基于多列神经网络的用电行为自诊断技术研究

为了进一步提升电能计量的整体自诊断管理，使用3列相对独立的多列神经网络算法，在有限且不完备数据的基础上，利用全网计量节点提供的上行、下行尖峰平谷计量数据，实现对计量系统故障、用电器配置变更、用户窃电等三大主要可能性做出基于大数据深度挖掘的主动判断。在计量系统故障、用电系统变更、窃电行为影响和总和敏感性方面，该系统较早期方法分别实现了14.3%、83.7%、36.3%、34.8%的计算效能提升，对未来电力计量系统的整体管理效率提升有积极意义。     

基于深度强化学习的自主避障技术研究

针对变电站自动巡检这一场景，研究机器人的自主避障。当机器人的感知仅限于单目视觉时，由于缺乏3D信息，避障将变得更具挑战性。传统的路径规划等避障技术难以适用新场景。对此，提出一种基于策略迭代(DPPO)的自主避障深度强化学习模型，该模型仅以原始的RGB图像为训练数据，实现机器人的快速灵活控制。仿真实验表明，相比于基于值迭代的方法，该模型避障性能更佳。     

融合注意力机制与全局特征网络的行人重识别算法研究

行人重识别是近年来计算机视觉领域的研究热点,已被广泛应用在智能视频监控、安保系统等多个领域。但在实际应用场景中,图像数据会受到摄像机差异、物体遮挡、行人姿态视角改变等因素的影响,因此,克服以上问题成为了当前行人重识别研究所关注的重点问题。对于行人重识别方法在面对遮挡和复杂背景应用场景下的干扰信息影响精度的问题,提出了引入空间注意力机制,对拓扑关系遮挡行人重识别算法的全局特征提取网络进行改进,将基于空间注意力的特征提取网络与拓扑关系遮挡行人重识别算法中的作为Backbone网络的RestNet50进行优化改进。在公开的Occluded-Duke数据集和Market-1501数据集上进行测试,实验结果显示改进算法的评价指标有明显提升。     

基于混合模型的云平台资源弹性伸缩方法

为使云资源数据最大化匹配平台主机的存储条件,保障云服务的质量水平,提出基于混合模型的云平台资源弹性伸缩方法。根据聚类混合系数指标,建立完整的初始定位条件,通过计算云数据优选残差加权量的方式,完成基于混合模型的云数据定位。在此基础上,预测平台主机的需求变化趋势,按照资源数据的采集与融合标准,定义必要的弹性扩容与伸缩扩容条件,实现基于混合模型云平台资源弹性伸缩方法的顺利应用。实验结果表明,与高斯负载型数据伸缩方法相比,在混合模型支持下,云平台主机可将资源数据最小压缩至0.125 bit,最大拉伸至16 bit,能够根据平台主机的实际存储条件,对云资源数据传输体积进行及时调整。     

基于安卓平台的电力仪表远程读取系统

针对当前电力系统中的部分传统指针仪表人工读取不便且改造费用较高的情形,设计并实现了一种基于安卓平台的电力仪表远程读取系统。首先,使用数字图像处理算法对电力仪表的指针进行识别;其次,根据仪表的形状特征,设置角度阈值,检测仪表指针偏转角度;进一步地,根据偏转角度与表盘量程计算仪表的指针读数;最后,利用手机的短信服务功能发送仪表读数。实验结果表明,所设计系统能够有效实现电力仪表的远程读取,具备现场应用潜力。