基于多尺度自适应残差卷积神经网络的新能源配电网故障定位技术

随着新型电力系统建设的推进,分布式新能源接入配电网的比例不断提升,使得电网潮流分布更加复杂,对配电网的故障定位要求越来越高,导致现有的故障定位方法准确率低、稳定性差。对此提出一种基于多尺度自适应残差卷积神经网络的新能源配电网故障定位方法。首先,对故障电流使用变分模态分解,得到一系列征模态函数;然后,使用多尺度自适应卷积动态调整卷积核尺寸、残差卷积提升网络学习能力的方式构建多尺度自适应残差卷积神经网络模型,特征学习输入的故障电流本征模态函数;最后,经过Softmax分类器实现故障区段分类,完成故障定位。仿真结果表明,所提方法面对新能源接入的配电网能够实现不同故障的准确定位,并且对高阻接地故障仍然具有较高的准确率。和常见的卷积神经网络、支持向量机相比,配电网故障定位准确率分别提升了5.63%、9.31%,验证了该方法的有效性。

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明:FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。

多维注意力机制神经网络在电力工程数据中的应用研究

针对当前电力工程数据分析处理过程中过于依赖人工且数字化程度较低的问题,文中基于改进的神经网络结构,提出了一种电力工程数据分析算法。该算法对基础卷积神经网络进行了改进,并利用多尺度卷积核增强了神经网络的感知野。而对于多尺度神经网络收敛速度慢的问题,在粗细尺度网络之间加入了残差网络,同时通过加入多维时空卷积注意力机制增强了数据的编码能力,进一步提高了模型的收敛速度。仿真测试结果表明,由迭代实验确定出最佳迭代次数后,所提算法的平均预测准确率和运行时间分别为97.5%及38.2 s,在对比方法中均为最优,综合性能较为理想,可以实现对电力工程数据的合理分析与准确预测。

基于多尺度特征残差学习卷积神经网络的视频超分辨率方法

本文提出了一种基于多尺度特征残差学习卷积神经网络的视频超分辨率方法,考虑到视频帧之间的时空相关性,所提的方法采用由双三次插值预处理后的连续五帧视频作为卷积神经网络的输入,经由网络重建中间帧作为输出,依次按顺序重建,直至获得整个高分辨率视频。本文所提出的卷积神经网络主要由多尺度特征提取、残差学习、亚像素卷积层、残差连接(skip-connection)四大部分组成,通过对视频的多尺度特征提取,获得更丰富的不同尺度特征,结合残差学习以更好地恢复高频信息。实验结果表明,本方法在峰值信噪比(PSNR)和结构相似性指数(SSIM)平均评价指标上较其他方法均有一定的提升(PSNR+3.151 dB,SSIM+0.102),从主观评价上看可以有效地减少视频边缘模糊的现象。

通道门控Res2Net卷积神经网络自动调制识别

针对低信噪比条件下自动调制识别准确率不高的问题,提出了通道门控Res2Net卷积神经网络自动调制识别模型。该模型主要由二维卷积神经(Two-dimensional Convolutional Neural Network,2D-CNN)网络、多尺度残差网络(Residual 2-network,Res2Net)、压缩与激励网络(Squeeze-and-Excitation Network,SENet)和长短期记忆(Long Short-Term Memory,LSTM)网络组成,通过卷积从原始I/Q数据中提取多尺度特征,结合门控机制对特征通道进行权重调整,并利用LSTM对卷积所得特征进行序列建模,确保数据特征被有效挖掘,从而提升自动调制识别的准确率。在基准数据集RML2016.10a下的调制识别实验表明,所提模型在信噪比为12 dB时识别精度为92.68%,在信噪比2 dB以上时平均识别精度大于91%,较经典CLDNN模型、LSTM模型和同类型PET-CGDNN模型、CGDNet模型能取得更高的调制类型识别准确率。

基于多尺度卷积神经网络的图像去噪方法研究

应用传统方法对图像去噪处理后,图像的峰值信噪比仍旧比较低,文章提出了基于多尺度卷积神经网络的图像去噪方法。以多尺度卷积神经网络为架构,由去噪模块与边缘模块组建成多尺度卷积神经网络去噪模型,利用残差学习法对模型进行训练,并利用寻优迭代算法对代价函数进行求解,利用训练好的去噪模型对图像进行多尺度卷积计算,根据噪声真值对图像平滑处理,实现图像去噪。通过实验证明,本次设计方法去噪后图像噪声有了明显降低,峰值信噪比高于传统方法。

