为优选小麦粉蛋白质近红外建模校正集,在传统K/S(Kennard/Stone)方法划分的初始校正集基础上采用二进制蜻蜓算法(binary dragonfly algorithm,BDA)挑选代表性样品,建立小麦粉蛋白质含量偏最小二乘回归(partial least square regression,...为优选小麦粉蛋白质近红外建模校正集,在传统K/S(Kennard/Stone)方法划分的初始校正集基础上采用二进制蜻蜓算法(binary dragonfly algorithm,BDA)挑选代表性样品,建立小麦粉蛋白质含量偏最小二乘回归(partial least square regression,PLSR)模型,并用预测集检验评估模型的稳定性及预测性能。结果表明:BDA挑选出的最佳校正集样品数量为30个,所建模型的预测决定系数(R_(p)^(2))为0.9564,预测标准偏差(root mean square errors of prediction,RMSEP)为0.2781,与传统K/S划分的100个初始校正集的建模效果(R_(p)^(2):0.9388,RMSEP:0.3294)相比,R_(p)^(2)提高了1.87%,RMSEP降低了15.57%。10次BDA实验优选出校正集的平均数量为30.2个,且所建10个模型蛋白质含量预测效果均优于初始校正集建模。综上,BDA算法可以优选出数量少、具有代表性的校正集样品,建立的小麦粉蛋白质PLSR模型稳定性好、预测精度高,可为小麦粉品质近红外检测分析提供一种高效的校正集优选方法。展开更多
随着智能电网的发展,基于计算机视觉的航拍绝缘子缺陷检测被广泛应用于电力巡检,针对深度学习模型对绝缘子自爆缺陷检测精度不高和因模型过大而难以部署到无人机等移动端设备的问题,选择YOLOv5s (you only look once version-5s)模型为...随着智能电网的发展,基于计算机视觉的航拍绝缘子缺陷检测被广泛应用于电力巡检,针对深度学习模型对绝缘子自爆缺陷检测精度不高和因模型过大而难以部署到无人机等移动端设备的问题,选择YOLOv5s (you only look once version-5s)模型为基础网络进行改进以提升检测精度,并对改进后网络进行剪枝以轻量化模型。首先,将Si LU激活函数替换为具有更好梯度流的Mish激活函数,以增强网络稳定性;其次,将CBAM (convolutional block attention module)注意力机制融合到主干特征提取网络最后一层,以筛选出更多有用特征;最后,将Transformer编码结构嵌入到C3模块当中,并将YOLOv5s特征融合网络中的C3替换为新的C3TR,以加强高低层网络特征融合能力。对改进后模型采用综合剪枝的方法,分别剪去网络中的冗余通道和卷积核,使模型变得更加轻量化。通过实验验证,在测试集上将所提模型与目前常用模型进行比较,改进后模型检测精度达到97.23%,剪枝后模型大小仅为0.5MB,检测所用时间为1.8ms,浮点运算数为0.61G,能够更好地满足输电线路实时检测的要求。展开更多
文摘为优选小麦粉蛋白质近红外建模校正集,在传统K/S(Kennard/Stone)方法划分的初始校正集基础上采用二进制蜻蜓算法(binary dragonfly algorithm,BDA)挑选代表性样品,建立小麦粉蛋白质含量偏最小二乘回归(partial least square regression,PLSR)模型,并用预测集检验评估模型的稳定性及预测性能。结果表明:BDA挑选出的最佳校正集样品数量为30个,所建模型的预测决定系数(R_(p)^(2))为0.9564,预测标准偏差(root mean square errors of prediction,RMSEP)为0.2781,与传统K/S划分的100个初始校正集的建模效果(R_(p)^(2):0.9388,RMSEP:0.3294)相比,R_(p)^(2)提高了1.87%,RMSEP降低了15.57%。10次BDA实验优选出校正集的平均数量为30.2个,且所建10个模型蛋白质含量预测效果均优于初始校正集建模。综上,BDA算法可以优选出数量少、具有代表性的校正集样品,建立的小麦粉蛋白质PLSR模型稳定性好、预测精度高,可为小麦粉品质近红外检测分析提供一种高效的校正集优选方法。
文摘提出了一种基于格拉姆角场和深度压缩模型的变压器故障识别方法。针对故障样本稀缺和VGG(visual geometry group)网络一般不能直接读取一维数据的问题,首先提出了格拉姆角场变换方法将一维故障样本转换为三维特征图像,并使用数据增强方法进行样本扩充,使其满足故障识别方法的输入需求。进一步,针对VGG网络层数深、参数多以及结构复杂的缺点,提出了一种改进深度压缩模型。使用NiNNet(network in network)网络的全局平均池化层替换VGG网络的全连接层,减少VGG末端网络的层数和参数规模;提出了一种结构化剪枝方法对VGG网络的多层卷积核进行剪枝,进一步减少VGG前端网络的参数规模,实现网络的深度压缩。由变压器油色谱故障数据上开展的数值实验和性能评估结果表明,所提方法在不损失变压器故障识别结果精度的前提下实现了VGG网络的深度压缩和结构简化:此外,深度压缩模型能够有效降低模型存储所需的存储空间和运行所需的计算资源,使其能够应用于体积小、功耗低的边缘计算平台。