基于图半监督与多任务学习的配电网故障区段与类型统一辨识

为解决深度学习类配电网故障辨识方法在量测不足和标记率低时准确率不高的问题,提出了基于图半监督与多任务学习的故障区段与类型统一辨识方法。首先,设计了故障区段与类型统一辨识的图神经网络架构,在图嵌入层中融入网络拓扑和线路参数信息,以充分挖掘不同位置、类型的故障特征。其次,采用多任务注意力网络构建了故障区段定位和类型辨识两个任务,以提取故障的多重信息,实现不同任务间知识转移。再次,将图嵌入特征与无标签样本的编码压缩特征进行融合,得到新的多任务共享特征,以充分利用未标记数据,增强模型泛化能力。最后,通过算例测试表明,所提方法的故障辨识精度优于传统神经网络,且在实时量测少、标签率低及不同量测噪声条件下具有更好的鲁棒性。

面向天线跟踪系统的ADRC控制器设计及参数优化

针对传统自抗扰控制器存在参数整定困难及控制器效果有待改善的问题,提出了一种基于改进型Fal函数的永磁同步电机位置自抗扰控制器控制策略,旨在优化伺服系统的控制效果。设计了Le_fal函数以解决Fal函数在定义域区间的不连续性问题和拐点处输出增益的抖动问题,减少了控制器待整定参数。针对自抗扰控制器参数难以整定的问题,采用粒子群算法对控制器参数进行优化。仿真实验结果表明,基于粒子群的改进型自抗扰控制器参数优化算法将超调量从传统自抗扰控制器的3.1016%降低至0.3375%,将调节时间从3.08 s降低到0.47 s,将稳态误差从0.0633降低至0.0162。结果表明,改进后的自抗扰控制器具有更好的快速性和鲁棒性。

一种用于低剂量CT的微小细节保护CNN与Transformer融合去噪方法

为解决低剂量CT图像因辐射剂量降低而引入大量噪声,导致图像质量下降,从而影响临床诊断准确性问题,构建一种结合卷积神经网络(CNN)与Transformer的网络模型,并在此模型中引入一种内部块特征提取模块,以更好地保护图像中的微小细节。此外,为了解决应用Swin Transformer去噪时出现恢复错误纹理细节的问题,在自注意力部分并入一个多输入通道注意力模块,进而构建一种双重注意力Transformer。本研究在AAPM数据集上进行测试,实验结果表明,与现有的去噪算法相比,本文提出的算法在去噪方面表现出色,可以更好地保护图像的微小细节。