基于三维卷积神经网络的虫音特征识别方法

进口木材蛀虫检疫是海关的一项重要工作,但其存在着虫声检测算法准确率低、鲁棒性差等问题。针对这些问题,提出了一种基于三维卷积神经网络（3D CNN）的虫音检测方法以实现虫音特征的识别。首先,对原始虫音音频进行交叠分帧预处理,并使用短时傅里叶变换得到虫音音频的语谱图;然后,将语谱图作为3D CNN的输入,使其通过包含三层卷积层的3D CNN以判断音频中是否存在虫音特征。通过设置不同分帧长度下的输入进行网络训练及测试;最后以准确率、F₁分数以及ROC曲线作为评估指标进行性能分析。结果表明,在交叠分帧长度取5 s时,训练及测试效果最佳。此时,3D CNN模型在测试集上的准确率达到96.0%,F₁分数为0.96,且比二维卷积神经网络（2D CNN）模型准确率提高近18%。说明所提算法能准确地从音频信号中提取虫音特征并完成蛀虫识别任务,为海关检验检疫提供有力保障。     

基于融合网络的井下人员行为识别方法

井下人员行为识别是保障煤矿安全生产的重要措施。针对现有井下人员行为识别研究缺少对感知机理的研究与分析且特征提取手段单一的问题,提出一种基于融合网络的井下人员行为识别方法。该方法主要包括数据预处理、特征构建和判识网络构造3个部分。数据预处理：通过信道状态信息(CSI)商模型、子载波去直流和离散小波去噪对采集的CSI数据进行处理,以降低环境噪声、设备噪声等的影响。特征构建：将处理后的数据利用格拉姆和/差角场(GASF/GADF)转换成图像,从而保留数据的空间和时间特性。判识网络构造：根据人员动作的特点,提出一种由基于门控循环单元(GRU)的编解码网络和多尺度卷积神经网络(CNN)组成的融合网络,利用GRU保留前后数据之间的关联性,同时利用注意力机制的权重分配策略有效提取关键特征,以提高行为识别的准确率。实验结果表明：该方法对行走、摘帽子、扔东西、坐、抽烟、挥手、跑动、睡觉8种动作的平均识别准确率为97.37%,对睡觉和坐的识别准确率最高,最容易发生误判的动作是行走和跑动;使用准确率、精确率、召回率和F₁分数作为评价指标,得出融合网络的性能优于CNN和GRU,人员行为识...     

基于模糊聚类的电力用电负荷用户识别分析

为了提高电力用电负荷用户的精细化管理,提出了一种基于模糊聚类的电力用电负荷用户识别分析方法。分析了某区域用户的工业负荷变化规律,研究了电力数据与天气之间的改变及其日负荷特征曲线,同时引入模糊聚类分析方法,对上述工业负荷的用电特征进行了判断。选择某区域的工业负荷用户进行研究,对用户进行负荷曲线计算。并通过实验测试来验证本文方法的可行性,以此作为供电公司对用电数据进行精细管理的参考依据。     

智慧用电管理系统中电力客户立体画像的构建及应用

为了实现智慧用电管理系统中电力客户的优化管理,需要对电力客户进行立体画像构造。提出了基于多维类别特征识别和角点标识的智慧用电管理系统中电力客户立体画像构建方法。用户画像信息跟踪采集模型,采用空间特征域分类方法进行用户画像信息分类处理。利用多尺度逐层分析方法进行模糊电力客户画像的精准定位,提取客户立体画像的用电类别特征量,采用特征域分类和分块匹配方法进行立体画像的误差修复,实现用户画像的特征快速准确定位。对提取的电力客户立体画像用电需求特征量采用支持向量机学习算法进行自适应分类,实现对智慧用电管理系统中电力客户立体画像多维构建。结果表明,采用该方法构建电力客户立体画像的特征细分能力较好,客户立体画像信息准确度高。     

