基于多维能力和知识图谱-多层感知机的变压器运行状态画像构建方法

利用大数据和画像技术对电力变压器运行状态进行准确评价有利于保障电力系统的安全稳定运行。针对电力变压器运行状态传统评价方法存在的评价维度过于单一、主观性较强等不足,提出了一种基于多维能力和知识图谱-多层感知机的变压器运行状态画像构建方法。首先,构建了由绝缘水平、负载能力、抗短路能力、能效等级和调压能力五个能力构成的变压器运行状态画像体系;然后,融合知识图谱(knowledge graph,KG)与多层感知机(multilayer perceptron,MLP),建立了一种变压器运行状态画像分析模型;最后,基于某地区1368台110kV变压器的实际运行数据,开展了变压器运行状态画像的实例分析,并与随机森林(random forest,RF)和支持向量机(support vector machine,SVM)方法的画像分析结果进行对比。研究结果表明,所提方法对变压器运行状态画像的准确率达到96.35%,优于RF算法(准确率89%)和SVM算法(准确率77%),为电力变压器的运行状态评价提供了一种新思路。

基于多层感知机技术的地铁盾构施工参数预测

在地铁工程建设中,盾构法施工技术已经得到了广泛的应用,盾构掘进参数的合理预测对提高施工安全性及降低操作难度具有较大实际意义.以中国杭州机场快线地铁隧道某标段为工程背景,以隧道直径范围内土层摩擦角、黏聚力、压缩模量、重度以及隧道顶部埋深、盾构机预设刀盘转速、推进速度作为输入,以盾构施工时的注浆量、注浆压力、出土量、总推力和刀盘扭矩为输出,建立基于多层感知机的盾构掘进参数预测模型.通过对比不同超参数组合情况下的模型在数据集上的预测表现,挑选出适合于该工程盾构施工参数的预测模型.使用实测数据对模型预测效果进行验证,预测值与实测数据总体变化规律一致,平均误差在20%以内.建立的多层感知机模型预测结果较为合理,具有较好的预测精度,可用于复合地层条件下同类型盾构掘进参数的预测.

基于多层感知机和近端策略优化的滚动轴承故障诊断方法

针对基于价值函数的强化学习故障诊断方法存在无法应对随机策略以及策略微弱变化导致维度爆炸的问题,提出了基于多层感知机和近端策略优化(MLP-PPO)的滚动轴承故障诊断方法。首先,基于多层感知机网络构建强化学习智能体;然后,基于策略网络和价值网络的框架构建与智能体交互的故障诊断环境,充分提取故障特征;最后,采用策略梯度优化方法拟合故障诊断目标函数,通过近端策略优化方法寻找故障诊断最优策略。通过XJTU-SY滚动轴承数据集进行试验的结果表明,相对于SVM,CNN,DQN等方法,基于MLP-PPO的故障诊断方法的准确率更高(约96%)。

融合多源海洋大地测量数据的南海海底地形多层感知机反演

本文融合SIO(Scripps Institution of Oceanography)发布的垂线偏差、重力异常和垂直重力梯度数据及NCEI(National Centers for Environmental Information)发布的船载测深数据,利用多层感知机神经网络(Multi-Layer Perceptron,MLP)建立南海海域(108°E—121°E,6°N—23°N)分辨率为1'×1'的海底地形模型(MLP_Depth).首先,将642716个船载测深控制点的位置信息与周围4'×4'格网点处的地球重力信息(垂线偏差、重力异常、垂直重力梯度)作为输入数据,将船载测深控制点处实测水深值作为输出数据,训练MLP神经网络模型,训练结束时决定系数R2为99%,平均绝对误差MAE为39.33 m.然后,将研究区域内1'×1'格网正中心点处的输入数据输入于MLP模型中,可得格网正中心点处的预测海深值.最后,根据预测海深值建立研究区域范围内分辨率为1'×1'的MLP_Depth模型.将MLP_Depth模型预测水深与160679个检核点处实测水深对比,其差值的标准差STD(75.38 m)、平均绝对百分比误差MAPE(5.89%)与平均绝对误差MAE(42.91 m)皆优于GEBCO_2021模型、topo_23.1模型、ETOPO1模型与检核点实测水深差值的STD(108.88 m、113.41 m、229.67 m)、MAPE(6.11%、6.94%、18.37%)与MAE(47.33 m、52.24 m、130.08 m).同时,为了研究不同区域内利用该方法建立的海底地形模型的精度,本文在研究区域内分别建立了A、B区域的海底地形模型(MLP_Depth_A、MLP_Depth_B).经过验证得:MLP_Depth_A、MLP_Depth_B相比于MLP_Depth模型具有更高的精度,更能反应海底地形的变化趋势.

