电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转...电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转化为空域信息构造多时延输出并建立为平行因子模型,再对模型进行压缩后进行平行因子分析。最后将所得的数据经过贪婪算法重构,再进行频率值的估计。与传统的平行因子计算比较,该计算具有压缩过程,计算工作量相对较小,对数据存储容量需求也较少。所提计算的频谱估计性能与传统的平行因子分解算法(Parallelfactorization,PARAFAC)非常接近,而且也比采用旋转不变技术的信号参数估计算法(Estimating signal parameter via rotational invariance techniques,ESPRIT)更加精确。展开更多
针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOL...针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOLOv5去除冗余框时采用的非极大值抑制(Non Maximum Suppression,NMS)在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制(Weighted Non Maximum Suppression,WNMS)融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法。该算法在安全帽数据集上的m AP@0.5、m AP@0.5:0.95相较于YOLOv5分别提高了2.1个百分点、1.2个百分点,提升了安全帽监管准确性。展开更多
文摘电力系统中的电力电子设备所产生的谐波数量日益增加,谐波问题是一个备受关注的话题。本文通过引入压缩感知理论和平行因子模型,提出了一个用于谐波和间谐波的频率估计算法。先从信息发送终端中获取数据,然后使用欧拉公式将正弦信息转化为空域信息构造多时延输出并建立为平行因子模型,再对模型进行压缩后进行平行因子分析。最后将所得的数据经过贪婪算法重构,再进行频率值的估计。与传统的平行因子计算比较,该计算具有压缩过程,计算工作量相对较小,对数据存储容量需求也较少。所提计算的频谱估计性能与传统的平行因子分解算法(Parallelfactorization,PARAFAC)非常接近,而且也比采用旋转不变技术的信号参数估计算法(Estimating signal parameter via rotational invariance techniques,ESPRIT)更加精确。
基金supported by the National Natural Science Foundation of China(Nos.61631020,61971217,61971218)the Natural Science Foundation of Jiangsu Province(No.BK20200444)the National Key Research and Development Project(No.2020YFB1807602)。
文摘电力系统中电力电子产生的谐波数量不断增加,谐波问题是一个重要的问题。本文提出了一种改进的互质采样(Coprime sampling,CS)方案,用于谐波和间谐波频率估计。所提方案使用稀疏采样来降低采样率,并将其与现代频谱估计算法相结合。特别是,使用分段互质采样(Segmented coprime sampling,SCS)方法,然后使用求根多重信号分类(Root-multiple signal classification,root-MUSIC)算法代替常用的MUSIC算法可以减少计算工作量并获得准确的频率估计。仿真结果表明,该方法在估计精度上优于传统的均匀采样(Uniform sampling,US)方法。
文摘针对YOLOv5无法通过权重进行聚焦,产生更具有分辨性的特征,从而降低安全帽检测准确性的问题,使用注意力模块,并分别研究压缩激励层(Squeeze and Excitation Layer,SEL)和高效通道注意力(Efficient Channel Attention,ECA)模块。针对YOLOv5去除冗余框时采用的非极大值抑制(Non Maximum Suppression,NMS)在物体高度重叠时仅保留同类最高置信度预测框的问题,使用Soft-NMS算法保留更多的预测框,并进一步使用加权非极大值抑制(Weighted Non Maximum Suppression,WNMS)融合多次预测框信息提升预测框准确性;针对下采样带来的信息丢失问题,使用Focus模块提升检测效果;综合各个模块得到最优的FESW-YOLO算法。该算法在安全帽数据集上的m AP@0.5、m AP@0.5:0.95相较于YOLOv5分别提高了2.1个百分点、1.2个百分点,提升了安全帽监管准确性。