基于DTW K-medoids与VMD-多分支神经网络的多用户短期负荷预测

多用户电力负荷预测是指根据历史负荷数据对多个用户或区域的电力负荷进行预测,可使电网企业掌握不同用户或区域的电力需求,以便更好地开展规划和实施调度优化等。然而由于各用户呈现出复杂多样的用电行为,采用传统方法难以进行统一建模并实现快速准确预测。为此,构建了一种基于DTW Kmedoids与VMD-多分支神经网络的多用户短期负荷预测模型。首先,采用DTW K-medoids法进行用户负荷数据聚类,利用动态时间弯曲(dynamic time warping,DTW)计算数据间的距离,取代K-medoids算法中传统的欧氏距离度量方式,以改善多用户负荷聚类的效果;在此基础上,为充分表征负荷历史数据的长短期时序依赖特征,建立了一种基于变分模态分解(variational mode decomposition,VMD)-多分支神经网络模型的并行预测方法,用于多用户短期负荷预测;最后,使用某地区20个用户365天的负荷数据进行聚类、训练和测试实验,结果显示该模型结果的平均绝对误差和均方根误差等指标均较对比模型有较大幅度降低,表明该方法可有效表征多类用户的用电行为,提升多用户负荷预测效率和精度。

基于加权KNN与代价敏感多分支深度神经网络的审计数据异常检测

面对日益提高的审计客观性和不断增长的审计任务,提升审计的效率和质量正成为一种势在必行的趋势。选取电力行业某企业的财务凭证数据为研究对象,针对财务凭证数量多、数据类型多样和数据正负样本比例严重失衡的问题,提出一种基于加权KNN与代价敏感多分支深度神经网络算法。该算法能够有效地缩小核查范围,且得到的支出存在审计疑点的财务凭证中涵盖尽可能多的审计问题,从而更有助于帮助审计人员提高工作效率。通过对比实验,验证了该算法能够有效发现审计疑点及涵盖审计问题,结果优于现有其他方法。

基于多分支门控残差卷积神经网络的短期电力负荷预测

短期电力负荷预测是电力部门进行电网规划和运行调度的重要工作之一,针对负荷数据的时序性特征,为提升电力负荷预测精度,建立了一种基于多分支门控残差卷积神经网络(residualgatedconvolutional neural network,RGCNN)的短期电力负荷预测模型。该模型首先采用多分支门控残差卷积神经网络对历史负荷的周周期特征、日周期特征、近邻特征进行深度特征提取;其次为增加模型的非线性拟合能力,采用注意力机制对权重进一步合理分配;最后通过归一化指数函数计算后输出负荷预测结果。使用2016年某电力竞赛数据进行实验,通过与4种常用模型对比,该模型预测结果的平均绝对百分误差(MAPE)评价指标下降了0.02%~0.70%,验证了该模型提高负荷预测精度的有效性。

基于改进多分支BP神经网络的ZPW-2000A移频轨道电路故障预测研究

ZPW-2000A移频轨道电路是高速铁路普遍使用的轨道电路。文章分析了ZPW-2000A移频轨道电路故障原因,针对该轨道电路设备结构、工作原理和故障特点,提取了5个监测点的参数值作为特征参数,构成多分支BP神经网络的输入样本,输出为5种常见故障,建立ZPW-2000A移频轨道电路故障预测模型,基于D-S融合证据进行决策融合,从而进行ZPW-2000A移频轨道电路故障预测。通过仿真实验验证,改进的多分支BP神经网络的ZPW-2000A移频轨道电路故障预测方法的准确率和计算效率有较大提高。

基于多分支BP神经网络的FTGS轨道电路故障诊断

文章针对FTGS轨道电路故障的原因和特点,提出一种基于多分支BP神经网络的FTGS轨道电路故障诊断方法。该方法通过对BP神经网络进行改进,建立多分支的BP神经网络,用于FTGS轨道电路的故障分类仿真。结果表明,多分支BP神经网络在精度和效率上都比专家系统、基于Agent方法和遗传算法更有优势,可以有效提高FTGS轨道电路故障诊断的准确性和可靠性。

基于多分支BP神经网络的气动肌肉迟滞建模方法

提出了一种基于多分支BP神经网络建立气动肌肉位移/气压迟滞模型的新方法。首先,搭建气动肌肉位移/气压迟滞特性测试系统,得到气动肌肉位移/气压迟滞曲线;然后分别采用传统BP神经网络、多分支BP神经网络和Prandtl-Ishlinskii模型对气动肌肉的位移/气压迟滞开展建模研究;最后通过比较分析发现,采用多分支BP神经网络方法能有效避免传统BP神经网络训练过程中的过拟合现象,且建模精度明显优于传统的Prandtl-Ishlinskii模型;多分支BP神经网络的平均误差、均方差与最大误差相较于Prandtl-Ishlinskii模型减小了87.45%,86.68%与74.73%。

