基于相机风格转换的行人再识别

不同相机间的风格变化是行人再识别领域的一个重要挑战,为了平滑相机风格差异,丰富行人样本的多样性,本文通过风格转换方法显式学习相机间的不变特征。具体来说,利用循环一致性生成对抗网络为每个行人生成具有其他相机风格的转换图像,并与原始样本一起组成增强数据集进行训练;另外,本文使用注意力机制对特征通道进行重新加权以提取更具判别力的行人外观特征,最后使用多任务损失对再识别网络进行监督训练。实验结果表明,本文方法在公开数据集Market1501和DukeMTMC-reID上的mAP和top-1指标分别达到了86.5%,95.1%以及77.1%,87.2%,优于现有算法。相机风格转换作为一种数据增强方法,有效扩充了数据集并降低了人工标注成本,同时提升了在多摄像机场景下的识别准确性。     

融合行人运动信息的室内移动机器人动态避障方法

为了提高移动机器人在室内人机共融环境下的运动安全和交互性,提出了一种融合行人运动信息的室内移动机器人动 态避障方法,同时考虑任务约束和社会规则。 首先,利用 YOLO v3 算法和 Deep Sort 算法分别对室内环境中的行人进行实时检 测与目标跟踪,计算行人在过去时刻的历史轨迹。 然后,利用 Social-GAN 算法构建行人交互模型,实现轨迹预测。 在此基础上, 将行人的运动状态融合进机器人避障算法之中,根据社会规则设计评价函数,对机器人采样速度样本进行评估,使移动机器人 能够以安全和舒适的方式绕过行人,确保室内人机共融环境下移动机器人的社会接受性。 通过实验对比分析,与传统 DWA 方 法相比,本文方法不仅可以提高机器人导航避障效率,在相同室内场景下导航避障时间由 23. 56 s 提高到 19. 38 s,而且可以有 效降低与行人发生碰撞的风险,保证机器人导航的安全和社交性。     

基于时空图卷积网络的电力系统暂态稳定评估

快速准确的电力系统暂态稳定分析对电力系统安全稳定运行有着重要意义。现代电力系统设备元件日趋复杂多样导致系统非线性日益增强,作为电力系统暂态稳定分析传统方法的时域仿真法过于耗时。针对此问题,提出了一种基于时空图卷积网络模型的暂态稳定分析方法,将短时仿真与神经网络预测相结合,减少暂态稳定分析所需时间,可用于多种仿真分析场景。该方法将暂态稳定分析建模为样本空间映射问题,利用数据驱动方法训练神经网络模型,建立从暂态过程电网空间结构与时序潮流数据到暂态稳定的映射。模型通过同时提取暂态过程故障前、故障中、故障后的电网空间结构特征和时序潮流特征来实现对系统暂态稳定的快速准确判断。与传统暂态稳定分析方法相比,所提出的方法仅需进行短时间仿真分析,提高了分析效率。与其他机器学习模型相比,时空图卷积网络模型同时挖掘电力系统暂态过程的空间特征和时间特征,引入了更多与稳定性相关的先验知识,具有更优的特征挖掘能力和分析性能。基于新英格兰39节点系统的测试结果验证了所提方法的可行性、有效性和优越性。     

预测控制方法在列车速度控制中的应用

随着我国铁路建设的高速发展,列车运行速度不断提高,行车密度不断加大,原有的列车速度控制方法难以满足安全行车要求。本文研究了列车速度的预测控制方法。设计了列车预测控制策略,对列车运行速度进行实时预测及优化。针对列车速度的预测控制策略设计了系统仿真程序并进行了系统仿真,结果表明,采用预测控制可以根据以后的输入对列车速度和控制策略进行有计划的调整,提高了列车速度的控制效果和控制效率,利用在线估计预测模型,采用在线滚动优化和反馈校正策略,减少了由于模型不准确带来的误差。     

基于生成对抗网络的暂态稳定预防控制

针对电力系统暂态稳定预防控制在线计算的复杂性,提出一种基于生成对抗网络的暂态稳定预防控制方法。通过将暂态稳定预防控制建模为样本空间映射问题,该方法利用数据驱动方法训练生成模型,建立从暂态失稳运行空间到暂态稳定运行空间的映射。模型通过调整电网中发电机的有功出力,提高电网的暂态稳定裕度,使电网运行点满足暂态稳定校核的要求。与传统优化建模方法相比,所提方法通过神经网络的前馈推断求解控制策略,无需迭代求解,极大地提高了求解效率。基于新英格兰39节点系统的测试结果验证了所提方法的可行性和有效性。     

