基于WiFi交错信号与深度神经网络的室内人群数量检测方法

针对现有室内人群数量检测方法存在适用场景范围受限、检测精度低等问题,提出一种基于深度神经网络的人群数量检测方法,无需被检测人员携带设备便可实现区域内人群数量检测。该方法采用多个Wi Fi传感节点覆盖室内区域,节点间通过相互探测信号获得交错Wi Fi链路数据;运用深度神经网络进行特征学习,提取人数变化对Wi Fi信号影响的关联特征,训练得到该区域人群数量感知模型;将实时采集的Wi Fi信号送入该模型即可获得人群数量的估计。采用所提方法在一个较为复杂的室内环境进行了实验测试,结果表明该方法能够准确实现室内人数检测,检测精度达到82. 23%,平均误差仅为0. 37人;与现有其他机器学习算法相比,该模型具备更高的检测精度,适用于多种应用场景。     

基于时空特征挖掘的特高压变压器热状态参量预测方法

热状态参量预测是特高压变压器绝缘老化评估及故障预警的重要技术方法。然而,现有预测方法侧重高维时间序列分析以构建数据驱动模型,未计及设备内部温度潜在的空间变化规律,为此,提出一种基于时空特征挖掘的特高压变压器热状态参量预测方法。首先,综合考虑多源数据间的相关度与冗余度,提出组合特征筛选策略寻找最优特征子集;其次,结合热状态参量的最优特征子集及相关系数,构建面向热状态参量预测的时空图数据;最后,建立双重自适应图卷积门控循环单元(dualadaptivegraphconvolutiongate recurrent unit,DA-GCGRU)模型,采用节点自适应模块强化油箱内不同部位温度变化趋势的拟合,以适应特定温升趋势;采用图自适应模块自主学习热状态参量的空间温度分布关联性,以推断空间映射关系。实验结果表明,该方法可深度挖掘特高压变压器内部温度的时空变化特性,准确预测绕组温度和顶层油温的变化趋势,具有较好的鲁棒性和泛化性。