基于用户消费行为的电力数据客户立体画像构建

针对现有技术中用户消费行为数据繁多,电力数据分析能力较差的问题,构建了电力数据客户立体画像系统,实现了对用户消费行为的多信息分析。设计了FCM分类算法模型,实现对电力用户消费行为数据信息立体画像原始数据信息分类,提高了数据分类能力。构建了灰色GM(1,1)模型,实现对用电行为数据信息的分析,从而提高电力数据客户立体画像分析和应用能力。试验表明,研究所提方法分类准确率达95%以上,误差在1%以下,准确度高,研究所提方法方法提高了电力用户消费行为数据信息分析能力。     

基于自适应交互学习的CPS时间序列异常检测

对信息物理系统(CPS)的时间序列进行检测是一种重要的异常检测手段，然而现有的一些时间序列异常检测方法往往忽略了时间序列内部的依赖关系，使得预测或重构数据建立起的依赖关系较差，进而影响异常检测性能。针对以上问题，提出一种基于自适应交互学习的CPS时间序列异常检测方法。利用神经网络识别CPS的隐藏状态，然后通过全局自适应融合与交互学习来保留时间序列的依赖关系；接着使用无迹卡尔曼滤波跟踪时间序列的变化趋势，以此增强预测过程的鲁棒性；最后计算异常分数并评估异常情况。应用该方法在三个CPS数据集上实验获得的平均性能为F₁分数0.940、精度0.965、召回率91.7%。实验结果表明，相较于近年来的其他研究方法，该方法能够较好地保留时间序列的依赖关系，提取更准确的时间序列特征，进而提高模型的预测性能，使得异常检测的召回率和F₁分数得到较好提升，具有良好的应用前景。     

基于信息系统的电力营销数据去重管理方法研究

当前方法对电力营销数据进行去重管理时，重复数据检测准确率、去重率低，因此提出基于信息系统的电力营销数据去重管理方法。构建电力营销信息系统，采用营销时空特征数据云模型中存在的映射规则对电力营销数据进行降维处理。对降维处理后的电力营销数据进行聚类分析，并获得对应的包装器，识别有效电力营销数据，通过相似度函数判断电力营销数据是否重复，实现电力营销数据的去重管理。实验结果表明，本文方法的重复数据检测准确率高、去重率高，说明本文方法的去重效果较好。     

基于DCNN的SF6气体在线监测系统设计

针对传统SF₆气体泄漏检测方法存在图像采集和泄漏识别精度低的问题，提出设计一种基于DCNN网络的SF₆气体在线监测系统。首先，采用OV78和MSP430单片机进行泄漏气体图像采集；然后通过WIFI无线通信将采集数据输入至深度学习模块中进行GMM泄漏区域提取和多特征提取；最后采用DCNN神经网络进行SF₆气体泄漏准确识别和分类。实验结果表明，相较于传统的Lenet-5、ZF-net和Alexnet经典网络，提出的DCNN方法无论在网络性能，还是在识别的准确率方面，均具备良好的表现，其识别准确率最高可达82%,识别性能均优于另外三种网络模型。实际应用表明，该方法具有良好的检测效果。由此说明本文构建的系统可用于电力中的SF₆气体在线监测，保障电力的安全。     

基于LSTM和N-gram的ESL文章的语法错误自动纠正方法

针对英语文章语法错误自动纠正(Grammatical Error Correction,GEC)问题中的冠词和介词错误,该文提出一种基于LSTM(Long Short-Term Memory,长短时记忆)的序列标注GEC方法;针对名词单复数错误、动词形式错误和主谓不一致错误,因其混淆集为开放集合,该文提出一种基于ESL(English as Second Lauguage)和新闻语料的N-gram投票策略的GEC方法。该文方法在2013年CoNLL的GEC数据上实验的整体F₁值为33.87%,超过第一名UIUC的F₁值31.20%。其中,冠词错误纠正的F₁值为38.05%,超过UIUC冠词错误纠正的F₁值33.40%,介词错误的纠正F₁为28.89%,超过UIUC的介词错误纠正F₁值7.22%。     

