GIS设备局部放电类型表观相似性及模式识别准确性的探讨

为了减少气体绝缘全封闭组合电器（GIS）设备局部放电识别中误判现象的发生、提高模式识别准确度,基于分层式识别方法,采用两种常见的分类器分别对GIS典型故障类型进行诊断,探讨了局部放电类型的表观相似性,并归纳了存在误判现象的局放类型,其中自由金属颗粒跳动的不稳定性是其产生误判的原因,而传感器距放电源的位置决定了悬浮放电误判现象是否发生。同时研究了GIS传统局放类型划分的合理性,并对其进行修正。最后,通过识别率和决策可信度对比了两种分类器模式识别的准确性,研究表明：尖刺放电的识别可信度高,绝缘子气隙放电的识别率高,且支持向量机的识别效果优于BP神经网络。该研究成果为电气设备局放模式识别及严重程度分析等后续工作的有效进行奠定了基础。

用两级模糊模式识别模型优选桥梁墩基埋深

根据两级模糊模式识别模型,对桥梁墩基埋深设计方案进行了分析,建立了相对优属度向量,并根据语气算子进行分析,结合海明距离与欧式距离对方案进行排序得到最优方案,最后通过实例检验了其有效性。

基于阻抗分离的工业谐波源非侵入式识别方法

针对传统非侵入式负荷识别方法难以直接应用于工业谐波源负荷识别的问题,本文提出一种基于阻抗分离的工业谐波源非侵入式识别方法。首先,构建等值阻抗参数计算模型,分析多负荷并联网络中综合等值阻抗与各支路等值阻抗间的关联关系;然后,采用改进型复局部均值分解和复值快速独立分量分析,分离支路等值阻抗信号;最后,通过分析支路等值阻抗信号特征以识别谐波源负荷类型。仿真与实测结果表明,本文识别方法具有较好的工程实用性和适应性。

我国重大疫情风险全链式识别研究

21世纪以来,我国充分发挥中国特色社会主义优势,多次成功地化解了重大疫情风险。但是,由于理论界和实务界对疫情防控全过程的风险识别不到位,造成了部分地区疫情防控措施不到位,甚至处于被动。为了解决此问题,围绕我国重大疫情防控主链条,以应然—实然—对策为分析框架,先用故障树和因果图,进行回溯性的疫情风险全链式识别;然后分析疫情防控实践中全链式风险识别存在的不足;最后,从下好“先手棋”的高度提出了我国提高重大疫情风险全链式识别水平的对策建议,可供有关主体在今后的重大疫情防控中作工作参考,提升疫情防控效能,提高群众的满意度和安全感。

同向手背式识别贴在批量白内障围术期的应用

目的探讨在白内障批量集中手术中对患者身份进行快速准确识别的方法。方法将白内障批量集中手术的患者分为常规组和试验组,常规组使用常规腕带;试验组使用同向手背式识别贴,将标有患者信息的标识贴贴在患者手术眼睛相向的手背上,即行左眼手术识别贴贴在左手背上,行右眼手术识别贴贴在右手背上,对患者进行身份标识。结果试验组较常规组,平均查对时间由15 s缩短至5 s,查对准确率由92.6%提高到100%。结论同向手背式识别贴内容简单明确,针对性强,使用方便,易观察,便于查对,并且与术眼同向,可作为手术部位识别标示,能有效区分手术部位,提高查对准确率,是防止错误识别的理想方法。

一种家用负荷的非侵入式识别方法研究

非侵入式负荷识别是高级电力量测系统的首要环节,对智能电网的建设具有重要意义。为解决传统非侵入式负荷识别算法识别速度慢、准确率低的问题,提出一种基于麻雀搜索算法(SSA)优化极限学习机(ELM)的非侵入式负荷识别方法。该方法通过SSA获取ELM隐含层的最优输入权值和阈值,构建出SSA-ELM非侵入式负荷识别模型。在实际采集的6种常用家庭负荷数据集上对该模型进行负荷识别实验,结果表明,基于SSA-ELM的非侵入式负荷识别算法的识别准确率为96.1%,优于传统的ELM(86.3%)和BP神经网络算法(91.8%)。基于SSA-ELM的非侵入式负荷识别算法能有效应用于家庭用电负荷的识别中。