融合多层感知机和多项式拟合的大数据平台风机故障诊断

为了提高火电厂送引风机运行的全程安全化、故障诊断准确化、生产收益长期化,将风险问题前置是提升机组运行安全性的关键。基于此,提出了融合多层感知机和多项式拟合的大数据平台风机故障诊断模型。采用多层感知机和多项式拟合建模技术建立风机预警模型,并将模型部署在大数据平台中,能及时发现风机运行期间人工难以发现的异常。采用数据挖掘、机理分析和特征值知识库相结合的方法,挖掘风机失速的参数边界信息,精准化配置各种工况的风机失速边界条件并绘制失速边界工况图,然后结合正常运行工况得出预警失速区间,最终建立覆盖风机全工况的故障诊断模型。利用大数据平台对风机运行数据全覆盖、全流通、全维护的优势,构建了基于大数据平台的风机智能巡盘模型体系,实现以智能巡盘模型代替运行人员对风机运行状态进行定期巡盘监视和诊断,达到风机故障的准确安全诊断、故障发生率最低化及人员复用率最大化的效果。

基于U形多层感知机网络的地震波初至拾取与反演

针对传统勘探地震波初至拾取工作量大、抗噪性差和精度低所导致的低质量速度反演影响生产安全的问题,提出一种基于U形多层感知机(U-MLP)网络的地震波初至拾取与反演方法。首先,为解决传统U形网络(U-Net)中的交叉熵损失函数在数据类别不平衡时导致的性能变差问题,设计一种基于加权交叉熵Lovász归一化指数(WLS)的损失函数;然后,在特征融合阶段引入残差连接,缩小低级特征与高级特征间的差距,还原更多细节信息;最后,为使U-MLP网络更好学习图像局部特征,为高级语义引入标记化的多层感知机(MLP)模块,此模块降低了参数量和计算复杂度。实验结果表明,与U-Net相比,U-MLP网络在训练中收敛性更强,初至拾取最大误差降低了20%以上,交并比(IoU)值提升了约2%。可见,U-MLP网络在提取勘探地震波初至时不仅提高了拾取精度,而且拾取的初至在仿真数据和实际数据中的速度分布反演均达到了理想效果,具有更好的性能且适应性更强。

基于图共现增强多层感知机的会话推荐

针对多层感知机(MLP)架构无法捕获会话序列上下文中的共现关系的问题,提出了一种基于图共现增强MLP的会话推荐模型GCE-MLP。首先,利用MLP架构捕获会话序列的顺序依赖关系,同时通过共现关系学习层获得序列上下文中的共现关系,并通过信息融合模块得到会话表示;其次,设计了特定的特征选择层,旨在扩大不同关系学习层输入特征的差异性;最后,通过噪声对比任务最大化两种关系表征之间的互信息,进一步增强对会话兴趣的表征学习。在多个真实数据集上的实验结果表明GCE-MLP的推荐性能优于目前主流的模型,验证了该模型的有效性。与最优的MLP架构模型FMLP-Rec(Filter-enhanced MLP for Recommendation)相比,在Diginetica数据集上,P@20最高达到了54.08%,MRR@20最高达到了18.87%,分别提升了2.14和1.43个百分点;在Yoochoose数据集上,P@20最高达到了71.77%,MRR@20最高达到了31.78%,分别提升了0.48和1.77个百分点。

结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法

现有基于深度学习的图像去噪方法中,在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像,以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面,存在卷积层难以处理较大噪声级别下的跨层次特征,以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题,从两方面提出解决方法:一方面,在架构层面提出新颖的跨阶段门控特征融合,从而更好地连接一阶段网络的浅层特征与二阶段的深层特征,促进信息流的交互并使得去噪网络内部关联更为紧密,同时避免丢失原始像素细节;另一方面,在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块,作用于低分辨率多通道数的特征图,从而缓解卷积网络在复杂噪声场景下难以捕获跨层次特征依赖关系的问题,对于高分辨率、少通道数的特征图,使用卷积网络以充分提取噪声图像的空间邻域依赖关系。大量定量与定性实验表明,所提算法在真实世界图像去噪和高斯噪声去除任务中,都以较小的参数量和计算代价取得了最佳的PSNR和SSIM。

