用于风电场聚合建模的内部集电网络变换方法

风的随机性使得风电场内具有相近运行状态的风电机组的空间分布也具有随机性,因此在风电场聚合建模中将涉及任意位置上风电机组的聚合问题。针对辐射形结构的风电场,提出了一套集电网络处理方法。在拓扑及参数已知的情况下,以网络变换前后由电网电压产生的风电机组端口电压不变为原则,可以对集电网络进行并联化变换;而当已知条件不足以进行此项变换时,以风电场聚合前后功率相等为原则,可以对集电网络进行单阻抗等效。经过网络变换后,风电场内各台机组之间将成为纯并联结构,可以适应任意位置上风电机组的聚合。仿真结果表明,该变换方法对基于定速感应发电机和双馈感应发电机的风电场都适用,且得到的聚合模型具有很高的精度。

多单元开关电感/开关电容有源网络变换器

高增益DC/DC变换器被广泛的应用于绿色能源发电、不间断电源(uninterrupted power supply,UPS)等工业场合。讨论常见高增益电路中开关电感、开关电容单元各自的优缺点,对有源网络升压变换器及传统Boost电路进行一系列性能对比,并在这些基础上衍生出多单元开关电感/开关电容有源网络升压变换器。该变换器结合了开关电感、开关电容单元以及有源网络结构各自的优点,与现有的高增益变换器相比,此变换器升压能力更高,功率器件电压/电流应力更小。在理论研究的基础上,实验结果验证了多单元开关电感/开关电容有源网络升压变换器的优点。

专家系统规则库──神经网络变换算法

本文提出了时序规则库到神经网络的两种变换策略，即基于局部知识表达和分布知识表达的变换策略，在此基础上提出了两种具体的变换原理，即：“逻辑映射原理”和“位映射原理”，给出了实现这些变换原理的具体算法，并举实例作了说明。

网络变换在滤波器设计中的应用

介绍了基于耦合原型参数的滤波器设计方法,并以双谐振子为例讲述了网络变换在滤波电路设计中的应用。最终通过引入有限感值变压器模型对整个电路进行了CAD仿真及优化设计,完成了电路制作并给出了结果。

浅析用于风电场聚合建模的内部集电网络变换

由于风具有随机性,导致风电场内的风电机组的空间分布也呈现随机性,因此风电场聚合建模中各方向风电机组的聚合成了研究重点之一。文章的研究对象主要是辐射形结构的风电场,并针对性地一套风电场聚合建模的内部集电网络变换的处理方法。该变换方法适用于定速感应发电机和双馈感应发电机的风电场,且能增加聚合模型的精度。

面向道路场景语义分割的移动窗口变换神经网络设计

道路场景语义分割是自动驾驶环境感知的一项重要任务。近年来,变换神经网络(Transformer)在计算机视觉领域开始应用并取得了很好的效果。针对复杂场景图像语义分割精度低、细小目标识别能力不足等问题,本文提出了一种基于移动窗口Transformer的多尺度特征融合的道路场景语义分割算法。该网络采用编码-解码结构,编码器使用改进后的移动窗口Transformer特征提取器对道路场景图像进行特征提取,解码器由注意力融合模块和特征金字塔网络构成,充分融合多尺度的语义特征。在Cityscapes城市道路场景数据集上进行验证测试,实验结果表明,与多种现有的语义分割算法进行对比,本文方法在分割精度方面有较大的提升。

基于优化小波变换神经网络的分布式新能源信息预测方法

分布式新能源发电是低碳化电力系统中重要的一部分.随着分布式新能源在城市电网中的占比逐渐增加,负荷随机波动和天气随机变化对于城市电网的影响日益增强,对分布式新能源信息的预测准确性提出了更高的要求.目前,分布式新能源的主要发电方式是分布式光伏发电以及分布式风力发电.城市用电负荷的变化兼具周期性和随机性,而风速和辐照强度等因素分别对于分布式风力发电和分布式光伏发电有重要影响.为了准确预测出分布式新能源的信息,构建了基于小波变换神经网络的分布式新能源信息预测方法.首先,通过分析分布式新能源的工作原理,建立分布式新能源的模型;然后,优化小波变换神经网络,以风力发电和光伏发电为例对负荷用电功率和辐照强度等对电网作用显著的参数进行预测;最后,算例验证模型对分布式新能源信息进行预测的准确性.