考虑多状态特征的非侵入式负荷识别方法

针对传统负荷识别存在无法准确区分含有多种运行状态的负荷识别问题,该文提出一种考虑负荷多状态特征的非侵入式负荷识别方法(non-intrusive load monitoring,NILM)。首先,利用VGG16卷积神经网络(visual geometry group 16neural network,VGG16)对负荷的U-I轨迹进行初步分类。然后,采用最大相关最小冗余特征选择(max-relevance and min-redundancy,mRMR)算法,从未成功分类的负荷的各个工作状态中筛选出最优特征组合作为输入,通过支持向量机(support vector machines,SVM)算法进行二阶段识别,达到快速精细化识别多状态易混淆电器的分类效果。最后,利用Plaid数据集,对分别考虑单个状态和多个状态特征的识别效果进行对比分析。结果表明,文中所提方法可以有效区分易混淆的多状态电器,提高了识别准确性。

融合特征编码和短语交互感知的隐式篇章关系识别

隐式篇章关系识别难度大、普遍性高.从论元编码和论元交互角度入手,提出了一种融合特征编码和短语交互感知的隐式篇章关系识别模型.该模型兼顾了论元本身特征和论元间交互特征的作用,并分别进行了优化.论元编码部分整合了双向长短时记忆网络和循环注意力卷积神经网络,能够更全面地捕获论元全局和局部特征;论元交互部分从短语层级考虑论元间的语义关系建模,构建了短语级交互注意力机制,并利用神经张量网络深入挖掘其中的关系模式,更能体现出论元间潜在的更深层次的关联关系.在宾州篇章树库数据集上的实验结果表明,该模型F1值均优于其他模型.

基于颜色编码和残差神经网络的非侵入式负荷识别

在非侵入式负荷识别任务中,随着家用电器类型的不断增加,功率差距不大但V-I轨迹相似的设备很容易被分类错误。针对这些问题,本研究提出了基于颜色编码和残差神经网络的非侵入式负荷识别方法。首先,对采集到的高频电压、电流数据进行预处理;然后,再通过二值轨迹映射和HSV颜色编码将V-I轨迹转换为视觉表示,不仅在V-I轨迹中融入了丰富的电气特征,还增强了负荷特征的唯一性;最后利用PLAID公共数据集对本研究所提方法进行了验证。结果表明,本研究所提方法显著提高了识别准确率,并能够有效区分各个电器设备。

一种基于度量学习的自适应非侵入式负荷识别方法

现有非侵入式负荷识别技术大多基于最优化和模式识别算法,两种算法在模型泛化能力和未知负荷识别上均存在一定缺陷。针对这一问题,文中提出一种基于度量学习的非侵入式负荷识别模型,通过卷积神经网络将负荷电流特性映射到度量空间,在网络训练时使用三元组损失实现特征的集聚,对度量空间特征进行相似度判别实现负荷辨识。所提方法可实现对未知负荷的有效识别,并具有较强的泛化能力;另一方面,度量学习作为小样本学习的方法之一,能够减轻对训练样本的依赖,具有较高的实用性。

基于马尔可夫转移场和轻量级网络的非侵入式负荷识别

负荷识别是非侵入式负荷监测(non-intrusive loadmonitoring,NILM)的关键一步。针对目前识别方法存在网络参数量大、识别率低的局限性,提出了一种基于马尔可夫转移场(Markov transition field,MTF)和轻量级网络的非侵入式负荷识别方法。首先,利用归一化后的电压电流计算马尔可夫状态转移矩阵,在时域上排列每个状态转移概率构建MTF。其次,对MTF降采样以适应神经网络的学习,利用伪彩色编码技术得到RGB彩色图像。最后,在轻量级网络Shuffle Net V2中加入SimAM无参注意力模块作为特征提取网络,以较少的参数量实现负荷分类识别。使用公共数据集PLAID和WHITED对所提方法进行实验,结果表明,SimAM-ShuffleNetV2在两个数据集的识别准确率分别达到了98.99%和99.22%,参数量分别为0.37 M和0.41 M,比现有的方法具有更高的识别准确率和更少的参数量,验证了所提方法的有效性和优越性。

基于多视角对比学习的隐式篇章关系识别

隐式篇章关系识别IDRR的相关工作集中在篇章单元编码器的设计上。将对比学习引入到IDRR,以此获得区分度更高的篇章单元表征。具体地,首先使用一个轻量的IDRR模型;然后为了学习到更好的篇章单元表征,分别从样例层级、批层级和群层级,探索了3种不同视角的对比学习方法在IDRR中的应用;最后本文将多视角对比学习目标联合IDRR同时进行训练。本文提出的方法几乎不增加训练时间,而且只引入少量额外参数。基于PDTB 2.0的实验结果表明该方法达到了最优性能。

