检索结果-内蒙古大学图书馆

云南民族大学学报（自然科学版） 2023年第4期32卷 520-527,540页

作者：诸林云曲金帅范菁代婷婷云南民族大学云南省高校信息与通信安全灾备重点实验室云南昆明650000

为了实现对用户对酒店使用感受的情绪倾向的分析,并且针对现有的词向量模型忽略了词的上下文的关系的问题,提出了一种基于BERT-BiLSTM-Attention模型的酒店评论情感倾向分析方法.利用BERT模型获取用户对酒店评论的文本特征表示,将获得... 详细信息

为了实现对用户对酒店使用感受的情绪倾向的分析,并且针对现有的词向量模型忽略了词的上下文的关系的问题,提出了一种基于BERT-BiLSTM-Attention模型的酒店评论情感倾向分析方法.利用BERT模型获取用户对酒店评论的文本特征表示,将获得的特征表示输入BiLSTM网络以提取酒店评论的情感特征.在BiLSTM模型的输出层之前添加一个注意层以突出重点信息,最后由分类器对所提取的特征进行分类.构建的模型与Word2vec-BiLSTM、Word2vec-CNN、Word2vec-BiLSTM-Att、BERT、BERT-BiLSTM、BERT-CNN对比的结果显示,该模型在测试集上的准确率分别提高了4.67%、4.43%、3.66%、3.87%、2.3%、3.65%,实验结果表明基于BERT-BiLSTM-Attention的中文文本情感分析方法在情感分类上有更高的准确率.

关键词：酒店评论文本特征情感分析 BERT-BiLSTM-Attention

来源：评论

学校读者我要写书评

暂无评论

含分布式电源配电网的故障定位技术研究

引用

计算机与数字工程 2024年第12期52卷 3778-3782页

作者：左金花范菁曲金帅刘超阳张雷云南民族大学电气信息工程学院昆明650500 云南省高校通信与信息安全灾备重点实验室昆明650500

分布式电源的大规模接入,使得配电网从单电源被动网络转变为多电源主动网络,给配电网故障定位技术带来了新的问题和挑战。论文通过介绍传统简单配电网故障定位技术,总结了故障选线、故障区段定位、故障精确定位的相关应用,并对含分布式... 详细信息

分布式电源的大规模接入,使得配电网从单电源被动网络转变为多电源主动网络,给配电网故障定位技术带来了新的问题和挑战。论文通过介绍传统简单配电网故障定位技术,总结了故障选线、故障区段定位、故障精确定位的相关应用,并对含分布式电源的配电网故障定位问题进行综合论述,结合了研究现状开展探讨与展望。

关键词：分布式电源配电网故障定位故障诊断

来源：评论

学校读者我要写书评

暂无评论

YOLOv5-M3:基于轻量级网络的车辆检测模型

引用

云南民族大学学报（自然科学版） 2024年第6期33卷 760-766页

作者：刘超阳范菁曲金帅左金花唐玉敏云南民族大学电气信息工程学院云南昆明650500 云南民族大学云南省高校信息与通信安全灾备重点实验室云南昆明650500

针对车辆检测模型参数量大,多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先,利用k-means算法来提高锚框维数聚类的效果和检测速度.其次,将YOLOv5的原始骨干网络... 详细信息

针对车辆检测模型参数量大,多尺度车辆目标检测困难、重叠目标、小目标和遮挡目标容易漏检的问题.提出了一种轻量化的YOLOv5-MobileNetv3检测算法.首先,利用k-means算法来提高锚框维数聚类的效果和检测速度.其次,将YOLOv5的原始骨干网络CSPDarknet53替换为MobileNetv3进行特征提取.再次,在检测网络中,用CIOU损失函数代替GIOU损失函数,快速准确地定位图像目标区域,生成边界框,预测目标类别.使用交叉熵损失函数(cross entropy loss)作为分类损失函数.最后利用k-means算法来提高锚框维数聚类的效果和检测速度.结果表明,与YOLOv5网络相比,改进后的YOLOv5-M3检测准确率提高了5.0%,模型参数数量减少了46%,训练时间减少44.9%.改进后的YOLOv5-M3网络更小、训练时间更短、更准确地识别出目标,提高了自动驾驶系统中车辆和行人的目标检测的准确性,也为实现智能交通系统提供了一种选择.

