时域注意力特征对齐的视频压缩感知重构网络

现有视频压缩感知神经网络重构算法采用的光流对齐和可变形卷积对齐的运动补偿方式存在误差积聚、信息感知范围有限等问题,极大地限制了其有效性和实用性.为了在不引入额外参数的条件下自适应提取参考帧的全局信息,本文提出了利用注意力机制实现视频压缩感知重构过程中运动估计/运动补偿的创新思想,并设计了时域注意力特征对齐网络(Temporal-Attention Feature Alignment Network,TAFA-Net)进行实现.在此基础上,提出了联合深度重构网络(Joint Deep Reconstruction Network Based on TAFA-Net,JDR-TAFA-Net),实现非关键帧的高性能重构.先利用本文所提的TAFA-Net获得参考帧到当前帧的对齐帧;然后,利用基于自编码器架构的融合网络充分提取已有帧信息,增强非关键帧的重构质量.仿真结果表明,与最优的迭代优化算法SSIM-InterF-GSR相比,所提算法重构帧的峰值信噪比(Peak Signal to Noise Ratio,PSNR)最高提升了4.74 dB;与最优的深度学习算法STM-Net相比,所提算法重构帧的PSNR最高提升了0.64 dB.

基于ARIMA-TCN混合模型的高速铁路时间同步方法

列控系统作为高速铁路的核心系统,保持其系统的时间同步对于行车安全至关重要。针对现有时间同步方法易受时变上下行传输时延、随机时钟跳变等影响,导致主从时钟偏移估计不准确的问题,提出一种基于差分自回归移动平均-时域卷积神经网络(ARIMA-TCN)混合模型的高速铁路时间同步方法。首先,根据上下行链路传输速率的不对称比,建立高速铁路时钟的数学理论和实际观测模型。然后,使用拉依达准则识别处理跳变异常值,完成实际时间序列的预处理。再次,使用ARIMA模型平滑时间序列中不确定时延带来的噪声抖动,获得平稳的时间序列。最后,通过提出的注意力增强TCN模型进行预测补偿,完成时钟偏移的补偿校正。通过实验仿真,得到基站区间内位置、基站间距以及车速对高速铁路时间同步的影响性分析。实验结果表明:与对比方法相比,所提方法补偿后的均方根误差较最小二乘法减少了75%、较最大似然估计方法误差减少了44.4%,较BP神经网络方法误差减少了16.7%,验证所提方法具有更低的同步误差和更高的同步精度。

基于深度学习的配电网安全态势感知研究

配电网作为电力系统的关键环节,有必要识别配电网潜在危害,避免失稳。为了解决数据中噪声干扰的问题并提高态势预测准确性,提出了一种基于深度学习的配电网安全态势感知方法。首先,采集配电网运行量,利用奇异值分解(singular value decomposition,SVD)对运行量进行降噪;其次,分析运行量与安全态势的关系,采用评估值指标评估配电网态势;最后,利用注意力时域卷积网络(temporal convolution network-attention mechanism,TCNAM)对降噪后的输入数据预测得出态势评估值,预测配电网潜在危害,若失稳,则发出预警信号。通过对IEEE 33节点系统和实际配电网系统仿真可知,TCN-AM预测效果好,且进行降噪处理后预测准确性有所提高,能够在满足预警条件后,发出相应的预警信号。所提方法在降噪处理后能够更准确地实现配电网的安全态势感知。

CNN-Transformer轻量级智能调制识别算法

现有基于深度学习的调制识别方法,当存在噪声及不确定信道干扰影响时识别率较低,同时由于模型参数量大,难以直接应用到移动终端。针对该问题,提出一种基于卷积神经网络(CNN)和Transformer的轻量级智能调制识别方法。该方法首先利用卷积神经网络对信号进行局部信息特征提取,然后利用卷积神经网络通道注意力和Transformer时域注意力模块分别从信号的通道和时域两个维度关注最有利于识别的特征,降低信道或噪声等的影响,以提升识别率。所提方法可以适应多种信号表征,如原始IQ信号、幅度相位信号及变换域特征。仿真表明,在RadioML2016.10b数据集上,相较现有基于卷积神经网络的方法,所提方法的平均识别率提升了约8%~12%,相比基于残差神经网络和长短时记忆网络的方法,参数量降低了约90%~92%,计算量降低了约83%~93%。实验结果验证了所提方法增加模型分类精度的同时,有效地降低了模型的参数量和计算量。