基于文本分类与语义识别的电力运营数据智能处理

针对当前电力运营数据分析和利用不足的现状,提出一种基于文本分类与语义识别的电力运营数据智能处理算法。该算法采用剔除异常文本、分词以及去停顿词等操作进行电力运营文本清洗,再使用连续词袋（CBOW）模型实现电力运营文本的向量化表示。同时利用Apriori算法挖掘电力运营文本向量与文本分类结果的关联规则,并基于小批量梯度下降（MBGD）的长短期记忆网络（LSTM）算法来获取电力运营文本分类的结果。通过对新疆电网某历史数据的仿真分析结果表明,文中所提算法相较于LSTM与Apriori-SVM算法,在电力运营文本分类上具有更高的准确率;且与传统梯度下降法相比,MBGD算法能够在保持较高准确率的同时大幅缩减模型的训练时间。     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。