基于局部学习机和细菌群体趋药性算法的电力系统暂态稳定评估

为了提高电力系统暂态稳定评估的分类正确率,提出一种基于局部学习机(LLM)和改进的细菌群体趋势药性(BCC)算法的暂态稳定评估方法。该方法采用LLM构建暂态稳定评估模型,考虑相量测量单元可以提供的故障后实测信息,构造了一组系统特征作为LLM模型的输入量,稳定结果作为输出量,对稳定结果和系统特征间的映射关系进行训练,并通过综合混沌搜索策略的改进BCC算法优化LLM模型的参数。最后,以新英格兰10机39节点系统为例证明了所提方法的有效性。

多层非线性局部感受野极限学习机方法用于录井气体分析

随着我国能源需求的不断提升以及钻探环境的日益复杂化,开展高精度的烷烃类气体浓度检测对于提高油气勘探效率具有重要意义。光谱录井技术具有烃类气体检测快速、准确等优势,已成为石油勘探过程中备受关注的研究热点。针对录井气体红外光谱由于饱和吸收、噪声干扰、基线漂移等方面引起的非线性问题,提出了多层非线性局部感受野极限学习机(NM-LRF-ELM)模型。该模型将一维光谱数据转换为二维矩阵格式,利用局部感受野的数据处理方式在输入与隐藏层之间实现非线性特征提取。同时,引入改进的T-sigmoid激活函数,并在全连接层后加入dropout层来降低模型的过拟合风险。模型的特征提取与定量分析呈一体化结构,直接输出定量分析预测值。采集了两组共407个混合烷烃气体样本的红外光谱作为实验数据集,进行定量分析实验。实验结果表明,相较于滑动窗口类与灰狼优化定量分析模型,该模型的训练时间显著减少了90%以上。即使在同系物的非线性干扰下,模型的预测精度仍低于系统误差。因此,提出的方法有助于在现场环境变化复杂的情况下,降低未知气体的非线性干扰,提高对目标气体的红外光谱检测精度。

利用极限学习机的人脸活体检测方法

针对目前人脸活体检测中手工设计特征方法提取特征单一和传统深度学习算法容易产生局部最小值和过拟合等问题,提出基于局部感受野的极限学习机(ELM-LRF)模型的人脸活体检测方法。模型首先随机生成输入权重,然后采用正则化最小二乘法解析计算出输出权重,有效解决了深度学习算法容易产生的局部最小值和过拟合问题,具有优越的泛化性能。在CASIA-FASD,NUAA数据库上分别以ELM-LRF模型与其他先进的人脸活体检测算法进行了实验对比,ELM-LRF算法具有最高的分类性能。

基于2-D范围扫描的室内场景识别方法

对于在室内工作的机器人而言,要完成不同环境的自主导航就必须能够对其所处场景进行有效识别。传统的方法是通过视觉或雷达等传感器对所处环境进行匹配以实现场景识别。提出了一种基于2-D范围扫描的室内场景识别的方法。该方法对激光雷达的范围扫描信息进行特征提取,利用所提取的样本训练基于局部感受野的极限学习机,对多种室内场景进行分类识别。在Gazebo搭建的仿真环境中采集虚拟范围扫描数据,对室内场景识别方法进行了研究。利用DR Dataset提供的测距数据对所提出的方法进行了实验验证。实验结果表明:该方法的室内场景识别准确率高于传统方法。基于2-D范围扫描场景识别的研究也为机器人实现自主导航提供理论依据和实验数据。