堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法

针对暂态稳定预防控制在线计算的快速性要求和时域方程计算复杂性之间的矛盾,提出一种堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法。首先,构建了基于堆栈式集成深度置信网络的暂态稳定评估器,用以代替暂态稳定判定所需的非线性微分代数方程求解过程;其次,将训练好的暂态稳定评估器作为暂态稳定约束判别器,嵌入帝企鹅启发式优化算法的迭代寻优过程中;最后,以预防控制代价最小为目标,建立集成学习驱动的电力系统暂态稳定预防控制启发式优化算法,该算法实现了预防控制中暂态稳定约束的高效判断,提高了发电再调度预防控制决策水平。基于IEEE39节点系统对所提预防控制优化方法进行实验验证,结果表明,该方法在评估准确率和计算效率上都具有良好的效果。

计及漏磁的堆栈式超磁致伸缩制动器多物理场耦合建模研究

堆栈式超磁致伸缩制动器(SGMA)因其能量密度高、响应速度快且便于提供稳定的偏置磁场而得到广泛应用。由于永磁体和超磁致伸缩材料相对磁导率极低,磁路中存在明显的磁场空间分布不均匀的现象,磁-机耦合导致其动力学相较于传统结构的制动器更为复杂。为了准确地预测SGMA的输出特性,该文基于有限元仿真搭建了计及漏磁的等效磁路,并结合Jiles-Atherton模型、非线性本构模型及考虑分布特性的结构动力学模型,借助Pspice电路仿真软件建立了超磁致伸缩制动器多物理场耦合动态模型。相较于传统的制动器多场耦合模型,所提模型能够更精准地分析磁路中的漏磁行为,并反映由磁场不均匀引起的力学分布特性。最后搭建制动器输出位移测试平台以验证模型的准确性,模型计算结果与实验结果吻合度良好,证明了所建立模型能有效表征SGMA的输入-输出特性。

基于低秩堆栈式语义自编码器的零样本学习

在图像分类领域,现有的深度学习等方法在训练时需要大量有标注的数据样本,且无法识别在训练阶段未出现的类别。零样本学习能有效缓解此类问题。本研究基于堆栈式自编码器和低秩嵌入,提出了一种新的零样本学习方法,即基于低秩嵌入的堆栈语义自编码器(low-rank stacked semantic auto-encoder,LSSAE)。该模型基于编码-解码机制,编码器学习到一个具有低秩结构的投影函数,用于将图像的视觉特征空间、语义描述空间以及标签进行连接;解码阶段重建原始视觉特征。并通过低秩嵌入,使得学习到的模型在预见未见类别时能共享已见类的语义信息,从而更好地进行分类。本研究在五个常见的数据集上进行实验,结果表明LSSAE的性能优于已有的零样本学习方法,是一种有效的零样本学习方法。

基于堆栈式稀疏自编码器的高光谱影像分类

为挖掘高光谱影像数据的内在光谱特征,该文基于深度学习理论,引用堆栈式稀疏自编码器构建原始数据的深层特征表达。首先通过稀疏自编码器,得到原始数据的稀疏特征表达。其次通过逐层学习稀疏自编码器构建深度神经网,输出原始数据的深度特征。最后将其连接到支持向量机分类器,完成模型的精调。实验结果分析表明:基于堆栈式稀疏自编码器的最优分类模型,总体精度可达87.82%,优于实验中的其他方法,证明了深度学习方法在高光谱影像处理中具有良好的分类性能。

基于堆栈式自动编码器的加密流量识别方法

基于浅层机器学习的加密流量识别方法准确率偏低,在特征提取和选择方面耗时耗力。为此,提出一种基于堆栈式自动编码器(SAE)的加密流量识别方法。该方法利用SAE的无监督特性及在数据降维等方面的优势,结合多层感知机(MLP)的有监督分类学习,实现对加密应用流量的准确识别。考虑到样本数据集的类别不平衡性对分类精度的影响,采用SMOTE过抽样方法对不平衡数据集进行处理。实验结果表明,该方法各项性能指标均优于MLP加密流量识别方法,识别精确度和召回率以及F1-Score均可达到99%。

堆栈式压电换能器在路面振动环境中的输出效能研究

为探究堆栈式压电换能器在路面振动环境中的输出效能及影响因素,采用试验机模拟接近路面环境下的振动加载测试,测试了堆栈式压电换能器在不同内部连接方式、不同载荷及加载频率下的输出情况,并进一步测试了柔性封装的并联堆栈式换能器的输出损失情况。结果表明,相同外部载荷下,并联连接的换能器输出电能较串联连接的高;在测试的范围内,外部作用载荷越大、频率越高,换能器输出的电能越大;采用有机硅橡胶作柔性封装的换能器,电能输出损失不大;在路面结构中可通过增加换能器顶部载荷作用面积以增大换能器内部应力的方法,提高换能器的电能输出。

