一种改进的5层深度学习结构与优化方法

已有研究针对5层神经网络结构中各隐层节点数的选取并不明确。为此,提出一种改进的5层深信度网络(DBN)结构设计方案与节点数量优化选择方法。将第一隐层、第二隐层节点数预估为前一层节点数的1/3至2/3间的某值,第三隐层、第四隐层节点数分别等于第一隐层和输入层的节点数,然后采用样条插值方法优化选择第一隐层、第二隐层节点数。该结构特征只需预训练前2层权重,简化了DBN的受限玻尔兹曼机预训练方法。MNINST数据集上的实验结果验证了该网络结构的高效性与高准确率。

基于图像识别的输电线路设备缺陷识别应用系统设计

为更好地保障输电线路设备的电子汇集能力,并实现对高压电网络结构的合理性规划,基于图像识别技术设计了一种输电线路设备缺陷识别应用系统。联合输电循环回路,妥善连接任务管理模块与电量基站控制设备,完成对系统硬件执行环境的搭建。在此基础上,设计卷积神经网络,借助栈式自动编码器结构体,对RBM识别节点进行训练处理,完成系统软件执行环境的搭建。将软硬件结构结合,实现基于图像识别输电线路设备缺陷识别系统的顺利应用。对比实验结果表明,与传统的深度学习型缺陷识别系统相比,该文系统可同时检测的传输电子量更多,且既定时间节点处的识别精准度也更高,能够较好地实现对输电线路设备电子汇集能力的保护。