数字化背景下供电营业厅服务行为识别研究

为了改善电力服务行业场景复杂,服务行为识别困难的问题,提出了一种供电营业厅服务行为识别融合网络。该网络主要包括时空分割网络模型和改进C3D网络模型。首先,在从视频中提取光流帧和RGB帧。其次,将提取出的光流帧和RGB帧带入时空分割网络和改进C3D网络经过训练,从而有效提取动作特征和图像特征。最后,在分类层,计算每个网络对每类服务动作的识别准确率,通过Softmax公式确定权重,并得到最终动作识别结果。仿真阶段,以南方电网公司提供的服务视频数据集为例,对所提模型进行验证。仿真结果表明,所提方法识别准确率为98.99%,召回率为90.2%,F分数为94.39%。仿真结果进一步验证了所提模型对服务行为具有较高的准确性和稳定的识别率。     

卷积神经网络的电力检修票智能识别研究

以提升电力检修票智能识别准确率和识别效率为目标,提出卷积神经网络的电力检修票智能识别方法.实验结果表明,该方法能够很好完成特征点匹配;且电力检修票的智能识别准确率高、识别效率快,具备良好的使用性能.     

基于改进型BP网络的气液两相流流型识别

根据气液两相流的特点,将其分为层状流、塞状流、弹状流和环状流等流型,分别对其采集差压信号,并利用概率密度函数（PDF）对差压信号特征进行了分析,得出了PDF的4个特征参数,即波峰个数K₁、波峰峰值K₂、波峰位置K₃、PDF方差K₄。将K₁,K₂,K₃,K₄构成的特征向量作为神经网络的输入样本对BP神经网络进行训练并进行流型识别。结果表明,该方法具有准确率高等优点,是流型识别的一种新手段。     

基于大数据聚合的电力用户行为实时云监测方法

为提升电力用户行为监测效果及准确性,判断电力用户异常行为,提出一种基于大数据聚合的电力用户行为实时云监测方法。该方法将基础设施及终端等获取的电力用户行为大数据储存至数据层的关系数据库内,处理层调用数据层存储电力用户行为大数据,采用大数据处理技术,通过数据降维、清洗以及标准化处理后,提升电力用户行为大数据质量;应用层采用改进流数据聚类算法,通过用户及簇典型曲线提取、曲线相似度度量,实现用户用电行为异常监测,并通过显示层云展现监测结果。实验结果证明,该方法的数据聚类质量高,可以有效获取电力用户行为监测结果,判断电力用户是否存在异常行为,具备较高监测准确性。     

基于时空正则化的视频序列中行人的再识别

由于现实复杂情况中各种因素的干扰,行人再识别的过程中可能出现识别错误等问题。为了提高行人再识别的准确性,提出了一种基于时空正则化的行人再识别算法。首先,利用ResNet-50网络对输入的视频序列逐帧进行特征提取,将一系列帧级特征输入到时空正则化网络并产生对应的权重分数;然后,对帧级特征使用加权平均得到视频序列级特征,为避免权重分数聚集在一帧,使用帧级正则化来限制帧间差异;最后,通过最小化损失得到最优结果。在DukeMTMC-ReID和MARS数据集中做了大量的测试,实验结果表明,所提方法与Triplet算法相比能够有效提高行人再识别的平均精度（mAP）和准确率,并且对于人体姿势变化、视角变化和相似外观目标的干扰具有出色的性能表现。     

结合深层密集聚合的新冠肺炎CT图像分类方法

新型冠状病毒肺炎在全球范围迅速蔓延,为快速准确地对其诊断,进而阻断疫情传播链,提出一种基于深度学习的分类网络DLDA-A-DenseNet。首先将深层密集聚合结构与DenseNet-201结合,对不同阶段的特征信息聚合,以加强对病灶的识别及定位能力;其次提出高效多尺度长程注意力以细化聚合的特征;此外针对CT图像数据集类别不均衡问题,使用均衡抽样训练策略消除偏向性。在中国胸部CT图像调查研究会提供的数据集上测试,所提方法较原始DenseNet-201在准确率、召回率、精确率、F₁分数和Kappa系数提高了2.24%、3.09%、2.09%、2.60%和3.48%;并在COVID-CISet图像数据集上测试,取得99.50%的最优准确率。结果表明,对比其他方法,提出的新冠肺炎CT图像分类方法充分提取了CT切片的病灶特征,具有更高的精度和良好的泛化性。     

