考虑双尺度相似性的负荷曲线集成谱聚类算法

负荷聚类可以依据形态特性差异对负荷曲线进行归类,实现用户用能行为规律分析,为需求侧响应、电网客户服务等提供重要的决策信息。文中提出一种考虑双尺度相似性的负荷曲线集成谱聚类算法。首先,为了克服欧氏距离在负荷特性相似程度度量上的局限,基于负荷差分向量的余弦距离实现负荷形态变化的相似性度量,提出一种双尺度相似性度量方式;然后,基于双尺度相似性与谱聚类算法,建立差异化基聚类模型;最后,依据聚类评价指标自适应计算基聚类模型权重,以加权一致性矩阵与谱聚类实现聚类集成。算例结果证明,所提方法可有效挖掘负荷形态特性差异,在不同数据集中性能表现稳定,具有显著的聚类有效性和鲁棒性。

基于双尺度相似性和改进DBSCAN算法的低压配电台区相序识别方法

针对低压配电台区智能电表采集的数据质量不高,且用户间电压相似度差异不明显导致相序识别结果较差的问题,提出一种基于双尺度相似性和改进的基于密度的噪声应用空间聚类(density-based spatial clustering of application with noise, DBSCAN)的低压配电台区相序识别方法。首先,考虑低压配电台区用户数据缺失的情况,提出基于矩阵补全的数据处理方法,以解决数据缺失对相序识别精度造成的不利影响;其次,提出了一种双尺度相似性度量方法,先采用欧氏距离来度量电压曲线的整体分布特征,再使用一阶差分和动态时间弯曲(dynamic time warping, DTW)距离来衡量电压曲线的局部动态特征,从整体与局部对DBSCAN的相似性度量方式进行改进,解决了传统度量方式在电压曲线相近时误判率高的问题;最后,采用麻雀搜索算法对DBSCAN的初始参数进行寻优选取,提升算法的鲁棒性。仿真实验表明,矩阵补全相对于传统插值补全在精度上提高了1.6~2.3倍,使用双尺度相似性与改进DBSCAN算法能够100%识别台区下所有用户的相序,使用麻雀搜索算法优化的领域半径(Eps)和密度阈值(MinPts)能够使DBSCAN获得最好的评价指标,解决了人工选取初始参数困难的问题。

基于记忆单元与多尺度结构相似性的异常检测

针对基于记忆单元的自编码器模型(Dynamic Prototype Unit Model,DPU)在检测视频异常时没有充分利用多层次特征、未考虑异常与正常事件间的结构性差异的问题,提出融合多尺度记忆模块和多尺度结构相似性的异常检测模型.新模型构建了多尺度记忆模块(Multi Scale Memory Module),利用不同尺度空间的记忆单元对编码层特征进行编码,并将编码结果与解码层特征拼接,既能保留网络的浅层细节信息,又能促进正常模式的多样性.为了约束对正常事件中结构信息的学习,组合多尺度结构相似性(Multi Scale Structure Similarity Index,MS-SSIM)误差与误差作为目标函数,使预测视频中的事件结构更接近正常事件,提高视频中异常事件的预测误差.在标准数据集UCSD Ped1、UCSD Ped2和Avenue数据集上的实验结果表明,提出模型的帧级AUC比原模型分别提高了0.8%、3.4%和1.0%,帧率达到142.9 fps.

基于内在生成机制的多尺度结构相似性图像质量评价

该文针对多尺度结构相似性(Multiple-scale Structural SIMilarity,MSSIM)图像质量评价算法对图像信息不确定部分度量能力的不足,结合人类视觉系统(HVS),提出基于内在生成机制(internal generative mechanism)的i MSSIM算法。首先采用基于逐段式自回归(Piecewise Auto Regressive,PAR)模型的内在生成机制将失真图像和原始图像分解成采用MSSIM算法评分的图像内容预测部分和采用PSNR评分的图像信息不确定部分;然后采用均方误差(MSE)进行加权来联合这两部分评分获得最终结果。在基准数据库上完成的对比实验表明:该算法不仅在不同失真类型上性能最好,且在6个公开数据库上的性能优于现有算法。

基于粒计算和双尺度相似性的负荷曲线集成聚类算法

电力负荷曲线聚类通常依靠负荷形态差异和负荷数值差异对负荷曲线进行分类。提出了一种基于粒计算和双尺度相似性的集成聚类算法,采用以欧氏距离和皮尔森相关系数作为相似性度量的K-means算法生成基聚类,再通过粒度距离度量基聚类间的相似性,从而选择部分基聚类参与集成,最后生成相似度矩阵并采用层次聚类获得最终聚类结果。算例结果表明,该算法能够克服传统负荷聚类算法只能从数值相似性或形态相似性上单一的度量负荷曲线相似性的局限,可以显著提高电力负荷曲线聚类的质量。

