1037322增量式光電編碼器選SICK上海秉銘DFS60E-S4AM00250高操作機(jī)構(gòu)機(jī)械故障診斷準(zhǔn)確率,充分挖掘高壓斷路器振動(dòng)信號(hào)中的特征信息,提出了一種基于深度自編碼網(wǎng)絡(luò)的高壓斷路器操作機(jī)構(gòu)機(jī)械故障診斷方法。首先,提取斷路器操作機(jī)構(gòu)振動(dòng)信號(hào)并進(jìn)行小波包變換,并對(duì)各個(gè)頻段的振動(dòng)信號(hào)進(jìn)行等時(shí)間分段;然后計(jì)算振動(dòng)信號(hào)時(shí)頻子平面的能量大小,并以該時(shí)頻能量分布作為斷路器操作機(jī)構(gòu)故障診斷的特征量;后,通過(guò)預(yù)訓(xùn)練和微調(diào)建立基于深度自編碼網(wǎng)絡(luò)的斷路器故障診斷模型,并以126 kV高壓斷路器進(jìn)行不同故障類(lèi)型的模擬實(shí)驗(yàn)驗(yàn)證方法有效性,。意力機(jī)制的編解碼模型在文本摘要,、機(jī)器翻譯等序列到序列任務(wù)上得到了廣泛的應(yīng)用。在深度學(xué)習(xí)框架中,深層神經(jīng)網(wǎng)絡(luò)能夠提取輸入數(shù)據(jù)不同的特征表示,因此傳統(tǒng)編解碼模型中通常堆疊多層來(lái)提高模型性能,。然而現(xiàn)有的模型在解碼時(shí)僅利用編碼器后一層信息,而忽略編碼器其余層的特征,。鑒于此,提出一種基于多層循環(huán)神經(jīng)網(wǎng)絡(luò)和層級(jí)交互注意力機(jī)制的摘要生成模型,通過(guò)層級(jí)交互注意力提取編碼器不同層次的特征信息來(lái)指導(dǎo)摘要的生成。為了處理因引入不同層次特征而帶來(lái)的信息冗余問(wèn)題,引入變分信息為準(zhǔn)確檢測(cè)異常用電行為以降低電力公司的運(yùn)營(yíng)成本,提出一種基于改進(jìn)深度自編碼網(wǎng)絡(luò)的異常用電行為辨識(shí)方法,。首先將正常用戶(hù)的用電數(shù)據(jù)作為訓(xùn)練樣本,自編碼網(wǎng)絡(luò)逐層學(xué)習(xí)數(shù)據(jù)的有效特征;然后重構(gòu)輸入數(shù)據(jù)以計(jì)算檢測(cè)閾值,而由于異常用電行為破壞數(shù)據(jù)的特征規(guī)則,再通過(guò)對(duì)比重構(gòu)誤差與檢測(cè)閾值的差異即可實(shí)現(xiàn)異常用電行為辨識(shí),。為了改善自編碼網(wǎng)絡(luò)的特征提取能力與魯棒性,分別引入了稀疏約束和噪聲編碼,并利用粒子群算法優(yōu)化網(wǎng)絡(luò)的超參數(shù)以提高模型的學(xué)習(xí)效率和泛化能力。選用福建省某地區(qū)居民用電和商業(yè)用電數(shù)據(jù)集進(jìn)行了驗(yàn)證,這一模型的異常行為檢測(cè)的準(zhǔn)確率高于92%,。實(shí)驗(yàn)表明所提方法具有優(yōu)異的特征提取能力和異常用電行為辨識(shí)能力,。像存在較大噪聲的現(xiàn)狀,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)改進(jìn)的殘差卷積神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)一共有9層,其中有3層卷積層,3層殘差塊,以及3層反卷積層,。改進(jìn)后的算法具有更加清晰的降噪圖像,更有利于后期識(shí)別紅外圖像,。本文從FLIRADAS紅外圖像數(shù)據(jù)集對(duì)經(jīng)典卷積自編碼器和殘差卷積自編碼器進(jìn)行 號(hào)特征進(jìn)行模式識(shí)別的調(diào)制識(shí)別方法需要先計(jì)算信號(hào)的高階特征、高階累積量再進(jìn)行模式識(shí)別,整體設(shè)計(jì)復(fù)雜,特征不易計(jì)算,。機(jī)器學(xué)習(xí)技術(shù)由于其強(qiáng)大的特征提取能力和分類(lèi)能力,被廣泛應(yīng)用到模式識(shí)別領(lǐng)域中,。針對(duì)調(diào)制識(shí)別問(wèn)題,提出了一種基于欠完備自編碼器的調(diào)制識(shí)別技術(shù),使用欠完備自編碼器進(jìn)行調(diào)制信號(hào)的特征自動(dòng)提取,再使用神經(jīng)網(wǎng)絡(luò)分類(lèi)器進(jìn)行分類(lèi)識(shí)別。整體模型更為簡(jiǎn)潔,運(yùn)算復(fù)雜度較低,有利于部署在硬件上進(jìn)行實(shí)時(shí)識(shí)別,。對(duì)常見(jiàn)的B