基于堆栈式自编码器的尾矿库安全评价

为有效评估尾矿库的安全状况,针对尾矿库数据的随机波动性、非线性和多数据源的特点,采用堆栈式自编码器算法对尾矿库进行安全评价.基于多层结构、稀疏性限制,该算法采用贪心逐层训练策略对网络权值进行优化,进而对尾矿库进行安全评价.结合淳安某尾矿库的数据进行了安全评价的仿真实验,结果表明:堆栈式自编码器算法能克服多层网络结构权值易陷入局部最小值的缺陷,有效刻画数据的非线性和随机波动性,具备良好的评价准确率.

堆栈式混合自编码器的人脸表情识别方法

针对进一步提高人脸表情识别率的问题,采用了一种基于深度学习的堆栈式混合自编码器(Stacked HybridAuto-Encoder,SHAE)的人脸表情识别方法。该方法的结构是由去噪自编码器(Denoising Auto-Encoder,DAE)、稀疏自编码器(Sparse Auto-Encoder,SAE)以及自编码器(Auto-Encoder,AE)组合而成的5 层网络结构。为了增加网络的鲁棒性以及泛化能力,采用去噪自编码器对样本进行提取特征,为了对提取的特征进行降维以及进一步提取更抽象的稀疏特征,采用稀疏自编码器进行级联,来对特征进一步处理。训练过程首先由无标签的数据进行预训练和整体微调,对整个结构的权重进行初始化和更新调整,然后使用有标签的数据进行测试训练。在JAFFE和CK+两个数据集上实验显示,相较于单纯的堆栈式去噪自编码或者单纯的堆栈式稀疏自编码,该方法具有更好的识别效果。

基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断

针对电力电子电路故障诊断问题,基于极端随机森林(ET)与堆栈式稀疏自编码(SSAE)算法提出了一种适用于开关管故障的信号识别诊断方法。以三相电压型PWM整流电路为例,首先建立电路仿真模型并设计电压/电流双闭环调节器;为了在输出直流侧能收集到有效的故障特征信号,选择在无负载条件下向PWM整流器交流侧电流d轴分量中注入特定频率的交流电流,此时会在DC输出侧产生相同频率的纹波电压/电流;接着选择直流侧输出电流为故障特征量,首先利用经验模态分解(EMD)提取前7阶本征模函数(IMF)分量,然后计算每阶分量的能量、复杂度以及时域特征和频域特征,获得初始故障特征数据样本,对其应用ET-SSAE融合算法进行降维处理,最后输入到分类器中进行识别。实验结果表明,该算法最终的故障识别准确率高达97.62%,其中ET算法降维处理后得到的故障诊断准确率为88.89%,SSEA降维处理后得到的故障诊断准确率为91.27%。

堆栈式寄存器堆及其应用

文章介绍了一种新的堆栈式寄存器堆的设计原理和设计技术，与通常堆栈式寄存器堆不同，该设计将栈顶寄存器组设为通用寄存器，增加了栈顶寄存器组的访问效率，同时通过缓冲寄存器及其控制使得该装置具有对不同字长的数据进行自适应存储的能力。该装置可以用于支持后缀语法或者对编码长度有限制的微处理器设计中。

一种堆栈式快速等值线图填充算法

等值线图在科学研究、石油地质勘探等应用中具有较重要的应用。对于生成填充的等值线图,提出了一种基于堆栈式边界扫描方法,该方法通过将填充边界特征点和等值线特征点进行统一排序,利用堆栈的先进后出的特性,得到等值线之间的拓扑关系,进而追踪出闭合连通区域;对于颜色充填,提出了一种双深度值填充方法。与其他方法相比,该方法较容易理解与实现,对矢量化图件能快速填充。

新型的基于堆栈式ELM的时变信道预测方法

针对高速移动场景正交频分复用(orthogonal frequency division multiplexing,OFDM)系统,提出了一种新的基于堆栈式极限学习机(extreme learning machine,ELM)的时变信道预测方法。为了捕获输入数据的深层信息,基于单隐藏层神经网络,首先利用堆栈式ELM方法从历史信道中提取信道的深层特征,并获得网络的初始输出权值。然后,为了适应信道的变化,新方法基于新构造的历史信道样本与初始的输出权值来实时更新网络的输出权值,并基于更新后的输出权值预测得到未来时刻的信道。最后,仿真结果表明,新方法较现有方法具有更高预测精度,适用于高速移动场景。

