基于共享联结三元组卷积神经网络的枪弹膛线痕迹快速匹配方法

针对传统通过激光检测提取膛线线形痕迹信号时枪弹痕迹检测精度不高且操作复杂的问题,提出了新型提取和处理方法。采用多尺度配准、弹性形状度量与卷积神经网络技术,基于多模式弹性驱动自适应控制方法,建立了试件末端位置和姿态参数分布模型,采用孤立森林算法检测信号进行异常处理,利用变尺度形态滤波算法去除非细小特征,引入平方速度函数优化弹性形状度量算法,完成曲线轮廓嵌入层映射;在膛线线形匹配部分,建立了适用于痕迹特征的优化参数共享联结三元组卷积神经网络模型,通过嵌入层相似度计算和最小化三重损失函数训练该网络至收敛;最后进行了不同方法的相似度匹配对比实验。结果表明,与传统的检测方法相比,新方法解决了传统枪弹痕迹检测中面临的精度与操作性问题,保证检测结果的稳定性,且成本大大降低。在膛线线形痕迹提取中采用多模式弹性驱动自适应控制方法和三元组卷积神经网络模型,可为枪弹痕迹检测提供一种新的可行方法和思路。

基于深度学习的用电负荷辨识方法

新时期国民经济发展迅速,社会生活及生产对电能的质量提出新的要求。用电负荷的有效辨识可便于工作人员了解电力系统负荷实际构成,从而掌握电力负荷实时运行变化,实现电力系统科学监测。此外,对电力负荷的电能消耗分析,可实现电力系统的节能发展,为节省电能提供有效的数据支持,对构建节约型电网具有深远意义。传统电力负荷识别以人工方式支持,该方式实施监测效果不理想,故文章提出基于深度学习的用电负荷辨识方式,以此方式可灵活应对用电负荷发生的变化,可促进电网智能化进一步发展。