为了改善量化噪声,提出了一种新的一阶1 bit Sigma-Delta调制器结构。通过对标准的一阶1 bit SigmaDelta调制器进行研究,指出了其量化噪声是非加性的,并且把输入和输出之差作为Sigma-Delta调制器的输入,进一步实现了输入信号的调制。理...为了改善量化噪声,提出了一种新的一阶1 bit Sigma-Delta调制器结构。通过对标准的一阶1 bit SigmaDelta调制器进行研究,指出了其量化噪声是非加性的,并且把输入和输出之差作为Sigma-Delta调制器的输入,进一步实现了输入信号的调制。理论推导得出新结构对正弦信号调制的信噪比比传统结构高6 dB,MATLAB Simulink仿真结果显示新结构带内噪声功率减小,为高性能的Sigma-Delta调制器提出了一种新的设计方法。展开更多
电力领域知识图谱旨在充分利用电力物联网所承载的数据信息,以结构化方式刻画电力系统中的概念、实体、事件及其间的关系,为电力行业产业链提供一种更为有效的跨媒体大数据组织、管理、认知能力。结合大数据与人工智能技术,领域知识图...电力领域知识图谱旨在充分利用电力物联网所承载的数据信息,以结构化方式刻画电力系统中的概念、实体、事件及其间的关系,为电力行业产业链提供一种更为有效的跨媒体大数据组织、管理、认知能力。结合大数据与人工智能技术,领域知识图谱正逐步成为推动电力人工智能发展的核心驱动力之一。论文概述了知识工程在电力系统中的发展历程,重点分析了我国电力企业对知识表示、图谱构建以及图谱应用的发展现状,针对我国电力物联网的数据特征与发展趋势提出了一种基于NoDKG(not only domain-specific knowledge graph)思想的电力领域知识图谱应用框架设计,并对领域知识图谱的应用方向与未来挑战进行总结与展望。展开更多
近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电...近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特征与全局特征提取需求的算法结构,构建了基于双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-卷积神经网络(convolutional neural networks,CNN)-条件随机场(conditional random field,CRF)的电网调度领域实体识别模型。最后实验结果表明,所提方法识别准确率达到93.1%,F1值达到86.05%,能够有效支撑电网调度领域实体识别工作的开展。展开更多
文摘为了改善量化噪声,提出了一种新的一阶1 bit Sigma-Delta调制器结构。通过对标准的一阶1 bit SigmaDelta调制器进行研究,指出了其量化噪声是非加性的,并且把输入和输出之差作为Sigma-Delta调制器的输入,进一步实现了输入信号的调制。理论推导得出新结构对正弦信号调制的信噪比比传统结构高6 dB,MATLAB Simulink仿真结果显示新结构带内噪声功率减小,为高性能的Sigma-Delta调制器提出了一种新的设计方法。
文摘电力领域知识图谱旨在充分利用电力物联网所承载的数据信息,以结构化方式刻画电力系统中的概念、实体、事件及其间的关系,为电力行业产业链提供一种更为有效的跨媒体大数据组织、管理、认知能力。结合大数据与人工智能技术,领域知识图谱正逐步成为推动电力人工智能发展的核心驱动力之一。论文概述了知识工程在电力系统中的发展历程,重点分析了我国电力企业对知识表示、图谱构建以及图谱应用的发展现状,针对我国电力物联网的数据特征与发展趋势提出了一种基于NoDKG(not only domain-specific knowledge graph)思想的电力领域知识图谱应用框架设计,并对领域知识图谱的应用方向与未来挑战进行总结与展望。
文摘近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特征与全局特征提取需求的算法结构,构建了基于双向长短期记忆网络(bi-directional long short-term memory,BiLSTM)-卷积神经网络(convolutional neural networks,CNN)-条件随机场(conditional random field,CRF)的电网调度领域实体识别模型。最后实验结果表明,所提方法识别准确率达到93.1%,F1值达到86.05%,能够有效支撑电网调度领域实体识别工作的开展。