语义角色标注增强的隐式篇章关系识别

[目的]为了改善因将隐式篇章关系识别(implicit discourse relation recognition,IDRR)描述为文本分类任务,提出了一种新颖的IDRR方法.[方法]将IDRR视为文本生成任务并直接生成篇章单元对的连接词,随后生成的连接词被准确无歧义地映射到唯一篇章关系.具体地,首先设计了可以将无歧义性连接词转化为对应篇章关系的连接词-关系映射表;然后介绍了两种不同的连接词替换策略用于替换训练样例中的歧义性连接词;最后,将IDRR视作一个序列到序列的任务,其中目标端序列由基于语义角色标注增强的篇章单元对和两者之间的连接词组成.[结果]基于英语PDTB和中文CDTB的实验结果表明本文提出的方法达到了最先进的性能.[结论]本文方法创新性地将IDRR视为文本生成任务,并通过序列到序列模型显著提升了隐式篇章关系识别的效果,为隐含信息的精确捕捉提供了新的解决方案.

基于小波神经网络的嵌入式语音识别系统设计

针对嵌入式语音识别中的资源受限问题,提出一种基于小波神经网络的轻量化识别方案。该方案利用小波变换提取语音信号的时频域特征,并结合小波神经网络的非线性拟合能力,构建了高效的语音识别模型。实证研究表明,该方案在TIMIT数据集上取得了80.17%的帧识别准确率,在满足实时性约束的同时,显著提升了嵌入式语音识别系统的性能表现,为智能语音交互在资源受限场景下的应用部署提供了新的思路。

基于星三角形角度的竞选式星图识别

提出一种基于主星三角形角度的改进竞选式星图识别算法。为进一步提高竞选式星图识别的抗干扰性,利用三颗星构造识别模式向量;选取视场中一定数量参与计算的星点,计算每三颗星构成的几何三角形中主星顶点角角度,再以其为模式量进行竞选式识别;结合相应数学分析,由于涉及计算维数(计算星点数)更高及数值分布范围更大,以角度为模式量的识别算法具有更强的抗噪声能力和更为稳健的识别精度。仿真试验及结果分析表明了算法的有效性和性能。

汉语隐式篇章关系识别

采用一个自建的汉语篇章结构语料库(隐式关系占80%)进行隐式关系识别。语料中将篇章关系分成3个层次,第一层包含因果、并列、转折、解说四大类。在此语料上,利用上下文特征、词汇特征、依存树特征,采用最大熵的分类方法对四大类关系进行识别。实验结果显示,总正确率为62.15%,其中并列类识别效果最好,F1值达到75.26%。

基于射频卡式身份识别的智能教室考勤系统

为准确识别学生身份、统计教室人流量、防止学生作弊,设计了一套基于物联网技术、射频识别技术、光电检测技术、无线传输技术相结合的智能教室考勤系统。该系统通过射频识别模块和两对对射式红外传感器进行信息采集,采集的数据通过串口输出方式传送至嵌入式微处理器进行数据处理,并显示其结果及作弊蜂鸣提示,同时通过无线传输装置将数据传至上位机系统进行信息统计与存储。对由51人组成的人流进行系统测试结果表明,系统能较精确识别学生身份,检测教室人流量,特别是对一人持多卡代刷和多人一卡多刷等作弊现象有极好的预防作用,具有实用性和广泛性。

基于树核的隐式篇章关系识别

隐式篇章关系识别是篇章结构分析中最具有挑战性的任务之一.传统的方法注重篇章中的概念和意义特征,导致系统的性能不高.系统地探索了篇章中的浅层语义信息和以态度韵为导向的句子级情感等平面特征的有效性,同时提出了一种简单而有效的树核方法,最后采用复合核方法加以集成.在Penn Discourse Treebank(PDTB)2.0语料库上的实验结果表明,引入浅层语义和情感等信息后,准确率得到显著提升.

基于硬件加速模块的嵌入式语音识别系统解决方案

在基于 CHMM 模型的语音识别原理的基础上,设计了一个以 MCU 和自行设计的语音识别加速模块(ASIC 模块)为核心的低成本、高性能的嵌入式语音识别系统。该系统配合外围电路,能够独立完成语音识别工作,并且有大幅度的性能提升,从而使嵌入式语音识别更加方便简洁。以 ARM7作为系统的控制内核,语音识别加速模块负责完成隐含马尔可夫模型识别算法中运算量最大的 Ma-halanobis 距离运算部分。该系统具有低成本、高性能、高通用性、可裁剪性强等特点。