随着物联网技术的发展,目前的物联网系统产生的数据量越来越多,这些数据持续不断的传输到数据中心,传统的物联网数据处理分析系统效率低下且无法处理数量如此庞大的数据流.另外,物联网智能设备存在资源受限的特性,在分析数据时这一特性是不可忽略的.提出一种适用于物联网实时数据流处理的新架构ApproxECIoT(approximate edge computing Internet of Things),实现了一种自调整分层采样算法,用于处理物联网系统中产生的实时数据流.该算法在维持已给出的资源预算不变的情况下,根据每层方差的大小进行样本层内大小的调整,这对于资源有限的情况下提高计算结果准确度是非常有益的.最后使用模拟数据流和真实数据流进行实验分析,结果表明ApproxECIoT在边缘节点资源有限的情况下,仍能获得具有较高准确度的计算结果.
随着面向高比例可再生能源新型电力系统的转型,系统运行特性日趋复杂。暂态功角稳定(transientangle stability,TAS)与暂态电压稳定(transient voltage stability,TVS)问题相互耦合且频发,为系统安全稳定评估带来严峻挑战。研究首先采...
详细信息
随着面向高比例可再生能源新型电力系统的转型,系统运行特性日趋复杂。暂态功角稳定(transientangle stability,TAS)与暂态电压稳定(transient voltage stability,TVS)问题相互耦合且频发,为系统安全稳定评估带来严峻挑战。研究首先采用变步长二分法通过调用PSASP从时间维度上构建了暂态电压与暂态功角的稳定边界。研究了不同故障位置、感应电动机占比、负荷率对稳定边界的影响并依托边界确定主导失稳模式。其次提出一种基于注意力机制与一维卷积神经网络融合的电力系统功角稳定及电压稳定裕度评估的新方法。该方法直接面向测量数据,将节点稳态与暂态运行的电压幅值、有功功率、无功功率数据作为输入特征,节省了数据处理时间。通过一维卷积神经网络构建输入特征与极限切除时间的映射,利用注意力机制进一步提高了模型预测效果。通过新英格兰IEEE39节点系统进行分析验证,结果表明该方法可以实现暂态安全裕度的快速评估且具有较高的预测精度。
基于重建的工业图像异常检测通常假设模型能很好重建正常区域，而不能很好重建异常区域。但由于深度神经网络存在过度泛化问题，使得异常区域也能被较好重建，导致异常区域漏检。为解决上述问题，本文提出一种基于多记忆增强模块及图像轮廓重建的工业表面异常检测网络(Industrial Surface Anomaly Detection Based on Reconstruction with Multiple Memory Enhancement Modules and Image Edge，MMAERec)。具体来说，在带有跳跃连接的U-Net类型去噪自编码器上引入多记忆增强模块和图像轮廓提取模块。多记忆增强模块得到的记忆特征有利于很好地重建正常区域；而提取到的图像轮廓特征则有利于很好重建图像轮廓。将这两种不同特征的融合经注意力机制处理并用于重建能很好地提高重建图像质量。所提方法可以强制网络学习正常的低频和高频信息，防止模型直接复制异常区域，有效缓解过度泛化问题。在MVTec AD和BTAD两个工业数据集上的实验结果也展现了所提方法良好的检测和定位性能。
现有目标检测算法在小目标检测中存在可利用特征少、有效特征提取困难、易受环境干扰等问题.基于此,提出一种高效的主干特征提取网络EfficientNet来进行目标检测,在检测模型中融合注意力机制,以增强对小目标的识别能力.将提出的模型应用到细微裂缝检测中,从增强小目标识别、减少模型参数、提高网络检测速度三方面进行改进,研究结果表明:当输入图像为416×416分辨率时,本文模型的F1值相比于主流检测模型至少有3%的提升,模型的参数量与主流检测器相比减少了80%~85%,检测速率可达到每秒帧数(Frame Per Second,FPS)102帧/s.
暂无评论