基于空洞卷积和增强型多尺度特征自适应融合的滚动轴承故障诊断

传统卷积神经网络(CNN)在识别故障类型时存在从原始振动信号中提取特征不足以及提取特征过程中需要更大的感受野以充分捕获信号的时间相关性的局限.针对轴承振动信号固有的多尺度特征,提出基于空洞卷积和增强型多尺度自适应特征融合的模型(DC-MAFFM).利用空洞卷积的大感受野提取信号特征,同时引入残差连接来减少卷积层上的信息损失,从而有效过滤信号中的噪声;设计改进的多尺度特征提取模块,在不同尺度上捕获互补的诊断特征,同时在各层都进行不同尺度特征融合,充分学习信号的高频和低频特征;利用提出的特征自适应融合模块对不同尺度的特征自适应赋予权重,增强判别特征学习的能力.在2个轴承数据集上进行验证,结果表明所提模型在噪声和变工况下有较强的诊断能力.在强噪声情况下,故障诊断准确率分别达到88.08%和75.56%,与其他方法相比有显著优势.

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。

基于多尺度多任务卷积神经网络的人群计数

在智能监控领域,实现人群计数具有重要价值,针对人群尺度不一、人群密度分布不均及遮挡等问题,提出一种多尺度多任务卷积神经网络(MMCNN)进行人群计数的方法。首先提出一种新颖的自适应人形核生成密度图描述人群信息,消除人群遮挡影响;其次通过构建多尺度卷积神经网络解决人群尺度不一问题,以多任务学习机制同时估计密度图及人群密度等级,解决人群分布不均问题;最后设计一种加权损失函数,提高人群计数准确率。在UCF_CC_50和World Expo'10数据库上进行了评估,验证了自适应人形核的有效性。实验结果表明:所提算法比Sindagi等的方法 (SINDAGI V A,PATEL V M. CNN-based cascaded multi-task learning of high-level prior and density estimation for crowd counting. Proceedings of the 2017 14th IEEE International Conference on Advanced Video and Signal Based Surveillance. Piscataway,NJ:IEEE,2017:1-6)在UCF_CC_50数据库上平均绝对误差(MAE)数值和均方误差(MSE)数值分别降低约1. 7和45;与Zhang等的方法(ZHANG Y,ZHOU D,CHEN S,et al. Single-image crowd counting via multi-column convolutional neural network. Proceedings of the 2016 IEEE Conference on Computer Vision and Pattern Recognition. Washington,DC:IEEE Computer Society,2016:589-597)相比,在World Expo'10数据库上所提算法的MAE值降低约1. 5,且在真实公共汽车数据库上仅0～3人的计数误差,表明其实用性较强。

基于多尺度卷积神经网络的短期电力负荷预测

为了提高电力系统短期负荷预测的准确率,提出了一种基于深度学习技术的多尺度信息融合卷积神经网络(MS-ConvNet)模型.引入了全卷积网络结构和因果逻辑约束增强时间序列特征表达;利用多尺度卷积提取不同长度时域数据相互关系来获取更加丰富的序列特征;并设计残差网络结构增加网络深度,以增加输出神经元的接受域并提升预测精度.仿真结果表明,MS-ConvNet模型的准确率及稳定性优于多层感知机、长短期记忆网络及门控循环单元网络,说明该模型在电力负荷预测方面具有良好的应用前景.

基于卷积神经网络的多尺度注意力图像分类模型

为解决传统的图像分类方法精度低的问题,该文提出了一种基于卷积神经网络的图像分类网络模型。首先,提出了一种基于注意力机制的特征注意力模块(FAM),提取不同权重的图像特征。然后,提出了基于FAM的多尺度注意力卷积神经网络(MSACNN),通过3个FAM块提取不同尺度下的精确的图像特征进行分类。将MSACNN与3种典型的卷积神经网络LeNet-5、AlexNet以及残差网络(ResNet)在MNIST数据集上进行了对比,结果表明,MSACNN的分类精度和稳定性效果最好。

