基于残差图卷积神经网络的高倍欠采样核磁共振图像重建算法

磁共振成像（MRI）因其无创伤和较高的软组织对比度而被广泛地用于复杂疾病诊断。目前多通过在k空间高倍欠采样磁共振（MR）信号解决MRI速度较慢的问题，然而代表性算法重建高倍欠采样的MR图像时往往存在细节模糊的问题。因此，提出一种基于残差图卷积神经网络（RGCNET）的高倍欠采样MR图像重建算法。首先，使用自编码技术与图卷积神经网络（GCN）构建生成器；其次，将欠采样图像输入特征提取（编码）网络中从底层提取特征；接着，通过GCN块提取MR图像的高层特征；然后，通过解码网络生成初始的重建图像；最后，经过生成器和鉴别器的动态博弈得到最终的高分辨率重建图像。在FastMRI数据集上的测试结果表明，与基于空间正交注意力机制的MRI重建算法SOGAN(Spatial Orthogonal attention Generative Adversarial Network)相比，在10%、20%、30%、40%和50%的采样率下，所提算法在标准均方根误差（NRMSE）指标上分别下降了3.5%、26.6%、23.9%、13.3%和14.3%，在峰值信噪比（PSNR）指标上分别提升了1.2%、8.7%、6...     

基于深度残差收缩网络的电力系统暂态频率安全集成评估

在我国能源结构加速转型、力争实现“双碳”目标的背景下，传统电力系统也将迎来结构性的转变。其中由于可再生能源的随机性、不确定性和低惯量等特性，大规模新能源并网带来的一系列影响使得电力系统的频率安全问题日益突出。而传统的时域仿真方法在进行评估时有运算量大、计算时间长等缺点，故难以实现实际电力系统灵活多变的运行方式和大量量测数据下的快速评估。为实现对系统频率安全的快速评估，提出一种基于深度残差收缩网络(deep residual shrinkage network,DRSN)的电力系统暂态频率安全集成评估方法。深度残差收缩网络在深度残差网络的基础上引入注意力机制，能够增强有用信息并抑制冗余信息。在此基础上，将样本按最大频率变化率进行划分，并分别采用DRSN网络进行训练构建集成模型。通过引入风电的新英格兰39节点和118节点系统上的仿真结果，表明所用方法与传统深度学习方法相比精度更高，并有着优异的泛化性、鲁棒性和适用性。     

基于改进残差网络的两阶段电力系统频率安全多级预警

随着“双碳”目标的提出,可再生能源集群大规模并网,导致电力系统频率安全问题再次凸显。因此,借鉴深度学习方法,提出一种基于改进残差网络的两阶段电力系统频率安全多级预警模型。首先,对电力系统的频率安全进行多级精细划分,提出并构建频率安全多级预警模型。该模型在第1阶段利用基于改进残差网络的分类评估器对受扰后的频率是否会超出安全预警值进行评估,并给出预警等级;在第2阶段利用回归预测器进一步给出预警样本的危险程度。最后,以改进IEEE 10机39节点系统和美国伊利诺伊州200节点系统为算例对该模型进行测试,结果表明该模型具有较高的安全预警准确率,不但优于其他浅层学习方法和深度学习模型,而且可以精确地预测频率危险程度,并具有良好的鲁棒性和抗噪能力。