非结构化网格下海洋流场的特征提取与种子点选取算法

对于非结构化网格流场数据,现有研究存在不能定位流场中临界点的具体位置、无法对临界点精细分类以及缺乏适用于非结构化网格的种子点选取算法等问题。针对上述问题,基于非结构化网格流场数据,分别在临界点提取和种子点选取方法上进行改进创新。提出非结构化网格中临界点的定位及分类方法,通过庞加莱指数法判断存在临界点的三角网格。构造质心迭代法定位临界点在网格中的准确位置,并设计三角网格内雅克比矩阵的构造方法,将临界点精细分类。基于非结构化网格提出基于最大得分和网格密度的种子点选取算法,先比较相邻格点的标量值大小来计算每个格点的得分,形成“最大得分”标量场,再按照网格密度动态设置阈值,将得分大于阈值的格点选为种子点,接着以种子点为起始点生成流线,生成的流线可以表达出流场的关键特征与全局信息。基于多个海域流场数据的实验结果表明,临界点分类的准确率可达99%以上,证明了临界点提取算法的准确性以及种子点选取算法对提升流场可视化效果的有效性。

多特征加权图卷积网络的情感三元组抽取方法

方面级情感分析(aspect-based sentiment analysis,ABSA)旨在识别文本中用户对于特定方面所表达的观点信息,涉及方面词、意见词、情感极性等多种元素.现有研究大多关注独立任务,忽略了各元素间的特征交互,存在错误传播问题.基于多特征加权图卷积网络提出的情感三元组抽取方法将多个子任务联合建模;采用双仿射注意力模块捕捉词对间的关系概率分布,将文本语义、句法、位置等先验信息编码为多特征向量;利用图卷积操作实现多特征融合,最终实现方面术语-意见术语-情感极性的联合抽取.基于两组基准数据集进行评估实验,实验结果表明,多特征加权图卷积网络的情感三元组抽取方法有效缓解了流水线方法错误传播的状况,提升了三元组各元素间的特征交互,处理三元组抽取任务的能力显著优于现有基准模型.

基于计算智能的电力数据智能分析及应用研究

为了提升智能电网负荷预测准确率,提出了一种基于深度学习的短期电力负荷预测模型。在长短时记忆网络和卷积神经网络基础上,构建混合CNN-LSTM预测模型结构。利用基于叠加卷积降噪自动编码器对电力数据进行特征提取,提出包含2个堆叠的LSTM层和1个线性输出层的负荷预测模型。24 h短期负荷预测结果表明,所提模型MAE、RMSE、MAPE和R2指标分别为232.08、292.19、0.0322、0.909,与XGBoost模型相比,性能分别提升74.8%、73.8%、70.8%和10.9%。

遥感影像路径规划中A*算法优化研究

针对在高分辨率遥感影像上进行路径规划时所面临的算法搜索范围大,效率低且转折点较多等问题,提出一种基于A*算法的全局路径规划算法。在原始A*算法的启发函数部分引入余弦函数,减少冗余节点的搜索过程,缩小算法搜索节点的范围,提升算法运行效率;设计拐点优化方案,减少规划路径中不必要的拐点数,提升路径规划结果的平滑性。为验证改进方法的有效性,在Matlab软件中进行仿真实验,分析原始A*算法和改进后A*算法的搜索节点范围与路径中拐点数量,并在遥感影像的二值地图中进行真实路径规划对比实验,分析路径长度与运行时间。实验数据表明,改进后算法的扩展节点减少30%以上,非必要拐点数减少35%以上,路径规划长度缩短10.1%,运行时间减少10.7%,提升了寻求最优路径的效率。

融合方面语义和网格标记的多语言意见元组抽取

面向方面的细粒度意见抽取(Aspect-oriented Fine-grained Opinion Extraction,AFOE)任务的目的是以意见对的形式抽取文本评论中的方面和意见词或者再抽取情感极性,形成意见三元组。以往的研究通常以管道方式抽取意见元素,容易出现错误传播的问题,而且大多数只关注方面词和意见词的单个子任务抽取,忽略了不同意见元素之间的相互影响和指示信息,导致意见挖掘任务不完整。此外,面向中文的意见元素抽取任务的研究较少。针对以上问题,文中提出了融合方面语义和网格标记的多语言意见元组抽取模型。首先,使用向内LSTM(Inward-LSTM)和向外LSTM(Outward-LSTM)编码方面词及其对应的上下文信息建立方面和候选意见词的关联,再结合全局信息生成特定方面语义特征的上下文表示,有利于提高下游意见元素抽取的性能。其次,使用网格标记方案的推理策略,利用方面和意见词之间的依赖指示信息进行更准确的抽取,以端到端的方式处理AFOE任务。相比基线模型,对于方面意见对抽取任务,改进的模型在中英文数据集上的F1值提高了0.89%~4.11%,对于三元组抽取任务提高了1.36%~3.11%,实验结果表明,改进的模型能有效地对中英文评论的意见元素进行抽取,性能显著优于基线模型。

