基于异步交互聚合网络的卷烟厂危险作业区人员异常行为图像识别

受到卷烟厂作业区域分散、作业人员多、行为特征相似度高的影响,无法有效整合多组图像行为特征,造成识别结果误差偏大,不能进行危险行为即时预警。为此,提出了基于异步交互聚合网络的卷烟厂危险作业区人员异常行为图像识别方法。根据卷烟厂危险作业区域特点,结合人员异常行为图像分析效果,提取异步交互聚合网络下JDE行为特征,进行人员异常行为角度特征识别,为相邻识别特征交互区域类型输出分配不同加权系数量,输出异步交互聚合识别结果。实验结果表明:在异步交互聚合网络优化下,人员异常行为识别准确率得到明显提升,整体识别效果稳定性较高,适应性优化效果明显。

基于异步交互聚合网络的港船作业区域人员异常行为识别

港船作业区域人员的异常行为识别可为智能航运的管控与决策提供重要数据支撑,有利于推动智慧港口和智能船舶的发展。基于异步交互聚合网络开展了面向港船工作环境下的人员异常行为识别研究。基于YOLO模型对港船图像进行卷积操作,利用特征金字塔优化卷积结果得到图像序列中每一帧的人员位置,结合联合学习检测和嵌入范式输出港船图像序列中的人、物体特征信息以及时序信息;利用异步交互聚合网络中的交互聚合结构更新特征池的多维度特征信息,以识别港区与船舶工作环境下的人员异常行为。实验结果表明:提出的港船作业区域人员异常行为识别方法的平均识别精度为91%,在港区工作环境下的人员异常行为识别精度为85%,在船舶驾驶台环境下,提出的异常行为识别框架对船员的不安全行为识别精度达到97%。所提出的识别框架在不同港船作业区域环境中都能获得较好的精度,验证了其有效性和可靠性。

基于分布式存储框架的无中心联邦学习

联邦学习是一种新的机器学习范式,其允许多个参与者在不共享原始数据的情况下以隐私安全的方式协作地训练一个共享的机器学习模型。由于联邦学习可以解决数据孤岛问题,因此其具有广泛的应用价值。然而在传统联邦学习中,使用单一的中央服务器聚合模型可能会导致单点故障问题。为了克服传统联邦学习中的可能存在的单点故障问题,文中提出一种基于区块链的分布式联邦学习(Distributed Federated Learning,DFL),利用区块链的特点,将存储模型的任务委托给区块链网络中的节点。文中提出了一种异步聚合策略,能够让参与者在任意时间加入联邦学习,从而减少参与者的等待时间。为了克服区块链存储限制,文中还设计了一种模型分块策略。该策略将大规模模型分块以满足区块链的存储要求。通过在多个数据集上训练多种机器学习模型来评估DFL,实验结果表明DFL在克服单点故障的同时实现了优于传统方法的性能。

一种高准确度的异步机群的等效建模与仿真研究

随着我国工业化的发展,异步电动机数量逐年增多,这一动态负载对电力系统的影响更加明显,所以在建模中如何提高电动机群参数聚合准确度成为重要课题。通过对多种异步电动机群聚合方法的对比研究,提出一种简单且聚合准确度高的方法,主要用于解决同母线上带有变压器的异步电动机群的聚合问题。同时针对Matlab模型库中固有电动机模型对参数较敏感的缺陷,利用Matlab的Simulink仿真平台建立了一种简单且实用的异步电动机的模型,该模型是在ABC坐标系下建立的,无须考虑参数转换,使用时只需要输入相应的参数即可。通过实例验证了模型的正确性、灵活性和直观性,并证明了聚合电动机模型良好的跟随性,同时可以缩短运行时间。