基于锥形量热法的油池火相似性及点火特性模拟实验

针对油料池火灾相似性及点火特性研究需要,构建了一种基于耗氧原理的油池火锥形量热法模拟实验系统,引入火灾尺度相似性概念,研究了实验室尺度油池火与真实尺度油池火的相似性关系,探讨了实验室尺度油池火预测真实尺度油池火的可行性,基于实验室尺度锥形量热法研究了油池火点火特性,得到了辐射强度、辐射距离对油料点燃时间的影响规律以及点燃时间与锥照射强度之间的拟合公式。

基于图像相似性和特征组合的超分辨图像重建

针对传统图像重建过程中易丢失细节信息,或在增强细节的同时易产生边缘失真和噪声等问题,提出一种基于图像跨尺度相似性和特征组合的图像超分辨率重建方法.首先利用图像的跨尺度相似性,采用KNN算法分别建立高、低分辨率图像之间的像素特征和梯度特征的映射关系;然后利用像素特征映射关系对输入图像重建包含高频信息的高分辨图像;利用奇异值阈值化获取输入图像的有效高频信息,并利用梯度特征映射关系将高频信息放大后分块叠加到高分辨率图像上,得到最终的图像重建结果.以加州大学图像分割数据库作为实验数据,在Windows7下的Matlab软件进行实验结果展示,实验结果表明,文中方法重建的图像纹理细节丰富、边缘清晰,图像细节显著增强,在视觉效果和客观指标上都有大幅度提升;且该方法无需依赖外部数据库.

各向异性多尺度自相似随机场与地形构建

在长期自然环境的作用下,实际的地形表面是一个各向异性、非线性的2维场,且地形的自相似特性在整个尺度空间上并非恒定的,而是与度量的尺度范围相关。由于传统的自相似随机场的构建方法并不能准确反映地形的实际特性,因此提出一种首先应用多尺度自相似随机场构建各向同性地形表面,然后引入表征各向异性的结构滤波器,再通过谱变换构建具有各向异性的多尺度自相似地形的方法。实验结果表明,该地形构建方法不仅能够反映实际地形的自相似性依尺度而变化的特点,而且能构建山脉的走向。

基于多尺度非局部约束的单幅图像超分辨率算法

多尺度结构自相似性是指图像中的大量物体具有相同尺度以及不同尺度相似结构的性质.本文提出了一种基于多尺度非局部约束的单幅图像超分辨率算法,结合多尺度非局部方法和多尺度字典学习方法将蕴含在图像多尺度自相似结构中的附加信息加入到重建图像中.多尺度非局部方法在图像金字塔的不同层中搜索相似图像块,并利用多尺度相似图像块间的关系建立非局部约束项,通过正则化约束获取多尺度自相似结构中的附加信息;多尺度字典学习方法将图像金字塔作为字典学习的样本,通过字典学习使样本中的多尺度相似图像块在字典下具有稀疏表示形式,从而获取多尺度自相似结构中的附加信息.实验表明,与ScSR、SISR、NLIBP、CSSS、ASDSAR和mSSIM等算法相比,本文的算法取得了更好的超分辨率重建效果.

水下图像的多尺度分数列维稳定运动模型

分析了水下散射图像的增量分布及自相似特性.针对传统分数布朗运动(FBM)模型存在的不足,基于分数列维稳定运动(FLSM)模型,将纹理表面的自相似指数看作依度量尺度而变化的变量,提出了一种新的多尺度分数列维稳定运动(MFLSM)模型,并将该模型扩展至二维用于对水下散射图像的仿真.仿真结果表明,该模型具有对纹理多尺度自相似性以及散斑纹理的表征能力.

生态学中的尺度问题——尺度上推

尺度推绎是生态学理论和应用的核心。如何在一个异质景观中进行尺度推绎仍然是一个悬而未决的科学难题,是对当今生态学家在全球变化背景下研究环境问题的重大挑战。就目前的研究,一般可分为四大类尺度推绎途径:空间分析法(如分维分析法和小波分析法)、基于相似性的尺度上推方法、基于局域动态模型的尺度上推方法、随机(模型)法。基于相似性的尺度上推方法来源于生物学上的异量关联,可将其思想延伸至空间上,研究物种丰富度、自然河网、地形特征、生态学格局或过程变量和景观指数等。基于局域动态模型的尺度上推方法需要首先确定是否进行跨尺度推绎,以及是否考虑空间单元之间的水平相互作用和反馈,然后再应用具体的方法或途径,如简单聚合法、有效值外推法、直接外推法、期望值外推、显式积分法和空间相互作用模拟法等。随机(模型)法以其它尺度上推方法为基础,根据研究的是单个景观,还是多个景观,采用不同的途径。理解、定量和降低尺度推绎结果的不确定性已经变得越来越重要,但相关研究仍然极少。以上所有有关尺度推绎的方法、途径和结果分析共同构成了尺度推绎的概念框架。