基于锚框的远距离多尺度红外目标跟踪技术

在红外目标跟踪过程中,由于目标距离和视角的变化,红外目标的成像面积通常很小,使得红外图像中缺乏足够的像素信息,无法准确提取目标的特征,增加了目标跟踪的难度。因此,提出基于锚框的远距离多尺度红外目标跟踪技术。利用编码的方式对应追踪框图与真实框图,得到目标框中心坐标值。为保证计算的精准度,通过设定特征融合阈值判定提取信息与真实信息较高的重叠度,并按照锚框的边缘、中心以及顶点坐标对应划分像素网格,根据特征值输出分类输出向量,完成红外目标特征提取。由此采用损失函数给出锚框、目标框、实际框的类别损失以及候选框等不同类别损失函数,按照不同点在网格中的体素值,以编码形式逐一对比候选框和真实框数据,通过迭代实现远距离多尺度红外目标跟踪。实验结果表明,所提方法对远距离多尺度红外目标的识别效果较好,查全率曲线基本保持在0.9以上。说明所提方法具有良好的远距离多尺度红外目标跟踪效果。

基于CRS-LMD和SVD的MMC-HVDC线路故障测距方法

直流输电线路故障行波波速不确定、波头提取困难以及噪声干扰等因素制约了直流电网中故障测距技术的应用。为了降低上述因素对定位准确性的影响,提出一种基于局部特征有理样条插值均值分解(LMD based on characteristic rational spline,CRS-LMD)和奇异值分解(singular value decomposition,SVD)的故障测距方法。首先,利用特征尺度选取最优极点系数,结合有理样条插值调节拟合曲线的松紧程度,实现对故障电压行波的局部均值分解。其次,采用奇异值分解对故障行波波头进行准确提取。最后,在PSCAD/EMTDC中搭建了张北±500 kV柔性直流电网的仿真模型,模拟各种故障情况并输出故障数据,利用Matlab对故障数据进行处理并验证定位算法。最后,仿真结果表明,所提故障测距算法在不同故障距离和故障类型下均能实现故障测距,且在叠加噪声和过渡电阻的情况下也能保障较高的精确性。

不同林分密度时激光雷达点云数据单木分割及参数提取

为了准确高效提取人工林结构参数,以晋西黄土区蔡家川流域人工油松林为研究对象,利用30块样地的激光雷达点云数据和样地实测数据,通过改变点云距离判别聚类算法的格网值和调整分水岭算法的冠层高度分辨率的方法,对比分析关键参数对单木分割的敏感性,探求点云距离判别聚类算法和分水岭算法对树高提取精度的最优参量。结果表明:(1)点云距离判别聚类算法单木提取的召回率为87.3%、准确率为86.0%、调和值为86.7%,优于分水岭算法(召回率为83.0%、准确率为83.8%、调和值为83.4%)。(2)点云距离判别聚类算法分割单木的敏感性,采用最小冠幅1/5的格网值,其召回率为87.3%、准确率为86.0%、调和值为86.7%,分割精度最高。分水岭算法分割单木的最优关键参量随林分密度不同而变化,当林分密度≤3600株/hm^(2),采用冠层高度分辨率0.3 m时,分割效果最优,其召回率为78.9%、准确率为85.2%、调和值为81.9%;当林分密度≥3700株/hm^(2),采用冠层高度分辨率0.2 m时,分割效果最优,召回率为87.2%、准确率为82.5%、调和值为84.8%。(3)分水岭算法提取树高精度(决定系数为0.88,均方根误差为0.93 m)优于点云距离判别聚类算法。

基于知识图谱技术的电网项目数据关联分析

为解决电网项目数据关联难度大的问题,提出了基于知识图谱技术的电网项目数据关联分析。分析了历史项目特征提取和新增储备项目特征提取方法,论述了基于规则的信息抽取和基于序列标注的信息提取方法,以及电力项目知识图谱的基本构成和构建方法,提出了项目多维关联分析平台,论述了分析方法和分析流程,并提出了系统网络结构,结合实际应用说明了所提系统的应用效果。