基于多层感知机模型的熔融沉积尺寸误差预测方法

熔融沉积成型(FDM)或熔丝制造(FFF),是当下最常见和广泛使用的3D打印技术之一,可用于制造各种功能性构件。然而,FDM(FFF)制件普遍存在尺寸精度低、表面质量差、易翘曲和机械强度不足等现象。目前普遍采用工艺参数优化方法来解决这些问题,但往往需要大量的实验工作和复杂的数据处理。因此,本文以碳纤维增强复合材料的熔融沉积3D打印为例,提出一种基于多层感知机(MLP)模型的FDM(FFF)尺寸误差预测方法。实验结果表明,通过采用4个隐藏层数、神经元节点数常规设计的4-Layers-a网络结构,MLP模型能够实现对尺寸误差的预测,准确率均达到95%以上,可有效应用于FDM(FFF)的工艺参数优化。

基于改进非负绞杀的多层感知机软测量算法

针对复杂过程数据驱动建模所面临的多变量、强耦合、非线性等问题,提出一种将灵敏度分析与非负绞杀(NNG)结合的多层感知机(MLP)软测量算法。首先,利用基于方差分解的灵敏度分析量化各输入变量与目标变量的关联程度,并计算各个变量的总灵敏度指数;其次,将总灵敏度指数嵌入NNG算法并与MLP神经网络结合,实现输入变量选择;最后,利用Friedman数据集和某石化企业汽油辛烷值预测验证提出算法有效性。实验结果表明:提出的算法克服了NNG算法系数估计有偏的缺点,有效降低了模型复杂度,提高了模型预测精度。

利用贝叶斯优化多层感知机的光伏阵列在线故障诊断方法

光伏阵列在非正常状态下运行,将严重降低光伏电站的发电效率,并缩短光伏组件的使用寿命。及时准确地识别故障类型变得尤为重要,提出了一种贝叶斯优化算法(Bayesian optimization algorithm,BOA)与多层感知机(multilayer perceptron,MLP)相结合的光伏阵列实时远程监控在线故障诊断方法。首先,利用MATLAB/Simulink建立光伏阵列的仿真模型,模拟4种典型故障情况,并设置了7种故障状态,分析不同故障下的电流-电压(I-V)、功率-电压(P-V)曲线。考虑光伏阵列运行过程中能实时测量的物理量,提取故障特征并构造了一个新特征电流占比。随后,对特征数据进行了标准化处理。接着,利用BOA对MLP的超参数进行优化,训练得到了具有较高准确性的光伏阵列故障诊断模型,测试准确率达到99.67%,诊断效果很好。最后,通过与随机森林和支持向量机等算法进行对比,并进行了仿真实验验证了该方法的准确性和稳定性。

基于改进多层感知机的工业过程微小故障诊断方法

针对工业过程数据的局部相关性、动态特性以及微小故障特征分布重叠的特点,提出一种中心聚合自注意力多层感知机(CPSAMLP)微小故障诊断方法。在数据处理中采用滑动窗口在时间维度和空间维度滑动,增强数据的动态特性,在传统多层感知机中,加入自注意力机制,对关键特征信息重新分配权值,在原有的交叉熵损失函数中引入中心损失项,使特征向量向特征中心靠拢,解决了微小故障特征分布重叠的问题,提升模型对微小故障的识别能力。在TE过程和青霉素发酵过程进行仿真验证,并与多层感知机(MLP)、自注意力多层感知机(SAMLP)方法进行对比,结果显示CPSAMLP故障诊断效果更优,平均准确率分别达到83.58%和97.35%,验证了所提方法的有效性。

基于双池化的多层感知机光功率预测方法

[目的]针对地铁通信系统历史光功率数据缺失但历史相关数据充分的情况,提出基于双池化多层感知机模型的光功率预测方法。[方法]介绍了多层感知机模型和基于双池化多层感知机模型的结构和预测原理。基于成都地铁通信系统检测数据,通过试验对比分析了不同模型的预测结果,以及基于双池化多层感知机模型在不同变量下的预测结果。[结果及结论]基于双池化多层感知机模型具有较好的预测精度。在面对环境信息的多变性和时序信息的重复性问题,该模型能够分别使用最大池化(Maxpooling)和平均池化(Avgpooling)进行特征提取,有效利用数据信息对输入光功率进行预测;该模型充分考虑了地铁通信系统输入光功率受到的相关影响因素和数据的突变特点,能够有效解决光功率时常突变、难以预测的问题。