基于视觉变换网络的自监督森林火灾识别

【目的】森林火灾识别是避免森林火灾大面积蔓延的一项重要研究。随着深度学习的快速发展,基于卷积神经网络的模型因其在图像识别领域的优异表现,被广泛应用到森林火灾识别任务当中。然而,基于卷积神经网络的方法通常在标签数据不充分时,难以取得令人满意的森林火灾识别结果。【方法】本研究提出了一种基于视觉变换网络的自监督森林火灾识别模型(Self supervised forest fire identification model based on visual transformation network),来提高模型在标签稀缺情况下的森林火灾识别精度。具体来说,该模型采用视觉变换网络作为主干网络,通过视觉变换网络中的多头自注意力机制来捕获森林火灾图像的全局信息特征。并且引入自监督学习中的图像重建任务来辅助模型训练,从而减少模型对标签数据的依赖。模型通过对掩盖图像的特征恢复和重建学习相关语义信息。同时,本研究还提出了一种基于傅里叶低频混合变换的数据增强方法来提高模型的泛化性和鲁棒性。【结果】通过开展详细的试验来验证模型的有效性,结果表明,与其他常见的网络模型相比,FFDM模型在森林火灾识别任务中取得了最佳的识别效果,其识别准确率为89.51%,比VGG16网络高13.7%,比ResNet50网络高8.2%,比InceptionV3网络高7.2%。【结论】通过自监督学习辅助模型训练的方法,FFDM模型即使在标签稀缺下依然可以取得不错的森林火灾识别效果。

基于L_(0)稀疏约束的视觉自注意力变换网络剪枝

视觉自注意力变换网络(Vision Transformer)模型在各种计算机视觉子任务上都取得了优异的性能表现。但其巨大的计算和存储需求阻碍了它在移动设备上的部署。因此提出了一种基于稀疏正则化约束的视觉自注意力变换网络结构化剪枝方法。为了挖掘Vision视觉Transformer的余,采用了重参数化技巧来实现正则项的连续化。在模型的待剪枝部位添加门函数,利用稀疏约束将模型中非重要连接对应的门函数输出值稀疏至0。利用稀疏训练后得到的门函数值来获得修剪掩码矩阵,继而进行剪枝和微调。通过在ImageNet上进行实验,在保持原模型精度水平的情况下,该方法将DeiT-Base网络的参数量减少51%,推理速度提升90%。

基于空间变换网络的盲信号调制识别方法

通信信号的自动调制识别(Automatic Modulation Recognition,AMR)在各种领域都扮演着较为重要的角色。基于神经网络的调制识别方法,能够根据提取出已调信号中可以用于分类的高层次抽象特征,相比于传统的基于人为定义特征的识别方法,具有识别率更高的优势。在实际的调制识别应用场景中,由于盲接收参数估计不准确等原因,调制识别的输入信号样本存在较大的相位、频率偏移,或时间尺度改变。已有的深度学习调制识别方法未考虑上述原因带来的影响,导致调制识别率的降低。提出了一种基于空间变换网络(Spatial Transformer Network,STN)的调制识别方法,在网络模型中引入了通信中同步的一些先验模型,通过空间变换子网络实现先验模型,在一定程度上减轻相位、频率偏移以及不同时间尺度对调制识别的影响。通过仿真数据集的实验证明,提出的方法相比于传统的CNN网络、ResNet网络和CLDNN网络的识别率在SNR>0的条件下分别提高了8.3%、4.9%和5.2%,且更加容易训练,其收敛时所需的训练时间相比于CNN网络、ResNet网络和CLDNN网络分别下降了3.5%、27%和85%。