基于改进生成对抗网络的图像风格迁移方法研究

为了解决传统GAN(Generative Adversarial Network)进行图像风格迁移受到成对数据集的限制,以及CycleGAN学习高级特征时表现不佳和训练过慢的问题,本文采用ModileNetV2-CycleGAN模型进行图像风格迁移,并引入多尺度结构相似性指数(multi-scale structural similarity,MS-SSIM)作为惩罚项保留风格图片的特征,来提高特征学习的效果,从而提高风格化图片质量。采用客观结构相似性SSIM与峰值信噪比PSNR和主观投票作为评估指标,对迁移后的效果进行评估,实验结果表明了本文改进算法的有效性。

有监督深度学习的地震资料提高分辨率处理方法

地震资料分辨率直接影响后续处理和解释成果精度,因此备受关注。深度学习方法具备自动提取深层特征和出色的非线性逼近能力,在反问题求解中广泛应用。在地震勘探领域,深度卷积网络中的卷积算子与地震数据的褶积模型相吻合,因而有望通过智能化手段显著提升地震资料的分辨率。目前,针对卷积神经网络提高地震资料分辨率方面的研究发展迅速,但问题的核心在于设计适合、有效的网络结构和损失函数。为此,提出一种基于强监督学习的地震资料高分辨率处理方法。该方法充分利用地下结构的空间连续性,借鉴图像超分辨率重建的思想,设计了一种生成对抗网络结构,用以提高地震资料的纵向分辨率;同时,采用L1损失和多尺度结构相似性(MS-SSIM)损失相结合的损失函数提高感知质量,以提高网络的高分辨率处理效果。合成数据和实际地震数据的应用结果显示,相较于常规损失函数,文中采用的损失函数可以显著提升智能算法的处理效果,明显改善地震数据同相轴的连续性,且高频细节信息更丰富,验证了该方法的可行性和有效性。

基于变分的多尺度遥感图像融合算法

全色图像与多光谱图像融合时,忽略了上采样的重要性和通道间细节的差异性.针对前者,利用不同尺度下自相似块,估计出低分辨率图像丢失信息,从而修改了图像上采样的策略,并以此构造目标函数的保真项;针对后者,利用全色图像和光谱图像梯度域结构相似性,提出局部加权动态稀疏约束,构造目标函数的正则项.本文基于变分法理论,构造了新的目标函数,并提出了多尺度迭代融合框架,通过多次迭代逐步提高融合图像的分辨率,每一层的融合结果更加准确,从而提高最终的融合精度.本文算法与Brovey等成分替代算法、P+XS等变分算法、MTF_GLP等多分辨分析算法进行比较.实验结果表明,本算法的融合结果具有良好的视觉效果,且在客观评价指标上比所有对比算法的最优值平均值均有提高.

基于残差图卷积深度网络的电网无功储备需求快速计算方法

针对电网无功储备需求计算复杂度高、耗时长的问题,提出一种基于残差图卷积深度网络考虑冗余样本特征削减的电网无功储备需求快速计算方法。该文首先,给出一种基于深度学习的电网无功储备需求快速计算框架,采用残差图卷积深度神经网络(GCNII)对电网无功储备需求计算进行建模;其次,为克服传统相似性计算方法在拓扑属性样本度量问题上的局限,提出一种双尺度相似性度量方法,基于矩阵奇异值序列的余弦距离实现对拓扑结构样本的相似性度量;最后,提出一种冗余样本削减策略,基于双尺度相似性度量方法,结合改进谱聚类算法实现对样本集合的分层聚类,并通过样本局部密度分析,实现在维持数据集特征多样性的情况下,对冗余样本进行有效削减,提升模型训练效率。所提算例采用IEEE标准节点系统进行仿真,计算结果表明,该方法能够实现在模型计算精度基本不变的情况下大幅提升模型训练效率。

