基于多列神经网络的用电行为自诊断技术研究

为了进一步提升电能计量的整体自诊断管理,使用3列相对独立的多列神经网络算法,在有限且不完备数据的基础上,利用全网计量节点提供的上行、下行尖峰平谷计量数据,实现对计量系统故障、用电器配置变更、用户窃电等三大主要可能性做出基于大数据深度挖掘的主动判断。在计量系统故障、用电系统变更、窃电行为影响和总和敏感性方面,该系统较早期方法分别实现了14.3%、83.7%、36.3%、34.8%的计算效能提升,对未来电力计量系统的整体管理效率提升有积极意义。

基于多列深度神经网络的电力负荷预测模型

为了研究新型电力负荷预测方法,设计了一种基于多列深度神经网络的电力负荷预测模型。在离散数据模式下,使用差值法初步治理,通过小波变换提取其时域特征,傅里叶变换提取其频域特征。对负荷形成的时域、频域特征共8组数据进行多列深度神经网络分析,在此基础上进行一次多列神经网络分析,得到最终的叠加三角函数回归方程。通过仿真分析表明,与多项式曲线估计法和深度迭代模糊矩阵法相比,实现了预测数据质量的显著提升。模型适用于电力负荷预测任务。

基于卷积神经网络的人脸识别的研究

人脸识别对于目前许多领域都有重要的作用。深度卷积神经网络模型则是一个有效的神经网络模型,是在训练样本上进行训练,通过训练进行学习,最后获得不错的分类准确率。这个方法的网络结构的设计对效果有影响,文中研究重点在于构建一个网络模型结构使人脸识别最后结果良好。

基于空间维度循环感知网络的密集人群计数模型

考虑目前对具有透视畸变的高密度人群图像进行特征提取的局限性,提出了一种融合全局特征感知网络(GFPNet)和局部关联性特征感知网络(LAFPNet)的人群计数模型LMCNN。GFPNet是LMCNN的主干网络,将其输出的特征图进一步序列化并作为LAFPNet的输入,再利用循环神经网络(RNN)在时序维度上对局部关联性特征感知的特点将单一的空间静态特征映射到具有局部序列关联性特征的特征空间,从而有效地削减了透视畸变对人群密度估计造成的影响。为了验证所提模型的有效性,在Shanghaitech Part A子集和UCF_CC_50数据集上与原子卷积空间金字塔网络(ACSPNet)进行对比,结果表明所提模型的平均绝对误差(MAE)分别至少减小了18.7%和20.30%,均方误差(MSE)分别至少减小了22.3%和22.6%。LMCNN注重空间维度上前后特征的相关性,通过对空间维度特征与单图像内序列特征的充分融合,减小了由透视畸变引起的人群计数误差,能更加准确地预测密集区域人数,提高人群密度回归精度。

选煤厂浮选机自动化控制系统优化设计改造

在协同控制理念下,对选煤厂浮选机自动化系统进行优化设计改造,并分析其控制效率。以浮选机对应的原矿精磨颗粒的给进量、搅拌系统转速、压气流量、上刮板转速、下刮板转速、浮选液加入及回收量等为控制对象,结合选煤厂全系统的仓位控制参数,使用模糊多列神经网络为数据反馈处理方法,对选煤厂浮选机控制系统进行优化改造。发现通过在自动化系统中加强浮选机的协同性,可以有效地提升选煤厂产量并压制成本。

地下金属管线测量与定位技术的发展及应用

为了提升地下金属管线测量定位的精度及效率,该研究引入单天线大功率多波段射频发射天线技术并基于傅里叶变换、模糊多列神经网络大数据分析技术,设计了一种多目标可识别的地下金属管线测量定位设备。该设备可以使用1台设备实现多种地下可励磁结构的识别,且可以判断地下可励磁结构的类型。该设备拥有更高的灵敏度和特异度,且该设备拥有更短的最短探测距离,使其在施工现场的可用性更高。

道路交通标志检测分类方法的研究

研究一种基于多列神经网络支持向量机的道路交通标志检测分类方法。通过在自动驾驶汽车中引入独立嵌入计算机,充分调用全车影像、全车雷达数据,在位图驱动引擎和三维驱动引擎联合作用下使用神经网络模块提取路标信息,进一步构成以支持向量机为核心算法的多列神经网络,对310个交规下标准交通标志牌进行分类识别,研究改进策略。使用超过300万个神经网络节点的该方案较以往方案的识别率有显著提升,但其识别时间较以往方案更长。所以,在ADS技术实现过程中,提升神经网络节点数量、提升车载计算机系统算力,仍是技术突破的主要问题。

考虑异常事件约束的配网故障风险智能预判方法

为了提升电网配网异常事件约束及预警算法效率,将异常事件约束元数据从电网系统负荷数据和电网设备状态数据调整为配网发令系统数据,通过引入模糊神经网络,使用模糊矩阵对数据强制归一化后导入多列模糊神经网络,最终在有针对性的加权规则下得到基于调度法令系统原始大数据的数据预警结果,从而减少异常事件发生,提高对配网故障风险的检出率。在仿真环境下,该配网发令系统测得更高的敏感度和特异度,并具有更高的响应效率,说明在异常事件约束人工智能算法中,配网发令系统数据具有更高的数据挖掘效果,从而能够提前对配网故障风险做出智能判断。

基于改进MCNN的密度图在室内定位中的应用

北京商场购物人群众多,易发生人群拥挤踩踏事故,使得确定高密度人群区域的位置变得至关重要,因此本文引入人群密度图,确定图中人群分布情况,得出室内人群的定位信息。首先将采集的人群视频分割为图像帧,并分成训练集和测试集;然后对训练集图片作人头标签处理,生成地面实况密度图,将其作为改进的多列卷积神经网络算法的训练数据生成模型,并将模型应用于测试集图片生成人群密度图;最后运用Arc GIS对人群密度图与室内平面图作地理配准处理,从而实现对高密度人群的定位。研究结果表明,利用人群密度图确定的高密度区域的位置坐标与实际坐标值基本一致,将人群密度图应用于室内定位是可行的。

基于电价远程下装成功率及时效性预警模型分析

审计工作数据来源的兼容性问题导致无法发现电价下装的相应问题,因此基于多列卷积神经网络算法,构建一种电价远程下装成功率及时效性的预警分析系统,取代之前针对电价下装的电费审计工作流程。经过测算,革新方案较传统方案在敏感性方面有1.86倍的提升,且可以直接得出电价下装相应问题的原因。故认为,基于多列卷积神经网络的电费审计方法,较传统电费审计方法,在发现电价下装问题方面有更高效能。

基于图像处理的城市轨道交通监控系统设计

针对城市轨道交通监控系统中,由于多尺度特征提取精度低,导致乘客拥挤度检测准确率低的问题,提出将多列神经网络与空洞卷积相结合,构建一个基于人群计数的多列空洞卷积神经网络(MPCNet)。此网络采用CNN网络进行深度特征提取;然后以空洞空间金字塔池化(ASPP)为网络提供多尺度感受野,从而进行目标多尺度特征提取。实验结果表明,在Zhengzhou_MT数据集中,提出的MPCNet算法的MAE和MSE估计误差分别为1.5和2.1,均低于传统的MCNN算法和CSRNet算法。且在开发的拥挤度自动检测系统应用效果中,系统可实现轨道交通的可视化展示,可对检测结果进行批量计算,通过折线图现象得到历史数据。由此说明,本算法可对人群多尺度特征进行准确提取,可实现乘客拥挤度有效检测,具备实时性和有效性。