多通道稀疏图变换网络用于早期阿尔茨海默病识别

目前阿尔茨海默病(AD)尚无有效的防治方法,早期临床干预可以延缓其进展,改善预后。然而现有的方法只考虑从群体关系中学习到的神经影像学特征而不考虑被试的个体特征。本研究设计了一种新颖的多模态多通道稀疏图变换网络(MSGTN)以期实现早期AD识别。首先,获取并处理每个被试者的影像信息[如弥散张量成像(DTI)和功能磁共振成像(fMRI)等]以及其相应的非影像信息(如年龄、性别等);其次,利用局部加权聚类系数(LWCC)将功能信息和结构信息进行融合,并将已融合的多模态影像特征与受试者的性别和年龄信息相结合来构建稀疏图;最后,将构建的稀疏图输入所设计的MSGTN网络模型用于早期AD识别。从公共数据库ADNI上获得共170个受试者,其中38个晚期轻度认知障碍(LMCI)患者,44个早期轻度认知障碍(EMCI)患者,44个显著记忆下降(SMC)患者和44个正常对照(NC)。结果表明,SMC与NC的准确度为87.02%,EMCI与NC的准确度为87.40%,LMCI与NC的准确度为91.49%,SMC与EMCI的准确度为88.93%、SMC与LMCI的准确度为86.74%、EMCI与LMCI的准确度为92.12%。所提出的诊断模型不仅能够分析出NC与3种不同早期AD疾病状态,而且在3种不同早期AD疾病状态中也取得了优越的分类性能。

一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法

为解决水产养殖区遥感提取过程中近岸坑塘养殖目标和网箱养殖目标地物背景复杂,受房屋、植被、海水和船只等干扰提取精度较低等问题,提出了一种联合空间变换和置换注意力机制的近岸水产养殖区信息提取方法SA-STN-Net,选取海南省文昌市八门湾和万宁市坡头港为研究区域,先利用光谱特征和纹理特征构建水产养殖目标先验知识,然后在U-Net模型基础上联合空间变换网络(spatial transformer network,STN)和置换注意力机制(shuffle attention,SA),用于增强养殖目标空间特征、减少复杂地物的干扰并聚焦近岸水产养殖区域。结果表明:与原始U-Net模型相比,SA-STN-Net模型的总体提取精度和平均交并比提高了3.3%和5.7%;与当前较为先进的A2fpn、Swin-Transformer和Dc-Swin等深度学习分割算法相比,SA-STN-Net模型具有更好的分割性能,F 1分数分别提高了6.7%、4.2%和7.2%。研究表明,本文提出的SA-STN-Net模型能适应近岸水产养殖目标地物背景复杂的情况,可对近岸养殖目标进行有效提取,本研究结果可为近岸规划与管理部门提供技术支持。

基于注意力融合网络的方面级多模态情感分类

方面级多模态情感分类任务的一个关键是从文本和视觉两种不同模态中准确地提取和融合互补信息,以检测文本中提及的方面词的情感倾向.现有的方法大多数只利用单一的上下文信息结合图片信息来分析,存在对方面和上下文信息、视觉信息的相关性的识别不敏感,对视觉中的方面相关信息的局部提取不够精准等问题,此外,在进行特征融合时,部分模态信息不全会导致融合效果一般.针对上述问题,本文提出一种注意力融合网络AF-Net模型去进行方面级多模态情感分类,利用空间变换网络STN学习图像中目标的位置信息来帮助提取重要的局部特征;利用基于Transformer的交互网络对方面和文本以及图像之间的关系进行建模,实现多模态交互;同时补充了不同模态特征间的相似信息以及使用多头注意力机制融合多特征信息,表征出多模态信息,最后通过Softmax层取得情感分类的结果.在两个基准数据集上进行实验和对比,结果表明AF-Net能获得较好的性能,提升方面级多模态情感分类的效果.

