基于增强AlexNet的音乐流派识别研究

针对机器学习模型对音乐流派特征识别能力较弱的问题,提出了一种基于深度卷积神经网络的音乐流派识别(DCNN-MGR)模型。该模型首先通过快速傅里叶变换提取音频信息,生成可以输入DCNN的频谱并切割生成频谱切片。然后通过融合带泄露整流(Leaky ReLU)函数、双曲正切(Tanh)函数和Softplus分类器对AlexNet进行增强。其次将生成的频谱切片输入增强的AlexNet进行多批次的训练与验证,提取并学习音乐特征,得到可以有效分辨音乐特征的网络模型。最后使用输出模型进行音乐流派识别测试。实验结果表明,增强的AlexNet在音乐特征识别准确率和网络收敛效果上明显优于AlexNet及其他常用的DCNN、DCNN-MGR模型在音乐流派识别准确率上比其他机器学习模型提升了4%~20%。

基于5G网络的“源–网–荷–储”优化调控系统设计

随着新能源(风电、光伏)、分布式电源、储能及电动汽车等技术规模化快速发展,电力系统特性发生重大变化,其资源具有更大的时空不确定性,呈现常态化随机性和间歇性,传统电网调节资源的调度空间越来越小,“源–网–荷–储”调控是我国电网调控的必然发展趋势之一。受限于现有通信能力和数据处理能力,海量资源无法及时参与电网调度。利用5G网络低时延、海量连接的技术特点,文章设计一种基于5G的“源–网–荷–储”优化调控系统,该系统包括接入层、聚合层和调控层,通过5G网络接入,将分布式电源、储能、负荷等分散在电网中的各类资源聚合,进行“源–网–荷–储”全局优化和协调控制,达到各类泛在资源与上层电网调度及时互联互通,实现实时监控、全局决策、广泛参与、安全可靠的电网调度,能够提升电网安全经济运行水平和能源综合利用效率。