基于残差U型网络的低压台区电力缺失数据补全方法

低压台区的用户电力数据在采集、传输等环节出现无规律缺失导致后续台区应用分析出现误差,为保证低压台区电力数据的完整性,提出了基于残差U型网络(RU-Net)的多用户电力缺失数据补全方法。首先,根据低压台区多用户电力数据缺失的特点,将电力数据构成可供一维卷积操作的时空张量数据格式。然后,利用RU-Net的编码与解码能力实现缺失数据的重构,通过引入残差学习以及批归一化层来优化网络结构。最后,基于所提方法对某台区用户功率数据随机缺失和连续缺失2种情况进行补全。结果表明,该方法能补全随机缺失率不超过40%与连续缺失不超过2 d的台区电力数据,且在补全精度方面相比于传统方法有一定程度的提高。

基于Retina-GAN的视网膜图像血管分割

对于一些可以从视网膜血管观测到的眼科疾病,眼底图像起着关键的作用,能够为专业的医科人员提供有效的参考,然而手工标注血管费时费力,且工作量较大,所以实现自动智能的血管分割方法对相关人员大有裨益.本文将Attention机制与RU-Net结构融合应用到生成对抗网络(generative adversarial network,GAN)的生成器中,形成了一种新的结构——Retina-GAN.同时在对眼底图像的预处理步骤上选择了自动色彩均衡(ACE),提高图像对比度,使血管更加清晰.为了验证所提出的方法,选用DRIVE数据集,并把Retina-GAN与其他研究比照,测量分析了算法准确性、灵敏度和特异度.实验数据显示Retina-GAN比其他模型具有更好的性能.