排序方式: 共有4条查询结果,搜索用时 0 毫秒
1
1.
可变形物体的轮廓的提取 总被引:6,自引:0,他引:6
边缘信息一直被认为是计算机视觉的重要特性。因而,边缘的检测与轮廓的提取是图象分析的重要步骤。对于边缘的检测,近年来,人们的研究兴趣更多的转向了局部能量的方法,这是一种基于局部相位的方法,它的特点是通过局部能量的最大值可以同时得到不同类型的边缘。在初步得到物体边缘后,本文应用M.Kass1987年提出的蛇行模型的方法获取物体轮廓,蛇行模型比较适合于可变形物体的轮廓的提取,如:红血球。 相似文献
2.
光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数(maximal information coefficient,MIC),分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明:本文模型与GRU、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM、支持向量回归(support vector regression,SVR)等模型相比预测准确度更高。 相似文献
3.
4.
光伏电站出力随机性易引发并网点电压大幅度波动,通过趋势预测提前调控是提高电压稳定性的有效途径。为了提升电压趋势预测精度,提出一种基于卷积神经网络(convolutional neural networks,CNN)和门控循环单元(gated recurrent unit,GRU)的电压轨迹预测方法。首先,通过采集单元提取电压数据构建时间序列;然后,计算电压时间序列的自相关系数及其与外部变量间的最大信息系数(maximal information coefficient,MIC),分析电压时间序列与外部变量在时序上的关联性;再通过CNN网络提取输入数据的高层特征;最后输入至GRU网络完成电压轨迹预测。通过某地光伏电站实测数据进行验证,结果表明:本文模型与GRU、长短期记忆网络(long short-term memory,LSTM)、CNN-LSTM、支持向量回归(support vector regression,SVR)等模型相比预测准确度更高。 相似文献
1