基于局部Transformer的泰语分词和词性标注联合模型

泰语分词和词性标注任务二者之间存在高关联性,已有研究表明将分词和词性标注任务进行联合学习可以有效提升模型性能,为此,提出了一种针对泰语拼写和构词特点的分词和词性标注联合模型。针对泰语中字符构成音节,音节组成词语的特点,采用局部Transformer网络从音节序列中学习分词特征;考虑到词根和词缀等音节与词性的关联,将用于分词的音节特征融入词语序列特征,缓解未知词的词性标注特征缺失问题。在此基础上,模型采用线性分类层预测分词标签,采用线性条件随机场建模词性序列的依赖关系。在泰语数据集LST20上的试验结果表明,模型分词F₁、词性标注微平均F₁和宏平均F₁分别达到96.33%、97.06%和85.98%,相较基线模型分别提升了0.33%、0.44%和0.12%。     

基于DCNN和SVC的窃电检测北大核心

针对目前窃电检测方法存在对大规模特征分类准确率较低的问题,提出基于DCNN和SVC的窃电检测方法。从电力数据的二维角度出发,对用户的电力数据按照周数进行矩阵化,利用改进的DCNN算法对二维矩阵进行自主学习,提取特征数据并降低分类器的输入特征维数,将DCNN提取的特征数据输入到SVC分类器中,识别窃电用户。采用国家电网公开数据集建立实验模型,进一步验证方法可行性,结果表明所提方法不仅能降低输入特征维度,而且提高了窃电检测的准确率。     

基于改进数据驱动子空间算法的电力负荷预测

在钢铁企业中,电力负荷消耗规模相对较小,未呈现明显的周期性变化特征,而工序变化会导致瞬间电力负荷波动较大,传统负荷预测模型对工业用电预测效果不佳,无法有效预测出用户的突发性扰动。采用数据驱动的子空间方法预测钢铁企业电力负荷,分别建立基于子空间算法的电力日负荷预测、超短期负荷预测2个模型。为提高预测模型准确率,引入反馈因子和遗忘因子来改善标准子空间算法的性能。以实际电力负荷数据的测试验证该方法的实用性,预测结果能够为钢铁企业的电力负荷预测和二次能源智能管理提供有效的决策支持。     

融合词性与声调特征的越南语语法错误检测

BERT(Bidirectional Encoder Representation from Transformers)预训练语言模型在对越南语分词时会去掉越南语音节的声调,导致语法错误检测模型在训练过程中会丢失部分语义信息。针对该问题,提出了一种融合越南语词性和声调特征的方法来补全输入音节的语义信息。由于越南语的标注语料稀缺,语法错误检测任务面临训练数据规模不足的问题。针对该问题,设计了一种由正确语料生成大量错误文本的数据增强算法。在越南语维基百科和新闻语料上的实验结果表明,所提方法在测试集上取得了最高的F_0.5和F₁分数,证明该方法可提高检测效果,并且随着生成数据规模的扩大,该方法与基线模型方法的效果都得到了逐步提升,从而证明了所提数据增强算法的有效性。     

基于并行分类算法的电力客户欠费预警

针对供电企业"先消费后付款"的经营模式可能造成用电客户因失信引发的欠费风险,需要在用电客户欠费行为发生之前实时快速地分析海量的用电用户的数据,给出潜在的欠费客户名单的问题,提出一种基于并行分类算法的电力客户欠费预警方法。首先,该方法使用基于Spark的随机森林(RF)分类算法对欠费用户进行建模;其次,根据用户以往历史用电行为和缴费记录使用时间序列进行预测得到其未来用电和缴费行为特征;最后,使用之前得到的模型对用户进行分类得到未来潜在高危险欠费用户。将该方法与并行化后的支持向量机(SVM)算法和在线序列极限学习机(OSELM)算法进行对比分析,实验结果表明,所提方法相对于对比算法在准确率上有较大提高,便于电费回收管理人员进行提前催缴,确保电费回收的及时性,有利于电力企业进行客户欠费风险管理。