检索结果-南通市图书馆

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种预测流程剩余时间的可解释特征分层方法

软件学报 2024年第3期35卷 1341-1356页

作者：郭娜刘聪李彩虹陆婷闻立杰曾庆田山东理工大学电气与电子工程学院山东淄博255000 山东理工大学计算机科学与技术学院山东淄博255000 山东科技大学计算机科学与工程学院山东青岛266590 清华大学软件学院北京100084

流程剩余时间预测对于业务异常的预防和干预有着重要的价值和意义.现有的剩余时间预测方法通过深度学习技术达到了更高的准确率,然而大多数深度模型结构复杂难以解释预测结果,即不可解释问题.此外,剩余时间预测除了活动这一关键属性还... 详细信息

流程剩余时间预测对于业务异常的预防和干预有着重要的价值和意义.现有的剩余时间预测方法通过深度学习技术达到了更高的准确率,然而大多数深度模型结构复杂难以解释预测结果,即不可解释问题.此外,剩余时间预测除了活动这一关键属性还会根据领域知识选择若干其他属性作为预测模型的输入特征,缺少通用的特征选择方法,对于预测的准确率和模型的可解释性存在一定的影响.针对上述问题,提出基于可解释特征分层模型(explainable feature-based hierarchical model,EFH model)的流程剩余时间预测框架.具体而言,首先提出特征自选择策略,通过基于优先级的后向特征删除和基于特征重要性值的前向特征选择,得到对预测任务具有积极影响的属性作为模型输入.然后提出可解释特征分层模型架构,通过逐层加入不同特征得到每层的预测结果,解释特征值与预测结果的内在联系.采用LightGBM(light gradient boosting machine)和LSTM(long short-term memory)算法实例化所提方法,框架是通用的,不限于选用算法.最后在8个真实事件日志上与最新方法进行比较.实验结果表明所提方法能够选取出有效特征,提高预测的准确率,并解释预测结果.

关键词：流程挖掘剩余时间预测特征选择可解释分层模型

基于MGAT-TCN模型的可解释电网虚假数据注入攻击检测方法

在线全文

学校读者我要写书评

暂无评论

电力系统自动化 2024年第2期48卷 118-127页

作者：苏向敬邓超栗风永符杨萧士渠上海电力大学电气工程学院上海市200090 上海电力大学计算机科学与技术学院上海市200090

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解... 详细信息

新型电力系统背景下,快速、准确的虚假数据注入攻击(FDIA)检测对电网安全运行至关重要。但现有深度学习方法未能充分挖掘电网量测数据的时序和空间特征信息,影响了模型的检测性能;同时,深度神经网络的“黑盒”属性降低了检测模型的可解释性,导致检测结果缺乏可信度。针对上述问题,提出了一种基于多头图注意力网络和时间卷积网络(MGAT-TCN)模型的可解释电网FDIA检测方法。首先,考虑电网拓扑连接关系与量测数据的空间相关性,引入空间拓扑感知注意力机制,建立多头图注意力网络(MGAT)提取量测数据的空间特征;接着,利用时间卷积网络(TCN)并行提取量测数据的时序特征;最后,在IEEE 14节点系统和IEEE 39节点系统中对所提MGAT-TCN模型进行仿真验证。结果表明,所提模型相比于现有检测模型具有更高的检测准确率和效率,且通过拓扑热力图对注意力权值可视化,实现了模型在空间维度的可解释性。

关键词：电网虚假数据注入攻击图注意力时间卷积注意力机制可解释性

融合多尺度Transformer的皮肤病变分割算法

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（工学版） 2024年第4期54卷 1086-1098页

作者：梁礼明周珑颂尹江盛校棋江西理工大学电气工程与自动化学院江西赣州341000 华南理工大学计算机科学与工程学院广东广州510006

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角... 详细信息

针对现有皮肤病变图像分割时缺乏多尺度特征提取,从而导致细节信息缺失和病变区域误分割的问题,本文提出一种融合多尺度Transformer的编解码网络皮肤病变分割算法。首先运用Transformer模块构建分层编码器,分层编码器从全局特征变化角度出发,多尺度分析皮肤病变区域;然后利用多尺度融合模块、通道注意力模块和联合层构建融合解码器,多尺度融合模块互补分层编码器中浅层网络信息与深层网络信息,增强空间信息和语义信息间的依赖关系,通道注意力模块能够有效识别特征丰富的通道,提高算法分割精度;最后引入扩展模块恢复图像大小以匹配实际需求。将该算法在ISBI2016、ISBI2017和ISIC2018三个公共数据集上进行实验测试,其像素精度分别为96.70%、94.50%和95.39%,平均交并比分别为91.69%、85.74%和89.29%,算法测试整体性能优于现有算法。仿真实验证明,多尺度Transformer编解码网络能够有效地分割皮肤病变图像。

