基于残差BP神经网络的变压器故障诊断

基于传统BP神经网络的变压器故障诊断方法,当网络模型达到一定的深度时,模型的诊断性能会趋向于饱和,无法进一步提升网络模型的诊断性能,此时加深网络模型的深度反而会导致模型的诊断性能有所下降。此外,在小样本数据下,传统BP神经网络仍无法取得较好的诊断准确率。因此,为了提高变压器故障诊断准确率以及在小样本数据下的诊断性能,提出了基于残差BP神经网络的变压器故障诊断方法。所提方法采用堆叠多个残差网络模块的方式加深BP神经网络的深度,将传统BP神经网络的恒等映射学习转化为残差BP神经网络中的残差学习。同时,在每个残差网络模块中,模块的输入信息可以在模块内跨层传输,使得每个模块的输入信息可以更好地向深层网络传递,从而在小样本数据下仍可以训练得到较好的诊断模型。实验结果表明,相较于传统深层BP神经网络和传统浅层BP神经网络,所提方法具有更高的诊断准确率,同时在小样本数据下也体现出较好的诊断性能。

基于注意力机制的生成对抗网络古诗插图生成方法

古诗插图自动生成是非常具有挑战性的任务。提出了一种新的方法,通过使用注意力机制的生成对抗网络,输入古诗文字和草绘图,经由网络输出古诗插图。该模型在利用编码与解码的图片生成结构的同时,结合注意力机制,将图像色彩及轮廓特征进行了提取,生成器中加入了残差网络模块,增加了网络深度,同时提高了网络模型的效果,最终生成图像质量更高的古诗插图。实验结果表明,所提方法相较于对比方法,在图像质量和色彩渲染方面均有优势,输入的古诗和草图经过网络模型,生成了较为符合古诗意境的插图。

基于改进YOLOv3的行人检测研究

针对YOLOv3在检测行人时易漏检小目标以及遮挡问题,提出了一种改进的YOLOv3行人检测模型。改进模型采用K-means++聚类算法取代原K-mean聚类算法,以减轻因初始聚类中心随机选择不当对结果所造成的误差影响;通过加入残差网络模块方法的轻量化模型,并在结构中加入CBAM注意力机制与MHSA多头自注意力机制;通过高效的分配计算资源与捕获全局信息,来提高算法的特征提取能力。实验表明,改进后的算法在CUHK数据集上取得了较好的效果,其中通过实验得到的mAP值为88.20%,相对原算法提升了17.45%,有着较好的特征提取能力,提升了检测小目标与被遮挡行人的能力,同时在检测精准度方面更优。