引入注意力机制和参数优化的TCN短期风电功率预测

为提高短期风电功率预测的准确性,提出一种基于频率注意力机制和粒子群优化的时间卷积网络短期风电功率预测模型。首先,利用灰色关联分析方法计算气象变量与风电功率的关联度,选取特征变量;其次,引入频率注意力机制改进时间卷积网络残差块,赋予通道不同权重,并基于粒子群优化算法优化时间卷积网络超参数,搭建预测模型;最后,以黑龙江某风电场实测数据为例进行仿真分析,实验结果表明,所提方法能够充分提取风电功率序列的时序特征,提高短期风电功率预测精度。

改进YOLOv5网络在遥感图像目标检测中的应用

针对遥感图像目标检测存在的尺度多样化、分布密集、小目标检测困难等问题,提出了一种改进YOLOv5网络的遥感图像目标检测的新方法Fca_YOLOv5。该方法引入了频率通道注意力网络,引导模型更加关注信息丰富的特征;将网络输入尺寸优化为1 024,减少了图像缩放带来的影响;采用圆形平滑标签计算角度损失,对船舰目标进行旋转目标检测,进一步提升检测效果。在DOTA遥感图像数据集上进行实验,检测精度最高达到了75.9%,船舰旋转目标检测精度达到了96.1%,并且Fca_YOLOv5s的检测精度比YOLOv5s提高了3.1%。实验结果表明,改进网络对遥感图像中的微小目标具有较好的检测效果,有效提升了遥感图像的检测精度,对实现遥感图像中的微小目标检测具有一定的参考意义。