基于卷积神经网络的非法营运车辆识别

针对非法营运车辆在实际执法中遇到的识别和查处难,并且仅凭法律手段无法得到很好的解决的问题,提出了一种基于卷积神经网络的非法营运车辆识别方法。首先,分析非法营运车辆的特点,制定车辆轨迹生成规则,并通过仿真实验,随机生成包含6 000辆车的轨迹数据集,非法营运车辆和正常车辆各占一半;其次,通过实验验证,确定了适用于该研究的卷积神经网络结构;最后,将车辆轨迹数据处理成大小为112×112的二维轨迹特征图,作为卷积神经网络的输入,对非法营运车辆进行识别研究。仿真实验表明,重复训练12次后,该方法对非法营运车辆的识别正确率能达到90.75%,并且平均耗时的增幅较小。该方法将卷积神经网络运用到了新的领域,也为实际非法营运车辆的识别研究提供了新思路。

非侵入式电力负荷的辨识和监测

本文提出了一种基于Mallat小波变换的电力负荷瞬态和动态轨迹综合辨识方法。其核心原理在于不同种电力负荷的动态和静态频域特征不尽相同;通过对负荷的电流和电压进行实时采样,并对其有功和无功功率进行实时计算,然后通过Mallat小波变换,将电压与电流、有功与无功功率的分层频谱轨迹特征图实时计算出。通过预先对每种负载的预学习和辨识,在实际使用中便可准确地对各类负载的使用及运行状态做出识别。当系统辨识的负载与预存的数据出现严重差异,可以推测出所接入的设备出现异常,或者有新的负载被接入;系统便可以启动相应的报警和应急处理机制,从而达到对电力负载的实时监控和管理的目的。