最优参考轨迹的预测函数控制

采用预测函数控制计算控制指令,并运用模糊推理对控制量进行补偿,使飞机自动地跟踪已规划出的最优参考轨迹,并针对各种典型地形进行了数字仿真,大量的数字仿真表明该方案是可行的。     

基于修正轨迹灵敏度的模型预测长期电压稳定控制

针对现有基于轨迹灵敏度的模型预测紧急电压控制方法中存在的不足,引入指数型参考轨迹。考虑了当控制增量施加于系统后,初始状态改变对故障后各采样时刻轨迹灵敏度的影响。根据动态电压全过程仿真估算控制增量,对故障后各采样时刻的轨迹灵敏度进行修正,使修正后的轨迹灵敏度与实际的轨迹灵敏度趋于一致。为了满足紧急情况下快速控制的要求,制定了考虑控制代价的控制元件动态选取策略。新英格兰10机39节点系统的仿真结果验证了所采用的轨迹灵敏度修正方法和控制元件选取策略的可行性和有效性。     

基于MPC的爆胎车辆轨迹控制研究

针对爆胎车辆偏航问题,提出基于模型预测控制(model predictive control,MPC)的前轮转向控制器来对汽车偏航进行矫正,保证车辆在安全路径上行驶.基于MPC,选取简化的双轨道车辆模型,用微分方程描述车辆运动状态,线性离散化,推导预测方程,考虑车辆稳定性因素,将其添加为约束条件,转化为标准二次型计算最...     

基于自适应图注意力网络的短期用户负荷预测

为提高短期用户负荷预测精度,提出了一种基于自适应图注意力网络(adaptive graph attention network, AGAT)的短期用户负荷预测模型。首先,针对用户负荷存在规模小、波动性强的问题,通过门控机制结合多个大小不同的扩张卷积核来构造时序特征提取层,从多个尺度上提取用户负荷的高维时序特征。同时,考虑到不同用户负荷间潜在的动态相关性,使用马氏距离构造动态图学习层,生成动态图邻接矩阵。然后,采用图注意力网络根据动态图邻接矩阵将用户负荷的高维时序特征进行信息汇聚。最后,通过全连接层输出用户负荷预测值。为验证AGAT模型的有效性,采用UCI电力负荷数据集进行预测实验,分别与多种基线模型比较。实验结果表明,所提模型预测指标优于各基线模型,有助于提高短期用户负荷预测精度。     

基于CEEMDAN与回声状态网络的风速预测方法

为了对风速进行准确预测,结合分类与回归树(Classification and Regression Tree, CART)、自适应噪声完备集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)、回声状态网络与非线性误差修正策略,提出了一种基于回声状态网络(Echo Sate Network, ESN)的混合期风速预测方法。其中,CART用于对原始数据进行重构,得到建模数据集。CEEMDAN用于提取输入特征信息。ESN根据输入特征建立风速预测建模。最后,利用误差修正策略对所得到的模型进行修正。基于国内某风电场的数据实验表明,所提出方法能够准确预测风速,可以指导风场生产,提高生产自动化水平。     

神经网络与参数自寻优PID在柴油机转速控制系统中的应用

针对柴油机模型自身的特点 ,设计了一种神经网络与参数自寻优PID控制相结合的控制器。在很大程度上改善了柴油机转速控制的输出特性 ,实验证明了算法的可行性。     

多通道长短期记忆卷积网络的风速预测

为提高风速的预测性能,提出了多通道长短期记忆网络和卷积网络相结合的风速预测方法。预测模型由多个长短期记忆子网络及卷积网络组成。各子网络选择不同长度的历史数据作为输入,分别实现未来风速值的计算,避免了单一网络输入数据长度参数难以确定的问题。卷积网络将各子网络的计算结果进行卷积、最大池化操作,并通过全连接层计算风速序列的预测值。为避免预测误差累积及漂移,利用误差动态补偿方法对预测值进行校正,获得最终的预测结果。多通道长短期记忆卷积网络可用于风速的超短期预测中,仿真实验结果表明,与现有基于深度学习的预测网络相比,该网络能够更好地拟合实际风速序列的变化趋势,表现出更优的预测性能。     