DTM三角形格网数学形态学变换的生成方法

三角形格网是描述数字地面模型地形状态的重要工具,为生成高精度的三角形格网,提出一种基于数学形态学变换的DTM三角形格网生成方法。运用自动扫描线填充定位格网点,推算扫描行开始行号与终止行号,挖掘扫描行和三角形边界的交点,输出规则格网点三角形定位信息;将区域离散点密度、邻近离散点距离均值和边界三角形最大长度作为约束条件,划分数学形态学变换中的结构要素,利用腐蚀、膨胀运算处理图像信号数据,获得信号波形和结构要素对相似水平,提取DTM模型图像的外轮廓线;随机设置插入点,分割全部离散点数据形成大小适中的格网,连接插入点和三角形顶点生成格网。仿真结果表明,所提方法能准确获取格网细节特征,输出高质量三角形格网模型。

基于车载激光扫描点云数据的杆状地物提取方法研究

杆状物作为道路场景中重要的公共设施,研究如何对其进行自动化精确分类十分重要。本文基于车载激光扫描点云数据,提出一种基于聚类的杆状物自动提取方法。主要实现步骤为:首先,对原始道路车载激光点云数据进行水平面投影并构建格网,以格网为单位进行地物点提取;其次,基于格网对地物点进行聚类;最后,以聚类结果的单个点云块为处理单元,根据地物的空间表达特征实现杆状物的精细提取与分类。为了对本文提出杆状物方法的有效性进行检验,使用实测道路点云数据进行实验,并将杆状物提取结果与人工提取结果进行对比,结果表明,灯杆与行道树均取得较高的探测率,证明了算法的正确性与优越性。

基于暂态负载大数据的光伏并网异常智能告警算法

光伏并网异常智能告警目前受限于静态数据,导致告警准确性低。为此,文章提出基于暂态负载大数据的异常智能告警算法。该算法通过构建暂态负载监测数据采集模型,提取中心权重向量并描述电力负荷变化,采用自回归过滤和时序特征子序列变换(Time Series Shapelet Transform,Shapelet,TSSTS)处理数据,提取时序轨迹特征,并基于卷积神经网络构建异常分级告警结构,实现深度学习并准确输出告警结果。实验结果显示,该算法的曲线下面积(Area Under the Curve,AUC)值高达0.96,满足光伏并网异常检测要求。

多特征交互的方面情感三元组提取

方面情感三元组提取是方面级情感分析的子任务之一,旨在提取句子中的方面词、其对应的意见词和情感极性。先前研究集中于设计一种新范式以端到端的方式完成三元组提取任务。然而,这些方法忽略外部知识在模型中的作用,没有充分挖掘和利用语义信息、词性信息以及局部上下文信息。针对上述问题,提出了多特征交互的方面情感三元组提取(MFI-ASTE)模型。首先,该模型通过BERT预训练模型学习句子中的上下文语义特征信息,并使用自注意力机制加强语义特征;其次,使语义特征与所提取到的词性特征交互,二者相互学习,加强词性的组合能力与语义信息;再次,使用多个不同窗口的卷积神经网络提取每个单词的多重局部上下文特征并使用多分门控机制筛选这些多重局部特征;然后,采用双线性层融合提取到的三类外部知识特征;最后,利用双仿射注意力机制预测网格标记并通过特定的解码方案解码三元组。实验结果表明,该模型在四个数据集上的F1值比现有的主流模型分别提升了6.83%、5.60%、0.54%和1.22%。

基于BERT模型的电网基建工程知识图谱特征提取方法

由于电网基建工程涉及因素较多,导致在对其知识图谱特征进行提取时,F1值难以得到保障,为此,本文章提出基于BERT模型的电网基建工程知识图谱特征提取方法研究。以RDF模型为基础,构建了以三元组为基本单元的电网基建工程知识图谱模型;通过关系(即边)之间的联系,实现对电网基建工程知识图谱目标特征的有效提取。在测试结果中,设计方法对于不同特征,对应的提取结果F1值基本稳定在0.90以上,最大值达到了0.94,与对照组相比,在稳定性和有效性方面具有较为明显的优势。