基于堆栈式自编码网络的电子线路分类算法

由于电子线路细节特征种类多且与背景细节特征相似度较高,基于图像颜色、纹理形状等低层特征的分类算法不能满足高精度分类的需求。针对是否具有数字背景的电子线路分类问题,利用深度学习方法堆栈式降噪自编码网络以及方向梯度直方图特征提取算法对1 840张工业电子线路图片的分类进行研究。实验结果表明,对缩放到68×68大小的电子线路图像进行去均值、归一化及白化等预处理能有效降低不同光照强度的影响,同时降低了像素间的相关性,因此在后续训练过程中能得到更加具有分类代表性的特征使分类的准确率提高约6%;预处理后提取图片1 152维的方向梯度直方图特征作为输入,通过两层隐含层降噪自编码训练及反向传播权值微调后能更加准确、稳定地区分出具有数字背景的电子线路。

赢在未来的影像革命，解读堆栈式CMOS

当下，手机性能过剩已经成为非常普遍的现象，各大手机厂商无不挖空心思在性能堆积之外寻找卖点，借此打造配置差异化路线。而在这条道路上，手机的摄像头无疑是最佳的“革命对象”——一方面是用户超高频率的使用需求，一方面是相关技术蕴含的巨大潜力。如此一来，许多摄像头方面新鲜的技术名词就成为了手机宣传推广时的利器，其中“堆栈式CMOS”无疑是这些名词中的明星。且不说三星、联想和小米等公司的“当家花旦”GALAXYs4、K900和小米2s，就连犹抱琵琶的iPhone6都被曝出将采用这项技术。它真的有传说中这么神奇？本期的探索就带你好好认识下这块预订了未来市场的新型CMOS。

Turbo C++ 2.0实现堆栈式图形画面存取

Turbo C++ 2.0具有丰富的图形功能,在我们用其编写各种窗口程序和菜单时,常常需要保存图形,而Turbo C++ 2.0本身提供的存取图形函数,是把图形放在内存中。这样图形画面的大小和数量就受到内存的限制。如果通过把图形页写到磁盘的方法来到达目的,则受到图形页缓冲区地址,程序兼容性差的限制。为此,笔者通过在内存中构造一个堆栈表对其管理。

未来开放式网络的堆栈式结构

“扩展”和“升级”看似简单,但这两个新的网络要求却需要网络管理者解决一对矛盾。组织部门怎样延长现行设备的使用寿命?是否有一种结构能够发展某种结构以适应未来技术的需求?怎样用网络管理系统去做相同的工作?HP公司提出了用先进的堆栈结构和开放式管理系统来解决这些问题。 今天的计算机环境是分布式的(所有现行系统皆如此)、标准化的(这需要功能很强的自动管理工具)

基于CAE仿真计算的堆栈式PZT材料本构特性的研究

压电陶瓷作为传感器敏感元件,其性能的好坏决定传感器性能好坏。因此本文利用ABAQUS有限元软件对单片压电陶瓷进行压电分析,研究了单片压电陶瓷纵向压电应变常数d33的具体值与应力应变以及位移之间的关系,此外还研究了固定载荷下的压电陶瓷圆片的半径、厚度对输出电压的影响并比较串联和并联两种连接方式之间的差异,结果表明通过仿真得到的应力预测d33的具体值具有参考意义。单片压电陶瓷的输出电压随厚度的增加的增大,随半径的增加而减小。通过对比堆栈式压电陶瓷的串联和并联的输出电压和电荷量,以及应用场景,确定堆栈式压电陶瓷堆为并联连接。

堆栈式DE作动器的流延工艺及其性能研究

随着机器人技术的发展,能与自然交互、自主适应复杂动态环境并协同作业的共融机器人在高端制造、医疗康复、国防安全等领域将会发挥巨大的作用。在共融机器人运动执行机构的研究中,基于介电弹性体(DE)的作动器表现出很好的环境适应性和机电性能。为了进一步研究介电弹性体作动器,将弹性体电极引入介电弹性体作动器中,通过流延工艺逐层堆积电极层和作动器层,实现了多层DE作动器的一体化制造。在光学显微镜下观察到,基于该工艺制备而成的堆栈式DE作动器各层的厚度一致性好,且与设计尺寸间的误差较小。作动器在静态电压及动态扫频电压下的响应结果显示,该工艺制备而成的作动器具有较好的变形性能,且变形性能一致性较好。经过一年的使用后,作动器的性能衰减不明显,该作动器的这一特点适用于机器人等需要长期服役装备的使用需求。