1037322增量式光電編碼器選SICK上海秉銘DFS60E-S4AM00250高操作機構機械故障診斷準確率,充分挖掘高壓斷路器振動信號中的特征信息,提出了一種基于深度自編碼網絡的高壓斷路器操作機構機械故障診斷方法。首先,提取斷路器操作機構振動信號并進行小波包變換,并對各個頻段的振動信號進行等時間分段;然后計算振動信號時頻子平面的能量大小,并以該時頻能量分布作為斷路器操作機構故障診斷的特征量;后,通過預訓練和微調建立基于深度自編碼網絡的斷路器故障診斷模型,并以126 kV高壓斷路器進行不同故障類型的模擬實驗驗證方法有效性。意力機制的編解碼模型在文本摘要、機器翻譯等序列到序列任務上得到了廣泛的應用。在深度學習框架中,深層神經網絡能夠提取輸入數據不同的特征表示,因此傳統編解碼模型中通常堆疊多層來提高模型性能。然而現有的模型在解碼時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神經網絡和層級交互注意力機制的摘要生成模型,通過層級交互注意力提取編碼器不同層次的特征信息來指導摘要的生成。為了處理因引入不同層次特征而帶來的信息冗余問題,引入變分信息為準確檢測異常用電行為以降低電力公司的運營成本,提出一種基于改進深度自編碼網絡的異常用電行為辨識方法。首先將正常用戶的用電數據作為訓練樣本,自編碼網絡逐層學習數據的有效特征;然后重構輸入數據以計算檢測閾值,而由于異常用電行為破壞數據的特征規則,再通過對比重構誤差與檢測閾值的差異即可實現異常用電行為辨識。為了改善自編碼網絡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化網絡的超參數以提高模型的學習效率和泛化能力。選用福建省某地區居民用電和商業用電數據集進行了驗證,這一模型的異常行為檢測的準確率高于92%。實驗表明所提方法具有優異的特征提取能力和異常用電行為辨識能力。像存在較大噪聲的現狀,本文提出了一種基于卷積神經網絡改進的殘差卷積神經網絡。該網絡一共有9層,其中有3層卷積層,3層殘差塊,以及3層反卷積層。改進后的算法具有更加清晰的降噪圖像,更有利于后期識別紅外圖像。本文從FLIRADAS紅外圖像數據集對經典卷積自編碼器和殘差卷積自編碼器進行 號特征進行模式識別的調制識別方法需要先計算信號的高階特征、高階累積量再進行模式識別,整體設計復雜,特征不易計算。機器學習技術由于其強大的特征提取能力和分類能力,被廣泛應用到模式識別領域中。針對調制識別問題,提出了一種基于欠完備自編碼器的調制識別技術,使用欠完備自編碼器進行調制信號的特征自動提取,再使用神經網絡分類器進行分類識別。整體模型更為簡潔,運算復雜度較低,有利于部署在硬件上進行實時識別。對常見的B

通擁堵預測算法中充分考慮各類因素的影響以及挖掘交通流數據隱含的深層特征,該文提出基于長短期記憶（Long-short term memory,LSTM）模型的交通擁堵預測方法。該方法充分考慮交通流特征、天氣、節假日等因素,首先利用去噪自編碼模型提取輸入數據的核心特征,再使用LSTM模型長時記憶歷史數據,二者結合對城市交通擁堵程度進行有效預測,通過與已有的交通擁堵預測模型進行對比,結果表明,該方法具有較高的預測準確度和魯棒性,準確度能達到9力變壓器油中溶解氣體進行預測分析可以有效掌握設備狀態和發展趨勢。該文以長短時記憶網絡時序分析模型為基礎,引入特征和時序雙重注意力機制,利用參量間關聯關系和時序信息依賴關系提升氣體的預測準確率。特征注意力機制可以自動提取待預測氣體與其他狀態信息、環境和運行數據等特征之間的關聯關系,為預測提供輔助信息進行適當修正,并不受傳統關聯規則算法的預設閾值限制;同時,利用時序注意力機制自主選取歷史信息關鍵時間點,在LSTM時序模型基礎上進一步增強關鍵時間點的信息表達,提升較長時間段預測效果的穩定性。在對某正常狀態運行變壓器甲烷氣體數值預測實驗中,該方法在基礎LSTM模型上降低大相對誤差3%;在對某缺陷變壓器的發展趨勢預測中,能準確給出關鍵氣體異常上升警戒的參考信息;具有更準確和更穩定的變壓器油中溶解氣體預測效果。

1037322增量式光電編碼器選SICK上海秉銘DFS60E-S4AM00250異常事件檢測問題是計算機視覺領域的重要研究課題之一,旨在基于模式識別和計算機視覺方法智能地從監控視頻中自動檢測出需要關注的異常事件或行為,在實際生活中有廣泛的應用和巨大的潛在需求,是人工智能技術落地的重要方向之一。同時,近年來以深度學習為代表的新興機器學習技術及其在各個領域中取得的巨大成功,地啟發了各類*技術在視頻異常事件檢測問題中的應用。首先回顧了視頻異常事件檢測問題的定義和面臨的主要挑戰,隨后從視頻異常檢測包含的3個主要的技術環節（視頻事件提取、視頻事件表示、視頻事件建模與檢測）對當前主流視頻異常事件檢測技術進行了介紹,并對其各自的優缺點進行了分析和總結。后,介紹視頻異常檢測領域中常用的基準測試數據集和相應的評價指標,對比當前主流方法的視頻異常事件檢測性能,對這些方法進行討論并給出結論和展望。