直流隔离开关变换网络的对偶性研究

本文给出直流隔离开关变换器的对偶电路,并仍保留隔离的特点.用有向拓扑图求直流隔离开关变换器的对偶网络时,关键问题是确定对偶支路方向的方法.文中给出了确定含半导体元件及变压器绕组的各支路方向的一般规则.以正激和反激开关变换器为例,说明直流隔离开关变换网络的对偶变换方法.

ZVS-FB变换器辅助谐振网络作用范围研究

通常认为附加辅助谐振网络的移相控制全桥(Phase-ShiftedFull-Bridge,PS-FB)变换器只要在轻载下其开关管能实现零电压开关(ZeroVoltageSwitching,ZVS)性能,则在重载下ZVS特性也肯定可以得到保证。但理论推导和实验研究发现,某些情况下由于换流过程中开关管漏-源极之间的结电容被二次充电,采用电流源型辅助网络的ZVS-FB变换器的滞后桥臂ZVS特性在重载时会丢失。本文针对这一非正常现象进行了详细讨论,提出了保证谐振网络起作用的约束条件和电路参数的优化设计方法。通过试验验证了上述的理论分析。

XGM波长变换器网络的路由波长分配算法研究

交叉增益调制(XGM,Cross-Gain Modulation),用于波长变换技术,可较简单地制成全光波长变换器。该文先用一个简单的近似模型分析了XGM波长变换器对路径阻塞率的影响,进而根据其本身固有的特点,设计了3种适合于XGM波长变换器网络的路由波长分配算法。通过在美国科学基金会骨干网络(NSFNET,National Science Foundation backbone network),和网孔型(Mesh-torus)网络中的仿真,从网络的阻塞率和公平性两个方面研究XGM波长变换器对网络性能的影响,同时比较了3种算法的性能。仿真结果表明,XGM波长变换器较无波长变换,可以在网络的阻塞率和公平性两个方面都得到较大的改善;3种算法中,FF/lowest算法在改善网络的阻塞率和公平性两个方面都是最优的。

基于空间变换密集卷积网络的图片敏感文字识别

互联网上含有大量多字体混合、形变、拉伸、左右结构字形、倾斜畸变等复杂场景下的敏感文字图片,在处理相关图片过程中存在特征提取难、识别率低的问题.本文提出基于空间变换网络与密集神经网络的方法对图片敏感文字进行特征提取与变换矫正,使用了深层双向GRU网络与CTC时域连接网络对序列特征信息进行标记预测,序列化处理文本的方式可较好地提升距离较宽文字与模糊文字信息的处理能力.实验结果表明,本模型在Caffe-OCR中文合成数据集和CTW数据集中分别实现了87.0%和90.3%识别准确率,平均识别时间达到了26.3 ms/图.

基于空间变换网络的图像超分辨率重建

提出一种基于空间变换网络的图像超分辨率重建算法。通过设计空间变换网络,学习合适的变换参数进而对齐原始图像;利用视觉注意机制扩充网络,在训练过程中自动选择感兴趣的区域特征。最后,利用生成对抗网络进行超分辨率图像重建,从而达到高分辨率图像重建的目的。与其他算法在数据集上的重建效果对比结果表明,所提算法的超分辨率重建效果较好,且评价指数均有所提高。

合成氨变换工艺分析及全低变换热网络优化设计

在目前的变换工艺中 ,全低变工艺是较为节能的工艺。利用夹点技术对全低变换热网络进行优化设计 ,得到的新网络流程不需要外供蒸汽。与第二换热网络相比 ,减少了设备台数 ,节省投资费用 ,目前使用的全低变工艺的能耗还可进一步降低。

简化数据变换网络与全交叉网络拓扑等价的多套逻辑名矩阵

用光互连取代电互连实现多处理机系统的互连通信具有潜在的优势．本文提出了互连网络逻辑名结构的矩阵表示形式，并采用互连网络拓扑等价的图分析法获得了简化数据变换网络与全交叉网络拓外等价的四套逻辑名矩阵，为拓展光互连简化数据变换网络系统的互连功能、提高其性能价格比提供了理论依据．