基于深度卷积神经网络的运动模糊去除算法

为了提高图像去模糊的复原效果和处理速度,提出了基于深度卷积神经网络的运动模糊去除算法。以多尺度图像为依据,构建了基于自动编码器的网络模型。在扩大感受野方面,采用空洞卷积模块提取图像多尺度特征信息,采用残差模块拓宽网络深度,以解决训练过程中图像细节丢失的问题,实现了图像的端到端运动模糊去除任务。在GOPRO数据集和真实测试集上的实验结果表明,该文算法在参数量仅为3.24×106的情况下的峰值信噪比(PSNR)和结构相似性(SSIM)指标分别为28.53和0.9141,运行时间为0.3 s。

基于深度神经网络的单幅图像盲去噪算法

针对大多去噪网络仅在合成噪声去噪任务上表现良好,且只从单一尺度上提取特征,不能够更好的重构出干净的图像等问题,本文提出了一种多尺度特征融合的真实噪声图像盲去噪算法。该算法的横向网络结构利用自适应密集残差块提取同一尺度的丰富特征,并且有选择性的增强信息量大的特征,纵向网络结构利用金字塔层与编-解码器进一步获得不同的感受野,实现多尺度特征提取,横向同一尺度的特征与纵向不同尺度的特征充分融合更有利于噪声去除,保留图像的边缘细节。在真实噪声测试集(DND和SIDD)上对提出的网络进行评估,峰值信噪比(PSNR)分别为39.62和39.49,结构相似性(SSIM)分别为0.956和0.954。实验结果表明,本文提出的网络取得了更加优越的性能表现。

改进残差神经网络在遥感图像分类中的应用

针对传统卷积神经网络随着深度加深而导致网络退化以及计算量大等问题,提出一种改进残差神经网络的遥感图像场景分类方法。该方法以残差网络ResNet50作为主框架,在残差结构中引入深度可分离卷积和分组卷积,减少了网络的参数量和计算量,加快模型收敛的同时也提升了分类精度。此外在网络中嵌入多尺度squeeze and excitation block模块对通道特征进行重校准,提取出更加重要的特征信息,进一步提升了网络的分类性能。在航空图像数据集(aerial image dataset,AID)和UCMerced_Land Use两个公开数据集上的分类精度分别为91.92%和93.52%,相比常规残差网络分类精度分别提高了3.38%和10.24%,证明所提方法在遥感图像场景分类任务中的可行性和有效性。

基于二叉树型卷积神经网络信息融合的人脸验证

近年来卷积神经网络(CNN)在人脸识别领域有着显著的进步,但是这些卓越的方法是建立在大规模数据、更深和更宽的网络、复杂的算法的基础之上,而且还需要长时间的训练。为此结合深度残差网络提出了一个二叉树型信息融合网络模型。首先,在CNN的每个卷积层的输出特征图后引出两个卷积分支,产生两组特征图,再与父节点的一组特征相融合,然后通过激励函数输出。这种分支的融合可以使特征图的数量降低,在向前传播的过程中减少一定的信息冗余,而且也减少了网络参数的数量。第二,网络设计中通过随机翻转、随机裁剪、添加高斯噪声来增强数据,在算法优化阶段采用适应性动量估计法(Adam)以更快达到最优结果。实验结果表明,该方法在只有6.7万张的人脸数据集上达到野外标记的人脸(LFW)数据集上95.5%的正确率。所提算法在较少数据量、简单操作上取得较好的性能。

嵌入注意力机制的卷积神经网络水声目标识别

针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scale Residual CNN with Attention, MR-CNN-A)进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明:对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。

基于卷积神经网络改进的图像自动分割方法

针对图像序列三维重建中多视角目标分割需要人工参与、任务繁重的问题,提出一种基于卷积神经网络改进的图像自动分割方法。首先将序列图像去噪处理、归一化并进行语义标注后制作数据集;然后对改进的融合多尺度特征和残差连接的卷积神经网络进行训练,得到优化后的卷积神经网络分割模型;最后将预分割图像加载到优化的分割模型中得到归一化的掩码图,再利用三次样条插值法将其恢复分辨率后与原图作自定义的掩码操作得到高清分割结果。以主流分割软件Photoshop分割结果为参考标准进行对比,实验结果证明,该方法的准确率与参考标准接近,而且可实现批量自动分割,能较好地解决三维重建中目标分割任务繁重的问题。

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。根据低压串联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。针对串联电弧故障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。之后,为了不增加时间开销,同时改善模型的识别效能,使用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。最后,利用容器封装已训练好的故障识别模型,实现故障信息的快速分析。验证表明,所提方法对串联电弧故障的识别率达到99.95%,具有良好的识别效果。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。