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...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。展开更多
【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...【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。展开更多
文摘高增益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。
文摘【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。