关键词：计算机应用技术皮肤病变图像分割 Transformer 多尺度融合模块通道注意力模块

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

软件定义云边协同架构下的水下监测新机制

系统工程与电子技术 2024年第3期46卷 1101-1108页

作者：金志刚洪叶苏毅珊羊秋玲天津大学电气自动化与信息工程学院天津300072 海南大学计算机科学与技术学院海南海口570228

传统基于硬件的水声传感器网络(underwater acoustic sensor networks,UASNs)架构灵活性及可控性较差,难以满足水下多样化监测任务的需求。针对此问题,提出基于边缘计算的水下软件定义监测网络架构,并提出一种多级协同水下监测机制。该... 详细信息

传统基于硬件的水声传感器网络(underwater acoustic sensor networks,UASNs)架构灵活性及可控性较差,难以满足水下多样化监测任务的需求。针对此问题,提出基于边缘计算的水下软件定义监测网络架构,并提出一种多级协同水下监测机制。该架构通过主从控制器将集中式云处理任务部署至边缘端,并对网络进行分级控制。该机制首先通过低轨遥感卫星进行大范围海洋监测,其次进行小范围监测,数据经原位处理及边缘处理后上传至水面进行分析,最后进行水下联合监测。仿真结果表明,所提出的监测架构和监测机制可降低异常数据处理时间成本和网络开销,在不同场景下的端到端延迟、网络能耗和包投递率方面都有良好的表现,提高了监测架构的灵活性。

关键词：水声传感器网络监测架构软件定义水下监测机制

不同大气环境下棒-板长气隙操作冲击放电电压智能预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

绝缘材料 2024年

作者：邱志斌宋雨吴子建陈文豪南昌大学能源与电气工程系

空气放电源于电场与大气环境的相互作用，气隙放电电压受到极间电场分布与大气参数的共同影响。为实现高海拔环境下棒-板长空气间隙的操作冲击放电电压计算，本文以气压、温度、湿度、海拔以及电场分布参数作为特征集，构建了一种基于k... 详细信息

空气放电源于电场与大气环境的相互作用，气隙放电电压受到极间电场分布与大气参数的共同影响。为实现高海拔环境下棒-板长空气间隙的操作冲击放电电压计算，本文以气压、温度、湿度、海拔以及电场分布参数作为特征集，构建了一种基于k近邻（k-nearest neighbor,KNN）算法的绝缘预测模型。采用55～4 300 m海拔范围内的试验数据对KNN算法进行训练，建立气隙特征与其绝缘强度的映射关系，实现了5 000 m高海拔环境不同间隙距离的棒-板气隙放电电压预测，最大相对误差和平均绝对百分比误差分别为8.58%和3.78%，验证了所提方法的有效性。将模型外推至平原不同大气参数下的棒-板气隙时，放电电压预测值与试验值同样具有较好的一致性。研究可为不同大气环境下的气隙绝缘强度计算提供参考。

关键词：长空气间隙大气参数电场分布放电电压预测

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

大模型时代:电力视觉技术新起点

高电压技术 2024年第5期50卷 1813-1825页

作者：赵振兵冯烁席悦张靖梁翟永杰赵文清华北电力大学电气与电子工程学院保定071003 华北电力大学复杂能源系统智能计算教育部工程研究中心保定071003 华北电力大学河北省电力物联网技术重点实验室保定071003 华北电力大学控制与计算机工程学院保定071003

随着无人机、巡检机器人和远程监控系统在输电、变电、配电、安监等电力场景中的广泛应用,利用电力视觉技术完成对海量巡检图像的自动处理,能够进一步提升电力系统智能化运维水平,对我国源网荷储一体化进程的快速推进具有至关重要的作... 详细信息

随着无人机、巡检机器人和远程监控系统在输电、变电、配电、安监等电力场景中的广泛应用,利用电力视觉技术完成对海量巡检图像的自动处理,能够进一步提升电力系统智能化运维水平,对我国源网荷储一体化进程的快速推进具有至关重要的作用。随着通用视觉大模型的兴起,电力视觉技术正处于从传统深度学习时代向大模型时代跨越的重要节点。该文首先综述了电力视觉技术和通用视觉大模型的最新研究进展,结合视觉大模型在多种公共场景的应用先例,探讨视觉大模型在电力视觉领域将面临的3重能力边界问题。从初步探索通用视觉大模型的潜力,到逐步构建电力视觉大模型的过程,提出4种模型应用范式以突破视觉大模型能力边界。最后分析了视觉大模型对电力视觉研究者的影响,并对大模型浪潮下电力视觉技术的发展方向进行了展望。

关键词：电力视觉视觉大模型目标检测图像分割深度学习图像处理

基于LADRC的柔性多状态开关平滑切换策略

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电网技术 2024年第4期48卷 1663-1671,I0080页