基于图注意网络和多层感知机的有源配电网拓扑辨识

拓扑精确感知能更好地支撑新型电力系统薄弱环节评估和负荷调控策略制定。针对有源配电网拓扑结构动态变化难以实时获取的问题,提出一种基于图注意网络和多层感知机的有源配电网拓扑辨识方法。首先,将有源配电网抽象为图模型并用图注意网络自适应学习各节点之间的连接关系,并计算图中各节点多头注意力融合特征;然后,将融合后的节点特征与拓扑中的全部边集合输入至多层感知机中,学习节点融合特征与边连接状态之间的关系,并将图中全部边状态辨识结果整合输出拓扑图级辨识结果;最后,基于IEEE 33节点配电网和IEEE 123节点配电网验证所提方法的有效性,并分析所提方法在不同噪声水平条件下的鲁棒性。同时,将所提模型与其他传统机器学习、深度学习算法进行对比,分析了所提方法的优越性。

基于多层感知机的ATM英文凭单识别

文中提出一种面向英文ATM凭单的新型图像嵌入模板的处理思路,并结合机器学习进行OCR识别。首先将待识别的英文ATM凭单切割为单行图片,将此单行图片嵌入到自定义矩形模板,并将获得的单个字符图像制作成ATM凭单数据集。为了更好地识别上述处理的ATM凭单,文中采用多层感知机进行训练。经过大量实验以及对比研究,英文ATM凭单的单个字符识别准确率达到98.87%,单行识别准确率也达到了98%。

基于多层感知机的轻量级遥感影像语义分割方法研究

深度语义分割是常见的遥感影像应用之一。现有的基于深度卷积神经网络的语义分割算法往往不能有效应用于实际环境的图像分割任务,此类网络模型参数较多,计算复杂且运行缓慢。为此,提出一种基于卷积神经网络与多层感知机(MLP)的图像分割网络,包含一个卷积阶段和一个MLP阶段,在编码器与解码器进行跳跃连接的过程中加入一个注意力控制机制,使网络将更多权重放在值得注意的地方。该方法可以有效提取图像的局部特征,同时与其他复杂的神经网络模型相比,可以有效减少参数量和计算复杂度,并保持分割的精确度。最后在多个遥感数据集上进行了测试,结果表明,相比UNet、UNet++、SegNet模型,该模型的参数量为1.471 93 M,平均训练时长为47.973 218 55 s,计算复杂度为5.7 GFLOPs,在一定程度上减少了模型复杂度和运行时长。

基于多层感知机的失效模式预测方法研究

本文研究的工作基于生产线系统,通过预测和预处理其失效模式,来提高系统的可靠性。使用机器学习等技术来进行生产线故障的预测。针对由多个生产环节组成的高精度工艺成品的生产线,这种预测方法可以辅助提升生产线的稳定性。本文提出了一种基于多层感知机的生产线失效预测方法,以解决现有基于模型的失效预测方法在模型建立上的困难。通过该方法的应用,得到了预测准确率较高的结果,说明了生产线失效预测方法的有效性。

基于多层感知机的人工智能深度学习在福建省地表水水质模拟上的应用

福建省主要流域水质今年来已处在“高位运行”的阶段,但是仍有小部分国省控断面存在未稳定达标的风险。因此,对地表水水质进行准确预测和预警,对水环境管理与污染防治有重要的意义。目前,因污染来源的复杂性而导致的且难以准确计量,使用人工智能深度学习的方法进行流域水质模拟已经成为水质预测预报方向的研究热门。本研究使用多层感知机的人工智能深度学习在福建省闽江流域闽侯竹岐国考断面上进行水质模拟,并尝试在其他国控断面上进行推广应用。

多层感知机网络模型在集装箱船舶装卸作业时间预测中的应用

为了准确预测集装箱船舶装卸作业时间,提高船舶进出港计划的可靠性,构建多层感知机网络模型预测船舶装卸作业时间:首先,通过相关性分析从船舶装卸作业数据中提取关键特征维度;然后,通过优化多层感知机网络提升模型的特征学习效果,并通过敏感性分析优化模型参数,实现对船舶装卸作业时间的精准预测;最后,通过模型应用验证算法的预测效果。应用结果表明:本模型预测误差率为7.5%,优于人工预测误差率。

基于多层感知机与无网格策略的三维空间声源识别

以往波束形成算法将潜在声源区域划分成若干网格,所有的声源被映射到一个个网格点上,会导致错误的声源定位与强度计算,并且计算精度与效率受网格间距大小的影响。采用多层感知机神经网络以及无网格策略,能够提高声源识别的空间分辨率与计算效率。通过使用单个平面麦克风阵列对三维等强度双点声源进行识别定位,发现相较于传统互谱算法,多层感知机能够改善平面阵列在深度方向上较差的空间分辨率性能。此外,在定位误差方面,多层感知机优于传统互谱算法,同时声源识别的强度误差有所降低。在低频时,多层感知机性能优于波束形成算法,可用来弥补波束形成算法空间分辨率性能不佳的局限性。