关键词：目标检测 YOLOv5 深度学习 MobileNetv3 自动驾驶

来源：评论

学校读者我要写书评

暂无评论

基于并联定值电阻及稳态频域实部突变的缆线混合故障选线

引用

云南民族大学学报（自然科学版） 2023年第5期32卷 616-625页

作者：杜磊徐天奇李琰云南民族大学云南省高校电力信息物理融合系统重点实验室云南省高校信息与通信安全灾备重点实验室云南昆明650500

经消弧线圈接地系统投切并联定值电阻会改变电力系统的拓扑结构,因此可以为故障选线提供更多信息.基于此提出了基于并联定值电阻及稳态频域实部突变的缆线混合故障选线.首先分析了定值电阻投切前后稳态信息的差异,发现在投切定值电阻前... 详细信息

经消弧线圈接地系统投切并联定值电阻会改变电力系统的拓扑结构,因此可以为故障选线提供更多信息.基于此提出了基于并联定值电阻及稳态频域实部突变的缆线混合故障选线.首先分析了定值电阻投切前后稳态信息的差异,发现在投切定值电阻前后故障线路零序复电流实部变化明显大于健全线路,因此针对此差异,计算投入定值电阻前后零序复电流实部变换从而实现故障选线.大量仿真结果证明,该方法受不同故障条件影响较小,可靠性高,抗干扰性强.

关键词：故障选线定值电阻稳态信息

来源：评论

学校读者我要写书评

暂无评论

基于注意力机制改进YOLOv5的茶叶病害检测方法

引用

云南民族大学学报(自然科学版) 2025年

作者：杨业辉范菁钟声云南民族大学电气信息工程学院云南民族大学云南省高校信息与通信安全灾备重点实验室北京印刷学院印刷与包装工程学院

针对茶叶病害在复杂自然环境下识别精度受限的问题，本文提出一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE。该方法在YOLOv5网络主干中引入SE注意力模块，增强特征通道的自适应加权能力，抑制冗余信息对检测精度的影响。同... 详细信息

针对茶叶病害在复杂自然环境下识别精度受限的问题，本文提出一种融合SE注意力机制的改进YOLOv5目标检测方法YOLOv5-SE。该方法在YOLOv5网络主干中引入SE注意力模块，增强特征通道的自适应加权能力，抑制冗余信息对检测精度的影响。同时，引入小目标检测头，提升对小尺度病害的检测效果，增强模型在高分辨率特征图上的检测能力。在包含8种茶叶病害及健康叶片的数据集上进行实验验证，结果表明，YOLOv5-SE的检测精度达到93.2%，召回率达到95.0%，较改进前模型精度提高4.5%，召回率提高3.8%。进一步的消融实验表明，SE注意力机制能够在优化特征提取能力的同时，有效提升模型对复杂背景下茶叶病害的检测鲁棒性，减少误检与漏检的发生。

关键词：目标检测注意力机制 YOLOv5 茶叶病害

来源：评论

学校读者我要写书评

暂无评论

考虑无功的电力信息物理系统关键线路辨识

引用

科学技术与工程 2022年第15期22卷 6123-6129页

作者：袁欣然徐天奇李琰姜燕波云南省高校电力信息物理融合系统重点实验室云南省高校信息与通信安全灾备重点实验室(云南民族大学)昆明650504 中国能源建设集团云南省电力设计院有限公司昆明650000

线路中无功功率的分配改变,可能会影响关键线路的分布。以传输介数和改进的潮流转移熵为计算手段,同时考虑了有功和无功,以这些因素为基础提出了线路综合关键度。关键线路的断开使得电网的连通性变差,为维持系统稳定,电力系统需要切除... 详细信息

线路中无功功率的分配改变,可能会影响关键线路的分布。以传输介数和改进的潮流转移熵为计算手段,同时考虑了有功和无功,以这些因素为基础提出了线路综合关键度。关键线路的断开使得电网的连通性变差,为维持系统稳定,电力系统需要切除部分负荷,故使用基于最优潮流的失负荷量验证辨识方法的准确性。将IEEE39节点系统作为物理电网模型,计算得出关键线路排序;并从信息系统攻击使得电网线路发生故障,采用基于最优潮流的失负荷量验证上述算法的有效性。结果表明线路综合关键度可以较为准确地辨识出关键线路。

关键词：关键线路辨识电力信息物理系统传输介数潮流转移熵网络攻击

来源：评论

学校读者我要写书评

暂无评论

现实场景下基于数据增强的人脸表情识别

引用

电子设计工程 2023年第7期31卷 6-9,15页

作者：唐玉敏曲金帅范菁云南民族大学电气信息工程学院云南昆明650500 云南省高校通信与信息安全灾备重点实验室云南昆明650500

现实场景下获取的人脸表情图像受姿态、背景、性别、种族等的影响,使得在此类不可控环境下的人脸表情识别率低。针对上述问题,现在出现了各种数据增强的方式,用于实现现实场景下的人脸表情图像数据增强,目的是通过增加数据集的多样性来... 详细信息

