基于全局与局部感知网络的超高清图像去雾方法

当前,为实现图像全局建模的目的,基于多层感知机(multi-layer perceptron,MLP)的模型通常需要将图像上的像素进行平铺,之后实施一个自注意力机制或“混合”增强方案以获得图像的长范围依赖。然而,这些方法通常消耗大量的计算资源来弥补图像重建丢失的空间拓扑信息。特别是对于超高清图像去雾任务,大量堆积MLP的模型在资源受限的设备上执行一张超高清带雾图像时会出现内存溢出的问题。为了解决这个问题,本文提出了一种可以在单个GPU上对分辨率为4 k的图像进行实时去雾(110 f/s)的模型,该模型的建模过程中保持了图像空间结构信息,同时具有低计算复杂度的优点。

基于双层栈式长短期记忆的电网时空轨迹预测

随着广域量测技术的发展,提前辨识暂态稳定性并采取预防控制措施对电力系统的安全和稳定有着重要意义,而对电力系统的时空轨迹预测则是其中的关键。传统的无系统模型电网时空轨迹预测方法虽然不依赖于系统模型,计算速度较快,但是在预测过程中并没有考虑到电网的空间拓扑关系,另外,在现代复杂电网的大数据环境下,其预测精度相比于采用深度学习的方法仍有待提高。因此,提出了基于双层栈式长短期记忆和近邻节点拓扑关系的电网时空轨迹预测模型。它采用栈式长短期记忆的神经网络结构,并将所预测发电机节点的近邻一阶节点和二阶节点特征引入到了模型中。实验数据表明,支持向量回归法、循环神经网络方法、单层长短期记忆神经网络方法、基于双层栈式长短期记忆的电网时空轨迹预测方法在测试集上的预测均方根误差逐渐递减,预测精度逐渐增加,而在一阶节点和二阶节点分别引入电网时空轨迹预测的情况下,随着引入邻近节点的增加,预测精度也逐渐增加。相比于传统的电网时空轨迹预测方法,基于双层栈式长短期记忆和近邻节点拓扑关系的电网时空轨迹预测模型能更好地表征暂态场景下电网时空轨迹的变化,更精确地实现电网时空轨迹的预测。