基于神经网络扩张的Adaboost人脸检测算法

人脸检测是人脸研究中的重要部分,Adaboost算法检测速度虽快,但错检率和重复检测率仍比较高。本文提出了一种Adaboost算法与神经网络相结合来进行人脸检测的方法,并通过实验表明该方法在原有Adaboost算法的基础上,降低了错检和重复检测率,提高了正负样本判断正确的概率。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于相似样本和多模型动态最优组合的光伏功率预测

针对传统单一预测方法存在的局限性,引入了考虑特征加权的模糊聚类方法,进行关于天气类型的划分以得到相似样本;提出多模型动态最优组合预测方法,根据各窗口期预测误差的波动情况,设置合适的临近历史样本窗口宽度,利用窗口期中的数据和构建的最优赋权模型进行组合权重的求解,在避免单一预测方法片面性的同时,提高了对各种天气的适应性。通过算例验证分析表明,所提出的组合预测方法在各种天气类型下的预测效果都优于理论预测、BP预测和LSSVM预测等单一预测方法,能够有效提高预测的有效性和准确性,具有较高的工程实用价值。     

金字塔原型对齐的轻量级小样本语义分割网络

小样本图像语义分割任务是计算机视觉领域一个有挑战性的问题,其目标是利用现有一张或几张带有密集分割注释的图片来预测未见类图像的分割掩码.针对该任务,提出了一个基于金字塔原型对齐的轻量级小样本图像语义分割网络.首先,该网络在MobileNetV2网络的深度可分离卷积和逆残差结构基础上,通过金字塔池化模块进行提取特征,保持高维度和低维度的信息,获得不同尺度的特征.同时通过在支持集原型和查询集之间进行相互对齐,使得网络能够从支持集中学到更多的信息,充分利用支持集的信息进行反馈.基于PASCAL-5i数据集的大量实验结果表明,提出的网络结构的均值在1-way 1-shot和1-way 5-shot上分别为49.5％和56.6％,与先进的主流小样本语义分割网络PANet相比分别对应提高了1.4％和0.9％,网络参数量为3.0 MB,相比PANet减小了11.7 MB,同时浮点计算量显著减少,证明了该网络在小样本图像语义分割中的有效性和高效性.     

基于VMD和样本熵的电磁式电流互感器故障诊断

针对电磁式电流互感器故障诊断效率低、准确率不高问题,提出一种变分模态分解(VMD)和样本熵相结合的故障诊断方法.将原始故障信号通过VMD分解成一系列本征模函数(IMF)并进行优选,计算其样本熵作为新的互感器特征提取对象的特征值,与常见时频域特征指标组合成新的特征向量输入K近邻分类器进行训练.Matlab仿真实验结果表明,该方法中新的特征指标用于低压电流互感器故障诊断是有效可行的,可为电磁式电流互感器故障诊断提供参考.     

三参数威布尔分布参数估计方法

现有的三参数威布尔分布参数估计方法大都需要复杂的计算机编程,因而限制了它的应用.本文对确定威布尔分布三参数的相关系数法做了重要改进,使得计算量大为简化.提出了曲线拟合法,并引入了适用于小样本的灰度法.采用不同样本的数据进行参数估计,并进行K-S检验,得到很好的效果.     

基于改进ACGAN样本增强的变压器故障诊断技术

基于深度学习算法的故障诊断需要足量的样本作为训练数据集.变压器故障数据匮乏将导致故障诊断准确率较低.对此,提出了一种基于辅助分类GAN的故障诊断方法.该方法引入自我注意机制,提取故障样本的全局特性,以提高生成样本的质量;并加入梯度惩罚,以提高模型收敛速度和训练稳定性.运用该方法对失衡样本进行增强扩充,并在变压器振动试验数据集上进行验证.仿真结果表明,该方法能够有效改善数据不平衡带来的影响,增强扩充后的故障诊断准确率提高了3.4％.     

基于VMD和PSO-SVM模型的和应涌流识别

针对目前和应涌流识别方法较少的情况,使用VMD对励磁涌流与和应涌流电流信号进行分解.对VMD分解后的各本征模态分量求样本熵值组成特征向量,将特征向量输入PSO-SVM识别模型进行分类.通过实验验证,涌流信号样本熵值组成特征向量能很好地反映两种涌流的区别,使用PSO优化参数后的SVM模型能对两种涌流进行高效准确的识别,为保护装置下一步针对性动作提供了重要依据.     

一种基于CGAN-CNN的同步电机转子绕组匝间短路故障诊断方法

由于同步电机故障样本数量较少,为解决同步电机故障诊断中普遍存在的样本不平衡问题,提出了一种基于条件生成式对抗网络(CGAN)和卷积神经网络(CNN)的同步电机转子绕组匝间短路故障诊断方法.首先,对传感器收集到的数据进行预处理,对正常样本和故障样本分别添加标签后输入CGAN中生成大量新样本,将生成的新样本与原始样本混合并划分训练集和测试集;然后,利用CNN训练平衡后的数据集,充分、精准地提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过实验证明,与非平衡数据集相比,利用平衡数据集后的故障识别准确率十分稳定且达到99.5％以上,同时与平衡的原始样本数据相比,生成样本避免了噪声和其他干扰,故障诊断的准确率也更高.