共生进化免疫神经网络在电力系统短期负荷预测中的应用

为了克服传统BP神经网络在结构设计和学习算法中存在的缺陷 ,提出了一种共生进化免疫神经网络来预测电力系统短期负荷。其中利用共生进化原理设计神经网络 ,通过对神经元群体进行优化设计 ,显著地减轻了计算量。在进化过程中 ,结合免疫算法中的浓度机制和个体多样性保持策略进行免疫调节 ,有效地克服了未成熟收敛现象 ,提高了群体的多样性 ,加快了网络设计速度。算例计算表明 。

AGGREGATE IMAGE BASED TEXTURE IDENTIFICATION USING GRAY LEVEL CO-OCCURRENCE PROBABILITY AND BP NEURAL NETWORK

Classifying the texture of granules in 2D images has aroused manifold research atten-tion for its technical challenges in image processing areas.This letter presents an aggregate texture identification approach by jointly using Gray Level Co-occurrence Probability(GLCP) and BP neural network techniques.First, up to 8 GLCP-associated texture feature parameters are defined and computed, and these consequent parameters next serve as the inputs feeding to the BP neural network to calculate the similarity to any of given aggregate texture type.A finite number of aggregate images of 3 kinds, with each containing specific type of mineral particles, are put to the identification test, experimentally proving the feasibility and robustness of the proposed method.

高光谱图像相对含水量反演引导的精细分类

深度学习在高光谱图像处理领域的研究应用不断深入发展,基于深度学习的高光谱图像分类达到了较高的分类精度。目前的分类模型多利用高光谱的图谱特征,但对光谱的诊断性特征及先验信息利用不足,对空谱特征提取过程难以实现有效协同,因而导致分类类别即类内分类不够精细。为了解决以上问题,本文提出一种以多标签数据为输入的共生神经网络模型,在高光谱图谱特征提取的基础上融合光谱诊断特征,实现相对含水量反演及精细分类。首先,通过构建一种新的红边斜率光谱指数实现高光谱图像相对含水量的表征,利用本文提出的自适应分级算法完成相对含水量反演并建立对应的等级标签,与地物种类标签共同构成多标签高光谱数据集。然后,构建共生神经网络架构及内部变维特征提取模块,利用多标签数据提取高光谱图像中空间、光谱和相对含水量的融合特征,提高深度模型对不同含水量地物的区分能力和对所提取特征的协同表达能力,降低模型的复杂度与计算量,完成基于多标签数据集的相对含水量反演引导分类的过程,在扩大传统类间距离的基础上进一步扩大类内距离,从而实现高光谱图像的精细分类。最后,使用实验室采集数据和4个公开的高光谱数据集Lopex、Indian Pines、Pavia University和Salinas进行实验验证。结果表明,本文提出的红边斜率光谱指数可以有效表征地物的相对含水量信息;相对含水量反演引导的分类模型对类内分类精度有较明显的提升,对总体分类结果有一定的改善;与其他机器学习和深度学习分类算法相比,本文算法取得了较好的分类结果,提高了深度分类模型的分类性能和精细程度,实现了精细分类。