基于DCGANs的半片光伏组件电致发光图像增强技术

针对半片光伏组件电致发光(electroluminescence,EL)缺陷自动识别过程中训练用样本不足导致模型过拟合的问题,采用深度卷积生成对抗网络(deep convolutional generative adversarial networks,DCGANs)生成可控制属性的半片光伏组件EL图像,再采用多尺度结构相似性(multiscale structural similarity,MS-SSIM)指标对生成的EL图像与拍摄的EL图像之间的相似程度进行了评估。评估结果得到,使用DCGANs生成的所有类型半片光伏组件的EL图像与拍摄的EL图像的MS-SSIM指标都大于0.55,大部分的MS-SSIM值在0.7附近。在分类模型的训练过程中,测试集准确率随着训练集中生成图像数量的增加而升高,当生成图像数量达到6 000张时,测试集准确率达到97.92%。实验结果表明,采用DCGANs能够生成高质量且可控制属性的半片光伏组件EL图像,较好地解决因缺少训练样本而导致的模型过拟合问题。

全参考图像质量指标评价分析

图像是人类从外界获取信息的重要来源,通过客观的图像质量评价,能帮助人们在浏览图像时关注高质量的图像,提升感观体验。因此,如何对大量的图像质量进行客观而有效的评价,已成为图像信息处理领域的研究热点之一。根据对参考图像(即无失真的原始图像)的依赖程度,客观图像评价方法可分为全参考图像质量评价、部分参考图像质量评价和无参考图像质量评价。针对全参考图像质量评价方法进行分析,比较了常见的4种全参考图像质量评价指标,验证了这些评价指标分数与主观视觉评估相一致。

基于认知的结构化页面风格识别

识别页面风格及页面要素关联性是展示风格与认知风格相匹配的基础。通过词汇学方法构建商品展示网页的风格维度,并采用多元尺度相似性分析从25个样本页面中聚类得到8个代表页面。采用嵌套随机集对页面风格与要素特征认知关系的相关性进行了检验,得到4个维度页面风格及其要素特征关联性。为验证商品展示页面项目要素与风格维度相关性检验与实际页面风格评测维度具有一致性,进一步将要素构成的页面风格预测结果与实验样本用户风格评价值进行了对比T实验,检验结果验证了风格量化模型预测某个商品展示页面的主观评价风格的有效性,及页面风格与设计要素之间存在相关性。

基于改进的邻域嵌入算法的图像超分辨率研究

本文提出了一种基于改进的邻域嵌入算法的图像超分辨率重建方法,基本思路是同时利用低分辨率图像自身和外部训练集的信息指导高分辨率图像的重建.邻域嵌入算法往往要求训练图像库包含广泛的细节信息,重建质量取决于测试图像和训练图像的相似程度,当在图像库中找不到相似的训练图像块时,重建结果局部就会出现失真或模糊,而且在此过程中低分辨率测试图像本身所含的先验信息常被忽视.针对此类问题,本文引入图像的多尺度相似性,即不同尺度的图像所包含的局部结构相似,同时在寻找近邻图像块时采用双层寻找的方式,并将固定的邻域数目K改为设定固定阈值.实验结果表明,本算法不仅能够减小测试图像对训练图像集的依赖,而且能够克服重建过程中欠拟合和过拟合造成的失真,具有较快的运行速度.

基于地震资料有效信息约束的深度网络无监督噪声压制方法

地震资料处理是地震勘探中的关键环节,由于地下构造和地表条件的复杂性,地震资料的处理需要经过一系列复杂流程,从而形成多种不同类型的地震数据。不同种类的地震数据具有不同的数据特征,充分利用和发掘其中的数据特征,不仅可以充分发挥处理方法的技术潜力,消除各类非地质因素对地震资料处理质量的影响,同时可以增强地震资料处理的可靠性,改善地震资料的资料信噪比及分辨率,在复杂油气藏勘探开发中具有非常重要的基础作用。叠前地震成像道集(CRP)中的有效信号同相轴近似水平,叠后地震成像数据因为地层沉积的规律性,有效信号相比于随机噪声、成像画弧噪声等干扰具有规律、简单等特点。具体表现为CRP道集及叠后地震资料有效信号具有多尺度自相似性的特征,其高维Fourier(FK或FKK)域主要能量集中在低频、低波数区域。针对上述地震数据的特点,提出一种基于先验信息约束的深度网络地震资料无监督噪声压制方法。受到深度图像先验(DIP)的启发,神经网络的结构可以视为一种特殊的隐式先验信息,合理设计网络结构可以使得网络具有多尺度自相似性特征的提取能力。由于叠前地震成像道集数据和叠后地震成像数据有效信号的多尺度自相似性,而噪声不具备这一特性,因此,特定结构的网络可以从原始数据提取出有效信号,从而达到噪声压制的目的。叠前成像道集和叠后成像的实际数据随机噪声压制试验结果表明,本文方法具有良好的保真性与鲁棒性。此外,由于本文方法具有强大的特征提取能力,因此,对常规方法不易压制的弧状成像噪声也有良好的效果。