的价格,吸引了众多研究学者探索基于单通道信号的快速、便捷检测方法。基于心电信号(ECG)提出了一种多尺度卷积神经网络睡眠呼吸暂停快速检测方法,与常规的单尺度卷积神经网络方法相比,该方法可以有效地结合信号的细节信息和抽象信息,提升卷积神经网络的特征呈现能力。通过PhysioNet提供的Apnea-ECG数据库进行验证,多尺度卷积神经网络获得了85.2%准确率、83.1%敏感性和86.5%特异性。与现有方法相比,该方法进一步提升了睡眠呼吸暂停的检测性能。     

基于时序卷积残差网络的主动配电系统线路短路故障诊断方案

主动配电系统结构复杂、控制灵活,线路短路故障特征微弱,亟须适应性强、精度高的诊断方法。该文提出一种基于时序卷积残差网络的主动配电系统线路短路故障诊断方案。该方案根据故障前后各特征通道之间在对应时刻的强相关性,利用时序卷积核沿时间轴方向卷积,提升感受野,减少信息损失,并利用残差网络的短接特性、深层挖掘故障特征,构建基于时序卷积（T-Conv）的残差网络模型。所提出的主动配电系统线路短路故障诊断方案融合故障检测、故障选型、故障定位功能,并将输出结果通过AND布尔算子结合,进一步提升故障诊断可信度。利用所搭建10 kV主动配电系统电磁暂态模型进行仿真验证,与现有同类型方法进行对比,结果表明所提故障诊断方案诊断精度高、计算速度快、无需附加信号处理算法,可直接端到端构建诊断模型。     

多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测

为提高综合能源系统多元负荷短期预测的精度,提出一种基于多尺度特征提取与非线性融合的综合能源系统多元负荷短期预测方法。首先,采用皮尔逊相关系数对气象数据进行关联因子优选;然后,通过嵌入式分解模块将输入的时间序列分解为周期分量和趋势分量,并将分解后得到的输入矩阵并行送入到具有不同尺度卷积核的时间卷积网络中,进行多尺度特征提取;接着,将多尺度时间卷积网络输出的特征向量输入到各自对应的注意力机制,以进行全局信息的学习与融合;最后,采用自适应非线性融合模块对各注意力机制的输出进行非线性融合,得到最终多元负荷预测结果。实验结果表明,所提方法具有较好的预测性能及泛化性。     

基于多尺度窗口和区域注意力残差网络的无线电力终端身份识别方法

针对现有无线通信设备信号识别方法需对信号进行域变换、增加网络输入数据维数的问题,该文提出基于多尺度窗口区域注意力残差网络的无线电力终端身份识别方法。首先,通过所提多尺度窗口模块完成信号前导码在各个周期尺度下的信息交互,使网络能够直接处理并识别原始无线通信信号数据;然后,设计区域注意力模块,以显著特征区域均值为评价指标对通道资源进行重新分配,提高了网络对信号局部特征的学习能力;最后,以池化分类器替代全连接层,采用Adam优化器进行梯度更新完成训练过程。实际采集无线信号数据实验结果表明,设计的各模块可显著提升网络的训练与识别性能,相同型号设备识别准确率提高至97.316%,非法设备的检测率达82.8%,可有效增强电力系统的无线通信安全。