基于深度学习的电力负荷短期预测

为做好电网供需平衡,进一步改善电网的社会效益和经济效益,根据负荷数据的时序性特征,利用卷积神经网络的特征提取能力和长短期记忆神经网络捕捉时间序列关系的能力,采用卷积-长短期记忆混合神经网络进行电力负荷短期预测.首先根据历史数据对该模型进行训练,然后使用已训练好的模型进行预测,最后将其预测结果与长短期记忆神经网络预测结果进行比对.两组不同采样间隔的负荷预测仿真结果表明,卷积-长短期记忆混合神经网络相对于长短期记忆神经网络,可以更好地从负荷数据中提取出时序性特征,预测误差较小,精度较高,能够在电力短期负荷预测问题中提供可靠的预测结果.     

基于特征图可视化的医学图像分析

现有的医学图像分类算法中普遍存在模型的可解释性问题,将同一卷积神经网络应用到不同的数据集上,分类性能千差万别.针对这一问题,提出了一种基于特征图可视化的医学图像分析方法.在卷积神经网络的特征提取阶段设计4个特征图可视化模型,这些模型将具有与网络相同的输入层以及权重,但输出则是一系列特征图.采用SSIM相似度对信息熵最大的特征图评估,分析4个模型提取到的特征信息.在kaggle官网上提供的BreaKHis、Chest X-Ray、Retinal OCT 3类数据集上进行实验,其中基于VGG16网络的特征图可视化模型提取到的特征相似度分别集中在0.95,0.93,0.85,分类精度分别为75.96%,77.19%,99.40%.此外,在ResNet18网络上也有相同的表现.研究表明：分类性能取决于网络的特征提取能力,在保证相似性的前提下,卷积层之间提取到的特征其相似度越低,该数据集在同一网络上往往表现出更好的分类性能.     

高速公路软基处理方案智能决策模型研究

随着高速公路的大规模修建,软土问题已成为影响工程质量、建设工期和工程造价的关键因素之一。因此,如何选择技术可靠、经济合理、安全适用的软基处理方案具有重大的理论和现实意义。该文以系统工程、人工智能、模糊数学、灰色理论、神经网络等为理论基础,结合岩土工程、土质学和土力学等学科的最新发展,对建立高速公路软基处理智能决策模型进行了研究。     

基于模糊PID控制的船用胎架高度联控方法研究

胎架作为船舶分段建造变形控制的重要工装,但不具有联合调控与自适应控制能力,无法快速响应分段建造质量问题,为此本文提出基于模糊PID控制的船用胎架高度联控方法.首先,基于船舶分段拟合曲面建立胎架高度补偿模型,为胎架的自适应调控提供依据;其次,基于分段变形范围和受压载荷构建胎架间关联机制,达到胎架系统的动态联调;然后,利用...     

基于卷积和递归神经网络融合的交通状态指数预测

为提高交通状态指数预测精度,方便市民出行规划和提高相关机构管理预见性,创新研究了基于卷积和递归神经网络融合的交通状态指数预测模型.模型将卷积网络和递归网络进行了融合,由卷积神经网络层和递归神经网络层组成.该模型中的卷积网络能自动提取重要影响因子,同时递归网络能捕捉到前后时序特征,结果显示,得到的融合模型在交通状态指数预...     

基于集合经验模态分解降噪和优化LSTM的道路交通事故预测

道路交通事故精准预测是有效提升交通安全的重要手段,由于事故数据经常呈现非线性、波动性、无周期性等特征,现有的算法存在预测效果不佳的问题。为此本文提出基于集合经验模态分解降噪算法(ensemble empirical mode decomposition,EEMD)和优化长短时记忆神经网络(long short-term memory,LSTM)的交通事故数量预测模型。在单一模型的基础上,引入降噪算法EEMD对噪声大的交通事故时间序列进行降噪处理,利用EEMD对事故时间序列进行分解得到多个子序列和1个残差项;基于粒子群优化算法(particle swarm optimization,PSO)优化LSTM网络结构参数,并在LSTM的最优网络结构下提取数据中的时间特征信息进行预测,对各子序列及残差的预测结果求和得到最终预测结果。研究结果表明：相对于EMD-PSO-LSTM,PSO-LSTM,EEMD-LSTM,LSTM这4个模型,EEMD-PSO-LSTM的预测效果最好,其对应的预测误差e_rmse分别降低了8.7%、48.3%、53.1%、57.6%,误差e_m...     

海底混响非瑞利特性研究及神经网络应用

基于单元散射理论介绍了瑞利分布模型和K分布模型,通过计算混响偏度和峰度判断出海底混响偏离瑞利分布模型,并利用CW信号、LFM信号的试验混响数据进行阵元域、波束域上的PDF曲线拟合。结果表明,海底混响的统计特性更趋向于K分布模型。利用BP网络方法和海底混响、点目标仿真信号的PDF特性进行了目标识别验证,其正确识别率达到了92%以上,且计算量大大降低。     

行李安检禁限带物品识别多标签图像分类算法

有效识别禁限带物品的智能识别算法有助于降低安检人员劳动强度,提升旅客行李安检作业效率。文章采用图像多标签分类的深度卷积神经网络,通过引入图像注意力机制与动态元融合,能够在卷积前向传递过程中补充低层图像视觉线索,有效应对行李X光图像中物品影像混叠干扰及低分辨率特征混淆的问题,增强对细粒度特征的识别能力;同时,引入外部神经知识的元选择网络,实现网络多阶段预测的自适应融合,以避免权重偏置现象。实验结果表明,文章算法能够克服行李X光图像中影像混叠和物品尺度变化带来的禁限带物品识别困难,有效提高识别准确率。     

基于ABC优化BP神经网络的船舶交通流量预测

为提高船舶交通流量预测的准确性,针对BP神经网络随机确定初始权值和阈值的缺点,提出一种基于人工蜂群算法(Artificial Bee Colony,ABC)改进BP神经网络的ABC-BP船舶交通流量预测模型.利用人工蜂群算法全局搜索能力和不易陷入局部最优的特点,对BP神经网络的初始权值和阈值进行优化,并以青岛港船舶交通...