基于数据挖掘算法的电网调度信号异常数据提取方法

在获取电网调度信号后,大多采用传统深度置信型辨识制度提取异常数据,只能获取低维数据包含的异常信息参量,使得最终数据提取结果曲线下面积(AUC)值较低。因此,为了提高电网调度信号异常数据提取结果的AUC值,提出基于数据挖掘算法的电网调度信号异常数据提取方法。应用独立成分分析算法处理电网调度信号,去除信号中的噪声信息。并对去噪后的信号进行小波分解,得到多个子信号数据集。运用数据挖掘算法中的聚类算法分析子信号数据集,得到数据样本特征,并在考虑属性特征密度指标的情况下完成数据特征分类,获取异常数据特征。最后,在支持向量数据描述的辅助下,检测出电网调度信号异常数据,汇总这部分数据即可完成异常数据提取。实验结果表明,所提方法应用后得到的异常数据提取结果AUC值总是大于0.85,证明了其具优越的应用效果。

基于知识图谱的语义融合模型构建方法研究

知识图谱具有良好的指标描述性能与解释能力。为了有效分析数字电网的业务全生命周期数据、形成以知识为导向的新型电网运维管理模式,开展了基于知识图谱的语义融合模型构建方法的研究。首先,构建基于物联网的电网数字模型,汇总数字电网信息。其次,针对数字电网,采用Protégé软件,通过七步法构建数字电网本体。最后,基于本体,采用自顶向下的方式生成知识图谱。基于上述建模方法,将知识图谱与模式识别相结合,设计一套语义提取框架。根据数字电网模型信息(图像、声音、文本等)提取的原子概念检测本体,推理出更高层次的复合语义特征。基于所获取的语义特征,结合知识图谱,试点数字电网信息语义融合,为推动统一模型的构建提供实践参考。

一种基于注意序列到序列门控循环单元的风力发电预测模型

针对现有风力发电预测精度低的问题,提出一种改进的注意序列到序列门控循环单元(attention sequence-to-sequence gated recurrent unit,ASSGRU)的风力发电预测模型。该模型为典型的多输入多输出(multiple input multiple output,MIMO)模型,并基于注意力机制选择重要特征,从而提高风力发电预测的精度和稳定性。通过中国某电力公司发布的风电数据集对提出的预测模型进行验证。与自适应小波神经网络(adaptive wavelet neural network,AWNN)、K均值聚类的前馈神经网络(k-means-feedforward neural network,K-FNN)和长短时记忆(long short-term memory,LSTM)等模型相比,所提模型均方根误差变异系数(coefficient variation of root mean square error,CV-RMSE)、平均绝对百分比误差(mean absolute percent error,MAPE)以及归一化均方根误差(normalized root mean square error,NRMSE)等指标更优,从而验证了所提模型的可行性和有效性。该模型对混合智能电网智能化服务及新能源调度规划具有一定借鉴作用。

基于混合深度学习的短期风电预测研究

针对现有风电预测精度低的问题,提出了一种基于IEMD和混合深度学习模型的超短期风力发电预测模型。首先,提出基于IEMD对原始风电数据进行分解,从而分解出电力高频、中频、低频及其趋势特征。其次,基于最小二乘支持向量机对电力中频、低频及其趋势特征进行预测,并基于LSTM网络预测风电高频特征。最后,根据特征叠加规则,获得最终预测结果。实验阶段,以中国某电力公司发布的风电数据集进行实验,所提模型MAPE、MAE、RMSE等指标更优,实验结果验证了所提模型的可行性和有效性。该模型为混合智能电网智能化服务以及新能源调度规划的应用发展提供了一定借鉴作用。

基于改进mSDFT算法的谐波信号提取方法

提出了一种改进mSDFT算法,该算法通过分解传统mSDFT算法的传递函数内含的梳状滤波器的结构,保留梳状滤波器中特定的零点,用于提取电网信号中指定次谐波,其余零点组成单独因子,用于指定次谐波频谱的幅值校正和相位校正。分解梳状滤波器的结构后,梳状滤波器中包含的零点减少,从而降低了算法的瞬态响应的延迟。进一步阐述了改进mSDFT算法的原理并完成了公式推导,仿真结果表明:该算法能够在谐波信号发生突变的情况下,快速跟踪提取出变化后的谐波信号,瞬态响应的延迟由10^(-2)s量级降低为10^(-3)s量级,同时具有无累计误差和稳定的优点。

大熊猫生境评估系统的设计与实现

"5.12"汶川地震导致川西高原生态环境严重破坏,为了科学、快速、实时地对川西高原大熊猫栖息地进行评估,以景观生态学和空间分析为理论基础,利用VB.NET平台和ArcEngine工具设计、实现了大熊猫生境评估系统,并提出了基于栅格数据提取适宜面积核心斑块和潜在廊道的方法.该系统良好的交互性可方便用户实现生境评估与保护区景观格局设计,为保护大熊猫生态环境提供决策支持.