通擁堵預(yù)測(cè)算法中充分考慮各類(lèi)因素的影響以及挖掘交通流數(shù)據(jù)隱含的深層特征,該文提出基于長(zhǎng)短期記憶（Long-short term memory,LSTM）模型的交通擁堵預(yù)測(cè)方法,。該方法充分考慮交通流特征、天氣,、節(jié)假日等因素,首先利用去噪自編碼模型提取輸入數(shù)據(jù)的核心特征,再使用LSTM模型長(zhǎng)時(shí)記憶歷史數(shù)據(jù),二者結(jié)合對(duì)城市交通擁堵程度進(jìn)行有效預(yù)測(cè),通過(guò)與已有的交通擁堵預(yù)測(cè)模型進(jìn)行對(duì)比,結(jié)果表明,該方法具有較高的預(yù)測(cè)準(zhǔn)確度和魯棒性,準(zhǔn)確度能達(dá)到9力變壓器油中溶解氣體進(jìn)行預(yù)測(cè)分析可以有效掌握設(shè)備狀態(tài)和發(fā)展趨勢(shì),。該文以長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)時(shí)序分析模型為基礎(chǔ),引入特征和時(shí)序雙重注意力機(jī)制,利用參量間關(guān)聯(lián)關(guān)系和時(shí)序信息依賴(lài)關(guān)系提升氣體的預(yù)測(cè)準(zhǔn)確率。特征注意力機(jī)制可以自動(dòng)提取待預(yù)測(cè)氣體與其他狀態(tài)信息,、環(huán)境和運(yùn)行數(shù)據(jù)等特征之間的關(guān)聯(lián)關(guān)系,為預(yù)測(cè)提供輔助信息進(jìn)行適當(dāng)修正,并不受傳統(tǒng)關(guān)聯(lián)規(guī)則算法的預(yù)設(shè)閾值限制;同時(shí),利用時(shí)序注意力機(jī)制自主選取歷史信息關(guān)鍵時(shí)間點(diǎn),在LSTM時(shí)序模型基礎(chǔ)上進(jìn)一步增強(qiáng)關(guān)鍵時(shí)間點(diǎn)的信息表達(dá),提升較長(zhǎng)時(shí)間段預(yù)測(cè)效果的穩(wěn)定性,。在對(duì)某正常狀態(tài)運(yùn)行變壓器甲烷氣體數(shù)值預(yù)測(cè)實(shí)驗(yàn)中,該方法在基礎(chǔ)LSTM模型上降低大相對(duì)誤差3%;在對(duì)某缺陷變壓器的發(fā)展趨勢(shì)預(yù)測(cè)中,能準(zhǔn)確給出關(guān)鍵氣體異常上升警戒的參考信息;具有更準(zhǔn)確和更穩(wěn)定的變壓器油中溶解氣體預(yù)測(cè)效果。

1037322增量式光電編碼器選SICK上海秉銘DFS60E-S4AM00250異常事件檢測(cè)問(wèn)題是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究課題之一,旨在基于模式識(shí)別和計(jì)算機(jī)視覺(jué)方法智能地從監(jiān)控視頻中自動(dòng)檢測(cè)出需要關(guān)注的異常事件或行為,在實(shí)際生活中有廣泛的應(yīng)用和巨大的潛在需求,是人工智能技術(shù)落地的重要方向之一,。同時(shí),近年來(lái)以深度學(xué)習(xí)為代表的新興機(jī)器學(xué)習(xí)技術(shù)及其在各個(gè)領(lǐng)域中取得的巨大成功,地啟發(fā)了各類(lèi)*技術(shù)在視頻異常事件檢測(cè)問(wèn)題中的應(yīng)用,。首先回顧了視頻異常事件檢測(cè)問(wèn)題的定義和面臨的主要挑戰(zhàn),隨后從視頻異常檢測(cè)包含的3個(gè)主要的技術(shù)環(huán)節(jié)（視頻事件提取、視頻事件表示,、視頻事件建模與檢測(cè)）對(duì)當(dāng)前主流視頻異常事件檢測(cè)技術(shù)進(jìn)行了介紹,并對(duì)其各自的優(yōu)缺點(diǎn)進(jìn)行了分析和總結(jié),。后,介紹視頻異常檢測(cè)領(lǐng)域中常用的基準(zhǔn)測(cè)試數(shù)據(jù)集和相應(yīng)的評(píng)價(jià)指標(biāo),對(duì)比當(dāng)前主流方法的視頻異常事件檢測(cè)性能,對(duì)這些方法進(jìn)行討論并給出結(jié)論和展望。