作者：刘一琦孙明哲胡存刚李振杰班明飞东北林业大学计算机与控制工程学院黑龙江省哈尔滨市150000 安徽大学电气工程与自动化学院安徽省合肥市230000

为实现多端口柔性多状态开关(flexible multi-state switches,FMSS)在所连馈线发生故障时的平滑切换,该文提出一种基于线性自抗扰控制(linear active disturbance rejection control,LADRC)的平滑切换策略,使用LADRC代替比例积分(proportional integral,PI)控制器的直流电压外环并设计解耦状态观测器以便控制器参数调节,引入内环电流指令值反馈以减小其在控制模式切换时的变化幅度,实现FMSS控制模式的平滑切换。通过MATLAB/Simulink仿真,验证了馈线故障出现在PQ或UdcQ控制端口的连接处时,采用基于LADRC的平滑切换策略均可显著减小FMSS的直流电压偏移率,使端口有功功率过渡平滑,迅速恢复稳定,更好地实现了多端口FMSS控制模式的平滑切换。

关键词：柔性配电网线性自抗扰控制柔性多状态开关馈线故障平滑切换

基于改进YOLOv5s的输电通道隐患目标检测方法

在线全文

学校读者我要写书评

暂无评论

中国测试 2024年

作者：邢志鹏郑含博崔明蕙李金恒梁炎燊广西大学电气工程学院广西大学计算机与电子信息学院

针对“三跨”输电线路容易受到外力破坏引发安全事故的问题，文章通过构建隐患目标数据集，提出基于改进You Only Look Once（YOLO）v5s的输电通道隐患目标检测模型。一方面在模型头部引入A Simple， Parameter-Free Attention Module（... 详细信息

针对“三跨”输电线路容易受到外力破坏引发安全事故的问题，文章通过构建隐患目标数据集，提出基于改进You Only Look Once（YOLO）v5s的输电通道隐患目标检测模型。一方面在模型头部引入A Simple， Parameter-Free Attention Module（SimAM）注意力机制模块以加强隐患目标在提取特征中的权重，另一方面使用Wise Intersection over Union（WIoU）代替模型原始的Complete Intersection over Union（CIoU）作为边界框回归损失函数以提高预测边界框的回归预测精度。实验结果表明，相较于基线模型，提出模型在参数量不变的同时，准确率上升了2%，召回率提高了1.1%；在阈值为0.5和0.5:0.95时的精度分别提升了1.4%和1%；与当前主流的目标检测模型RetinaNet、Single Shot MultiBox Detector（SSD）和YOLOv3进行对比评估，提出模型精度明显高于其他三种模型。提出的改进方法为输电通道防外破研究提供了一种新思路。

关键词：输电通道防外力破坏目标检测 SimAM注意力机制 Wise-IoU损失函数

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

融合扩增技术的无监督域适应方法

软件学报 2024年

作者：曹艺郭茂祖吴伟宁哈尔滨工程大学计算机科学与技术学院北京建筑大学电气与信息工程学院

域适应(domain adaptation, DA)是一类训练集(源域)和测试集(目标域)数据分布不一致条件下的机器学习任务.其核心在于如何克服数据域的分布差异对分类器泛化能力的负面影响,即设计合理而有效的训练策略,通过最小化数据域之间的差异,获... 详细信息

域适应(domain adaptation, DA)是一类训练集(源域)和测试集(目标域)数据分布不一致条件下的机器学习任务.其核心在于如何克服数据域的分布差异对分类器泛化能力的负面影响,即设计合理而有效的训练策略,通过最小化数据域之间的差异,获得高泛化能力的分类模型.研究了源域中包含标注信息,目标域中缺少标注信息条件下的无监督域适应(unsupervised domain adaptation, UDA)任务.将其形式化为如何利用部分标注样本和其余未标注样本进行分类器训练的半监督学习问题,进而引入伪标签(pseudo label, PL)和一致性正则化(consistent regularization, CR)这两种半监督学习技术,对所观测数据域有目的进行标记和样本扩增,使用扩增后的训练样本学习分类器,从而,在无监督域适应任务上取得了良好的泛化能力.提出一种融合扩增技术的无监督域适应(augmentation-based unsupervised domain adaptation, A-UDA)方法,在分类器的训练过程中:首先,使用随机数据增强技术(random augmentation)对目标域中的未标注样本进行扩增,即样本扩增;其次,利用模型的预测输出结果,对高置信度的未标注样本添加伪标记,即标注扩增;最后,使用扩增后的数据集训练分类模型,利用最大均值差异(maximum mean difference, MMD)计算源域和目标域的分布距离,通过最小化该分布距离获得具有高泛化能力的分类器.在MNIST-USPS, Office-Home和ImageCLEF-DA等多个无监督域适应任务上对所提出方法进行比较,与现有其他工作相比,获得了更好的分类效果.

关键词：无监督域适应半监督学习数据扩增伪标签一致性正则化