基于多维特征提取的资源数据识别与校核算法

针对现有资源数据异常识别与智能校核算法准确性和可靠性差的问题,设计了一种基于多维特征提取的资源数据识别与校核算法。该算法以多维指标数据作为输入,通过加权随机算法构建初始孤立森林,再以平方预测误差(SPE)统计量作为判据,实现孤立森林的冗余消除,进一步采用离散粒子群算法优化选取最优子森林,从而实现对异常数据的智能高效检测。基于人力资源数据进行的算例分析测试结果表明,所提RRA-DPSO-WRIF算法的异常数据识别准确率可达95%,多次计算的偏差在2%以内,相比传统算法具有更高的检测准确率与稳定性,能够为人资数据的管控提供决策支撑。

一种基于多维特征提取的知识化制造系统故障监测方法

为了减少对知识化制造系统生产故障的误诊和漏诊,本文首先提出了一种新的基于多维特征提取的故障监测方法,该方法先对采集的信号进行多维特征提取,再通过归纳学习建立设备的正常状态空间,并以此来判断设备的故障状态。然后,提出一种故障误判概率控制方法。通过多维特征提取和误判概率控制,可以很好地减少对故障的漏判和误判。仿真实验证实了该故障监测方法的有效性。

视觉传达系统平面图形元素多维化融合方法研究

现有的视觉传达系统中,图形元素融合效果不佳,且耗时较长。为此,提出一种视觉传达系统平面图形元素多维化融合方法。设计视觉传达系统框架,对系统中图形元素融合部分做出具体分析。采用SIFT特征描述子提取平面图形元素多维特征;通过计算特征点对的转换矩阵,完成图形元素特征配准;配准后,基于窗口的方法,将图形元素划分为不同的能量区域,选取出能量最大的区域,将该区域像素作为待融合图形元素像素值,实现融合处理。实验结果表明,所提方法具有较好的图形元素融合效果,且相较于其他方法,融合耗时较短。

基于多维负荷特性挖掘的电力特殊用户用电行为分析

深度探索社会治理角度下电力大数据的应用场景,可为政府数字化开展社会民生工作提供辅助决策。独居老人作为特殊电力用户群体,当前缺乏有效技术识别手段,提出一种基于多维负荷特性挖掘的电力特殊用户用电行为分析方法。首先,基于负荷曲线构建用电行为特征指标,利用互信息值对其增添权重以降低指标设置的主观性,同时结合卷积块注意神经网络模型对独居与非独居老人的负荷数据进行特征提取,获取能表征两类居民用电行为的多维负荷特征向量。其次,利用β-级联森林模型对向量进行自适应表征学习,解决了在分类过程中存在样本不平衡问题,提升模型识别性能。最后,以浙江省某小区居民用户为例验证,并对独居老人进行用电行为监测,结果证明了所提方法样本规模较小且在样本不平衡的数据上具有良好的识别性能。

基于双分支特征融合的电力设备缺陷文本挖掘方法

针对电力设备缺陷文本信息的知识挖掘与分析任务中存在缺陷文本特征信息提取不足、缺陷文本分类精度不够的问题,提出一种基于BERT(bidirectional encoder representations from transformers)的双分支特征融合的电力设备缺陷文本分类模型。首先,对缺陷文本数据进行预处理,删除异常缺陷文本,并归纳了电力设备缺陷文本特点;然后,采用BERT模型作为文本编码器,将文本转化为向量后分别输入至BiLSTMAttention(attention-based bidirectional long short-term memory)模块和多分支CNN(multi-scale convolutional neural network,MCNN)模块,提取缺陷文本语义信息特征和局部关键信息特征;最后,将所提取出的语义特征和多维关键特征向量进行融合,并通过Softmax层实现对缺陷文本分类。与基准模型BERT-BiLSTMAttention相比,其准确率、召回率及F1值分别提高了2.76%、3.58%和4.39%,表明所建模型在缺陷文本分类任务中性能的优越性。

基于几何参数特征与决策树支持向量机的猪只姿态分类

为了研究分类与猪只行为及精神状况相关的姿态,试验提出了一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法,首先根据猪只行为学特征并借鉴前人的研究成果选择5种相关的姿态,包括躺卧、侧面抬头站立、侧面低头站立、侧面平视站立以及正面站立,并以此建立猪只姿态样本库,再针对所研究姿态的图像形状特点,提出利用圆形度、高宽比、伸长度、质高比、质左比、质心左右比、最高点左右比、左(右)夹角余弦与左(右)抬头度11个几何参数特征作为描述姿态的图像特征,最后利用决策树支持向量机(DT-SVM)进行猪只姿态分类。结果表明:与1-V-1多分类支持向量机(1-V-1 SVM)与Ada Boost分类算法相比较,DT-SVM的分类精度较高,耗时较短。说明所选取的特征可以有效地描述猪只姿态。

基于MEFE和GN-CNN的低压台区用户用电行为分析方法

针对电力系统用户侧用电行为复杂、分析困难的问题,提出了一种基于多维增强特征提取(multi-dimensional enhanced feature extraction,MEFE)和群组归一化卷积神经网络(group normalization convolutional neural network,GN-CNN)的低压台区用户用电行为分析方法。首先,利用MEFE构建了基于用电用户的平均日用电量曲线、周内相邻天用电量皮尔逊相关系数和增强夜间用电量的增强型用户用电行为特征;其次,建立了一维GN-CNN的用户用电行为识别模型,实现了用户用电行为准确识别;最后,以江苏泰州某台区96点用电信息采集数据为输入,开展模型优化及方法对比试验,用电行为识别准确率为96.4%,可以为低压台区的电力调度、负荷预测、安全性评估等提供数据支撑。