Servo motor adaptive speed control under angle-dependent disturbances using an RBF network

It is well known that the angle-dependent disturbance in a servo motor caused by nonuniformity of field windings, armature cogging, rotor imbalance, nonuniform load and so on, may influence the speed control performance greatly. This often leads to large speed fluctuations which are undesired in practical situations. Therefore speed fluctuation reduction techniques in the presence of angle-dependent disturbances are strongly required and have been studied by many researchers. In this paper, the authors propose a new approach to this problem via adaptive control with the aid of a radial basis function (RBF) network composed of Gaussian basis functions. The angle-dependent disturbance, viewed as a periodic non-linear function with a period of 2π radians in the angular domain, is approximated by an RBF network in (0, 2π) radians. Then an adaptive linearization control system employing the RBF network which compensates for the disturbance is proposed. The RBF network has the advantage that it is linear in the parameters and hence parameter adaption is very fast and easy to implement. It is proved through theoretical analysis that the stability of adaptive control is guaranteed by Lyapunov stability theory. Finally, simulation and experimental results are included in the paper to show the excellent performance of the proposed method. © 1997 Scripta Technica, Inc. Electr Eng Jpn, 119(4): 77–86, 1997     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。     

基于集合经验模态分解和套索算法的短期风速组合变权预测模型研究

准确的风速预测对风电场实现平稳出力具有重要意义。为提高短期风速预测精度,提出一种基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)、套索算法(Least Absolute Shrinkage and Selection Operator, LASSO)、遗传算法(Genetic Algorithm, GA)、广义回归神经网络(General Regression Neural Network, GRNN)和长短期记忆模型(Long Short-Term Memory,LSTM)的短期风速变权组合预测模型(Variable Weighted Hybrid Model, VWHM)。首先运用集合经验模态分解技术,将原始风速时间序列分解成多个不同的子序列。然后运用套索算法对各个子序列的数据变量进行筛选,提取代表性变量作为预测输入。最后利用GA的全局优化能力,对由GRNN和LSTM构成的组合预测模型的权重系数进行移动样本自适应变权求解,并加权得到最终预测结果。仿真结果表明,所提的变权组合模型比单一模型以及传统组合模型具有更高的预测精度,且在风速预测中具有优越性。     

主动配电网辅助服务共享机制控制模式的研究

主动配电网需要依托先进的控制模式管理网络。首先介绍了电力市场环境下配网辅助服务的发展要求。其次,对比了国内外含不同辅助服务成分的配网控制模式,由此提出了一种辅助服务共享的主动控制模式。该模式在信息交互量最小的前提下兼顾全局优化和局部优化,在3层结构中调度可调负荷为配网提供辅助服务。最后以馈线功率波动方差校验控制模式的有效性。仿真结果表明,无论是正常运行还是故障状态,所提出的控制模式充分整合了辅助资源,有效降低了配网功率波动。     

Time series prediction with a neural network model based on bidirectional computation style: An analytical study and its estimation on acquired signal transformation

Numerous studies on time series prediction have been undertaken by a variety of researchers. Most of them typically used unidirectional computation flow, that is, present signals are applied to the model as an input and predicted future signals are derived from the model as an output. On the contrary, bidirectional computation style has been proposed recently and applied to prediction tasks. A bidirectional neural network model consists of two mutually connected subnetworks and performs direct and inverse transformations bidirectionally. To apply this model to time series prediction tasks, one subnetwork is trained a conventional future prediction task and the other is trained an additional task for past prediction. Since the coupling effects between the future and past prediction subsystems promote the model's signal processing ability, bidirectionalization of the computing architecture makes it possible to improve its performance. Furthermore, in order to investigate the acquired signal transformation, two kinds of chaotic time series—the Mackey–Glass time series and “Data Set A”—are adopted in this paper. As a result of computer simulations, it has been found experimentally that the direct and inverse transformations developed independently and their information integration give the bidirectional model an advantage over the unidirectional one. © 2003 Wiley Periodicals, Inc. Electr Eng Jpn, 145(3): 50–60, 2003; Published online in Wiley InterScience ( www.interscience.wiley.com ). DOI 10.1002/eej.10232