多分支卷积神经网络的FPGA设计与优化

针对拓宽神经网络的结构会导致计算量增大,计算性能降低,需要针对并行的网络进行更有效的优化以及调度。通过分析FPGA平台上实现卷积神经网络的计算吞吐量和所需的带宽,在计算资源和访存带宽的限制下,采用了屋顶模型进行了设计空间的探索,提出了在不同支的卷积神经网络中使用不同的循环展开因子,从而实现同一卷积层中不同支神经网络的并行计算,保证计算资源和内存资源的合理分配。实验结果表明,所提出的设计与先前研究相比获得了1.31×的性能提升。

基于多分支卷积神经网络的视网膜血管分割方法

现有Unet网络分割视网膜血管精度较低,为了更精确地分割出视网膜血管,提出一种基于多分支卷积神经网络的视网膜血管的分割方法。在原有UNet网络模型进行改进,即增加级联结构获取更多信息流,有利于复杂特征的提取,同时提出共享权重残差模块来优化模型。实验在DRIVE数据集上进行验证,实验结果表明所提的网络模型与Unet网络分割结果相比,在准确率、灵敏度等评价指标上均有所提升,显示出更好的性能。

用于说话人识别的密集多分支时延神经网络

时延神经网络是较早应用于说话人识别领域的一类神经网络。为实现更好的识别性能,近年来一些改进工作围绕加深或拓宽其网络结构进行。在对密集连接卷积网络以及多分支网络结构进行研究的基础上,提出一种密集多分支时延神经网络,用以进一步提升小体积模型对说话人特征的提取能力。在使用密集连接实现特征重用的基础上,并行多分支结构能同时对同一输入在不同分辨率下进行特征提取。在VoxCeleb1测试集、VoxCeleb1-H、VoxCeleb1-E上进行测试表明,该网络能在模型参数量较小的前提下实现准确的说话人识别,以便应用在一些存储空间受限的本地说话人识别场景中。

基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法

针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。

基于Wi-Fi感知的多用户身份识别研究

随着无线感知技术的发展,基于Wi-Fi的身份识别研究在人机交互和家居安防等领域备受关注。尽管基于Wi-Fi信号的身份识别已经取得了初步的成功,但是目前主要适用于用户独立行为场景,并发行为下的多用户身份识别仍然面临着一系列挑战,包括用户之间的相互干扰以及模型鲁棒性差等问题。因此,提出了一种并发行为下多用户身份识别系统Wiblack,其核心思想是训练一个多分支深度神经网络(Wiblack-Net)来提取每个单用户的独特特征。首先,利用主干网络提取多用户之间的共同特征;然后,为每个用户分配一个二分类器以此判断给定群体中是否存在目标用户,在此基础上基于并发行为实现多个用户身份识别。此外,将Wiblack与多个独立的二分类模型和单个多分类模型进行对比实验,对运行效率和系统性能进行分析。实验结果显示,在同时识别3个用户身份时,Wibalck平均准确率达到了92.97%,平均精确度为93.71%,平均召回率为93.24%,平均F1值为92.43%。

基于多分支RNN快速学习算法的混沌时间序列预测

针对传统递归神经网络中出现的网络结构与计算复杂性,提出了使用多分支递归神经网络学习算法,并将其应用到混沌时间序列预测领域。首先缩减了部分冗余的分支,只保留了节点与自身之间以及节点与代表以后时刻的节点之间的分支;然后使用规则导数代替惯用的一般偏导数,有助于同时反映权值对目标函数的直接影响和间接影响;最后使学习率根据学习情况进行动态调整,有助于加快学习算法的收敛速度。仿真实验表明,当参数的选取合理时,多分支递归神经网络能够达到较高的性能。

利用3D-RepVGG进行阿尔兹海默症诊断

阿尔兹海默症(AD)临床症状为失忆、失语与丧失行动能力等。AD暂无有效治疗方法,但早期干预已证明有效,因此,AD早期诊断至关重要。针对该问题,基于RepVGG网络架构中的结构重参数化技术,将训练阶段的多分支卷积网络等效转换为预测阶段的单分支卷积网络,获得多分支卷积网络性能高与单分支卷积网络速度快等优点;同时,利用3D卷积引入空间连续信息;最终,成功地将RepVGG网络架构与3D卷积融合,提出3D-RepVGG网络,以实现对AD、轻度认知障碍(MCI)和正常对照组(NC)的诊断。实验数据来自于公开数据库ADNI,原始的磁共振图像(MRI)使用SPM12进行预处理。预处理后数据输入3D-RepVGG进行AD/NC、MCI/NC、AD/MCI、AD/MCI/NC四种分类任务,分别获得了90.38%、85.90%、70.51%、62.50%的准确率。实验结果表明,3D-RepVGG在AD早期诊断任务上能获得较好的诊断结果。