现实场景下获取的人脸表情图像受姿态、背景、性别、种族等的影响,使得在此类不可控环境下的人脸表情识别率低。针对上述问题,现在出现了各种数据增强的方式,用于实现现实场景下的人脸表情图像数据增强,目的是通过增加数据集的多样性来提升分类精确度。实验结果证明,文中所提方法相较于传统的将所有表情进行同步数据增强的方法,在FER2013数据集上实现了50%识别精确度的提升,且将损失维持在了1.5左右。

关键词：现实场景人脸表情识别数据增强 FER2013

来源：评论

学校读者我要写书评

暂无评论

基于自适应噪声完备集合经验模态分解与独立分量分析的故障选线法

引用

南方电网技术 2022年第6期16卷 54-64页

作者：杜磊徐天奇李琰朱梦梦何兆磊云南省高校电力信息物理融合系统重点实验室昆明650504 云南省高校信息与通信安全灾备重点实验室(云南民族大学) 昆明650504 云南电网有限责任公司电力科学研究院昆明650217 云南电网有限责任公司计量中心昆明650000

配电网缆-线混合线路日益增加,使得故障线路与健全线路的零序电流波形区分度减小,选线愈发困难。提出基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition based on adaptive noise, CEEMDAN)与独立分... 详细信息

配电网缆-线混合线路日益增加,使得故障线路与健全线路的零序电流波形区分度减小,选线愈发困难。提出基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition based on adaptive noise, CEEMDAN)与独立分量分析(independent component analysis, ICA)的故障选线,首先将各线路首端零序电流分解得到本征模态函数(intrinsic mode functions, IMF)分量,应用ICA对IMF分量构建多维源信号,然后利用峭度阈值判据识别故障信号,将故障信号置零后重构线路零序电流信号,信号方差为0的线路判别为故障线路。仿真结果证明,该方法受不同故障条件影响较小,可靠性高,抗干扰性强,可用于多条线路相继故障的选线及高阻接地故障,同时提出按峭度值大小的“排序推拉”策略。

关键词：配电网单相接地故障故障选线 CEEMDAN ICA

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOX-S的火灾检测方法

引用

云南民族大学学报（自然科学版） 2023年第6期32卷 771-778页

作者：路佩东范菁曲金帅孙书魁云南民族大学电气信息工程学院云南昆明650500 云南省高校信息与通信安全灾备重点实验室云南昆明650500

针对传统火灾检测算法存在检测精度不高,检测速度慢等问题,该算法对当前目标检测领域检测效果较好的YOLOX-S算法改进,提出适合于火灾检测这一特殊领域的检测算法YOLOX-IMP.在YOLOX-S算法基础上,通过对预测头部分多尺度检测的改进,将原来... 详细信息

针对传统火灾检测算法存在检测精度不高,检测速度慢等问题,该算法对当前目标检测领域检测效果较好的YOLOX-S算法改进,提出适合于火灾检测这一特殊领域的检测算法YOLOX-IMP.在YOLOX-S算法基础上,通过对预测头部分多尺度检测的改进,将原来的3尺度改为4尺度检测,对YOLOX-S算法的损失函数改进,在YOLOX-S预测头部分添加SENet注意力,提高火灾检测的检测精度.实验结果表明,改进后算法YOLOX-IMP精确度和mAP值分别提高了2.9%,2.3%,在检测速度未明显下降情况下,该算法火灾检测精度相比YOLOX-S算法有较大提升,证明该算法的可行性.

关键词：火灾检测 YOLOX-IMP 多尺度检测损失函数注意力机制SENet

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLOv5算法的车辆目标检测

引用

云南民族大学学报（自然科学版） 2022年第6期31卷 749-754页

作者：刘超阳曲金帅范菁左金花唐玉敏云南民族大学云南省高校信息与通信安全灾备重点实验室云南昆明650500

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU_nms应用于YOLOv5算法... 详细信息

为了解决车辆目标检测中准确率低的问题,提出了一种基于改进YOLOv5算法的车辆目标检测.改进后的YOLOv5算法主要是在原来的基础上通过K-means聚类的方法对数据集中的目标边框进行重新聚类、并将CIoU损失函数和DIoU_nms应用于YOLOv5算法来提高目标识别效果.改进后的YOLOv5算法,目标检测mAP达到了85.8%,比改进前的YOLOv5算法提升了1.3%.

关键词：目标检测 YOLOv5 深度学习

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：