基于堆栈降噪自编码网络的电力负荷识别

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络（SDAE）的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器（DAE）构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。     

目标检测算法及其在无人驾驶领域应用研究

无人驾驶技术是通过车载传感器感知周围环境,并根据所感知到的道路、车辆、位置信息,控制车辆转向和速度,从而使车辆可以安全可靠的行驶.在无人驾驶领域,特斯拉、谷歌等公司已经有所突破.其中目标检测是车辆进行感知的重要环节,是发现并识别物体的过程,主要基于对于人工智能领域中计算机视觉及深度学习的研究,编写无人驾驶过程中所必须的...     

创新创业教育与工科专业课融合教学模式研究

创新创业教育和专业课教学目标一致,两者相辅相成、互相促进,加强工科专业学科建设,增强教学环节的“创新性”“实践性”,才能培养出适应市场经济发展的人才。通过分析创新创业教育和专业课程教育融合中存在的问题,进一步探索多元化、多层次的创新创业教育模式,以学生的知识结构、能力培养以及素质提高作为主线,从人才培养方案修订、师资队伍建设、课堂教学改革、实践能力培养及交叉学科发展等角度研究工科专业课教学模式改革,推进创新创业教育和专业课程教育的深度融合。     

基于多层交叉残差网络的轴承故障诊断方法

重型机械设备系统朝着智能化和复合化方向快速发展。开发智能故障数据采集和监控方法,可以快速、智能化地完成设备故障诊断。提出了一种基于多层残差网络的轴承智能检测模型。该模型主要包含信号采集、故障特征分离和工况分类3个模块。该模型利用多层残差神经网络交叉提取轴承信号故障,使损失函数值可以迅速降低完成故障诊断。最后在凯斯西储大学滚动轴承数据集验证,准确率高达99.86%。仿真实验结果证明本模型可以有效分辨不同轴承工况,并值得进一步开发为在线实时诊断模型。     

面向深度学习的弹载图像处理异构加速现状分析

本文分析了深度学习算法向工程应用转化存在的问题,结合陆军智能弹药的特点和发展趋势,分别从深度学习模型压缩、量化,硬件平台加速设计以及异构加速框架设计等方面进行研究,提出了面向深度学习的弹载图像处理异构加速体系,实现从算法开发到硬件异构移植的流程化设计.随后,利用DeePhi Tech的异构加速框架DNNDK对Yolo ...     

无电缆测井深度测量方法改进与应用

当前石油资源紧缺日益凸显,合理开发有效利用意义非凡。测井是石油勘探开发的基础,能够为油层评价提供重要信息。无电缆测井技术凭借快速、可靠、安全的优势被广泛应用于复杂测井领域,本文对无电缆测井方式测量原理以及方法特点进行分析,针对当前测量现状提出相关改进策略并对其应用效果做出评价,以期望为石油勘探开发提供有效参考。     

基于深度学习的翼状胬肉智能诊断系统初步研究

本研究评估基于深度学习的翼状胬肉智能诊断系统的应用价值.收集了2019年12月至2020年8月在南京医科大学眼科医院门诊就诊的正常及翼状胬肉患者的眼前节照相624张,用于训练集和测试集,训练出翼状胬肉智能诊断模型.专家诊断组显示61眼(32.4％)为正常眼前节组,127眼(67.6％)患有不同程度的翼状胬肉;其中翼状胬...     

电视节目制作领域中的虚拟演播室系统

虚拟演播室系统应用于电视节目制作领域以后,既提高了节目制作的质量,又降低了节目制作的成本,对电视节目的制作产生了很大的影响.从虚拟演播室系统的基本工作原理、虚拟演播室系统的主要技术等几个方面进行简要论述.     

基于深度学习的四种阔叶材材种辨识研究

阔叶材材种辨识,需对其染色、制片,在显微镜下观察木材标本结构,这一过程步骤繁琐且耗时长。针对此问题,采用深度学习,实现阔叶材快速、准确检测。基于深度学习方法,分别选择YOLOv3框架以及SSD框架。试验结果表明,基于YOLOv3和SSD框架的四种阔叶材辨识的平均精度值分别为91.57%和91.17%,检测用时分别为1.185s和0.608s。这两种框架都可实现四种阔叶材材种高效、准确辨识,证明深度学习方法可以作为四种阔叶材辨识的技术手段。     

《黄帝内经》文本语料库的构建与应用研究

针对当前优质中医古籍语料库较为缺乏的问题,对《黄帝内经》全书156,507字进行人工标注,构建集词性标注和分词一体的《黄帝内经》中医古籍语料库,并对《黄帝内经》开展系统性的中文分词研究。基于本文语料库,采用CRF、HMM、BiLSTM-CRF、BERT-BiLSTM-CRF、RoBERTa-wwm-BiLSTM-CRF等算法开展中文分词研究。经过对比验证得出RoBERTa-wwm-BiLSTM-CRF算法分词效果在各方面均有较大提升,准确率、召回率和F1值分别为93.86%、94.41%、94.13%,明显优于传统机器学习和主流深度学习方法。