期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于无人机图像识别技术的输电线路缺陷检测 被引量：38
1
作者 李宁 郑仟 +1 位作者 谢贵文 陈炜 《电子设计工程》 2019年第10期102-106,112,共6页
针对无人机巡检输电线路过程中,存在人工识别缺陷图像工作量大、效率低的问题,利用深度卷积神经网络算法开发无人机巡检数据智能管理平台,满足无人机飞行作业管理应用的需要。利用无人机巡视输电线的便利性,探究了基于无人机图像识别的... 针对无人机巡检输电线路过程中,存在人工识别缺陷图像工作量大、效率低的问题,利用深度卷积神经网络算法开发无人机巡检数据智能管理平台,满足无人机飞行作业管理应用的需要。利用无人机巡视输电线的便利性,探究了基于无人机图像识别的无人机立体智能巡检应用平台的系统结构,采用深度卷积神经网络算法对无人机日常巡检产生的海量图像或视频数据进行预处理识别。同时,对图像缺陷的位置进行标注并进行种类分类,将识别结果反馈,形成标准的缺陷报告。对于20种物体的分类任务,精度达到了85%左右;对于常见的输电设备缺陷达到了75%的精度。测试结果表明,该算法能准确识别出输电线路缺陷图像,提高了无人机巡视缺陷的效率,且降低用人成本。 展开更多
关键词 无人机 输电线路 深度卷积神经网络算法 缺陷图像识别
下载PDF
基于Im2col的并行深度卷积神经网络优化算法 被引量：9
2
作者 胡健 龚克 +2 位作者 毛伊敏 陈志刚 陈亮 《计算机应用研究》 CSCD 北大核心 2022年第10期2950-2956,2961,共8页
针对大数据环境下并行深度卷积神经网络(DCNN)算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题,提出了一种基于Im2col方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先,提出基于Marr-Hildreth算子的并行特征... 针对大数据环境下并行深度卷积神经网络(DCNN)算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题,提出了一种基于Im2col方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先,提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES,提取数据中的目标特征作为卷积神经网络的输入,有效避免了数据冗余特征多的问题;其次,设计基于Im2col方法的并行模型训练策略IM-PMTS,通过设计马氏距离中心值去除冗余卷积核,并结合MapReduce和Im2col方法并行训练模型,提高了卷积层运算速度;最后提出改进的小批量梯度下降策略IM-BGDS,排除异常节点的训练数据对批梯度的影响,解决了损失函数收敛性差的问题。实验结果表明,IA-PDCNNOA算法在大数据环境下进行深度卷积神经网络计算具有较好的性能表现,适用于大规模数据集的并行化深度卷积神经网络模型训练。 展开更多
关键词 大数据 深度卷积神经网络算法 并行计算 特征提取 图像分类
下载PDF
基于DCNN和SVC的窃电检测 被引量：6
3
作者 张梦楠 李红娇 《计算机仿真》 北大核心 2022年第6期92-97,429,共7页
针对目前窃电检测方法存在对大规模特征分类准确率较低的问题,提出基于DCNN和SVC的窃电检测方法。从电力数据的二维角度出发,对用户的电力数据按照周数进行矩阵化,利用改进的DCNN算法对二维矩阵进行自主学习,提取特征数据并降低分类器... 针对目前窃电检测方法存在对大规模特征分类准确率较低的问题,提出基于DCNN和SVC的窃电检测方法。从电力数据的二维角度出发,对用户的电力数据按照周数进行矩阵化,利用改进的DCNN算法对二维矩阵进行自主学习,提取特征数据并降低分类器的输入特征维数,将DCNN提取的特征数据输入到SVC分类器中,识别窃电用户。采用国家电网公开数据集建立实验模型,进一步验证方法可行性,结果表明所提方法不仅能降低输入特征维度,而且提高了窃电检测的准确率。 展开更多
关键词 窃电检测 深度卷积神经网络算法 支持向量分类机
下载PDF
基于CPBOA的并行DCNN优化算法
4
作者 温占卿 毛伊敏 彭喆 《计算机工程与设计》 北大核心 2024年第11期3296-3303,共8页
针对大数据环境下并行DCNN算法存在的冗余特征图过多、卷积运算效率低下以及节点负载不均衡等问题,提出一种基于Spark和CPBOA的并行DCNN优化算法PDCNN-SCPBOA。提出一种基于奇异值分解与JS散度的特征压缩策略对特征图进行分组压缩,消除... 针对大数据环境下并行DCNN算法存在的冗余特征图过多、卷积运算效率低下以及节点负载不均衡等问题,提出一种基于Spark和CPBOA的并行DCNN优化算法PDCNN-SCPBOA。提出一种基于奇异值分解与JS散度的特征压缩策略对特征图进行分组压缩,消除过多的冗余特征图;结合Spark提出一种基于蝴蝶优化算法的并行CP分解策略,利用分解后的卷积核并行训练,提高卷积运算效率;提出一种基于簇分割的负载均衡策略,对中间数据簇进行均匀分配后再进行处理,平衡节点负载。实验结果表明,所提算法具有良好的训练效果,适用于大规模图像数据的分类。 展开更多
关键词 深度卷积神经网络算法 并行计算 分布式框架 特征压缩 张量分解 蝴蝶优化算法 负载均衡
下载PDF
一种工程矢量瓦片地图加密和压缩策略研究
5
作者 刘少博 陈彦江 +3 位作者 陈丽 周永博 李富鹏 裴之垣 《地理空间信息》 2024年第8期33-36,49,共5页
为避免在压缩和加密工程矢量瓦片地图信息过程中出现过拟合状态、数据安全性较差等情况,提出一种工程矢量瓦片地图加密和压缩策略。基于MBTiles设置工程矢量瓦片金字塔模型参数,遍历分析瓦片数据集,分级索引瓦片地图;利用基于特征上限... 为避免在压缩和加密工程矢量瓦片地图信息过程中出现过拟合状态、数据安全性较差等情况,提出一种工程矢量瓦片地图加密和压缩策略。基于MBTiles设置工程矢量瓦片金字塔模型参数,遍历分析瓦片数据集,分级索引瓦片地图;利用基于特征上限的瓦片地图信息压缩算法,处理压缩过程中可能出现的过拟合情况;应用RSA算法改进区块链技术,加强各区块间的联系,转码矢量瓦片地图信息,实现瓦片信息的有效存储。实验结果表明:(1)利用该模型压缩瓦片地图信息后,其存储耗时最大值为0.9 s,存储空间值均小于4 TB;(2)加密地图信息后,地图信息特征完全被打乱。可有效避免压缩过程中出现过拟合状态,降低信息存储耗时,减小存储消耗空间,信息的压缩和加密效果较好。 展开更多
关键词 区块链技术 深度卷积神经网络算法 矢量瓦片 地图存储
下载PDF
基于协同机器学习的电力系统可靠性预测模型
6
作者 王军龙 钱旭军 +1 位作者 李永祥 王守长 《电气传动》 2023年第4期51-56,共6页
众所周知,电力系统运行过程中会出现需要显性只是预测困难等问题,构建了基于连续协同机器学习算法的电力系统运行可靠性预测模型。首先,构建连续协同机器学习算法机制实现电力系统运行可靠性精准预测;然后,构建时间正序下的电力系统运... 众所周知,电力系统运行过程中会出现需要显性只是预测困难等问题,构建了基于连续协同机器学习算法的电力系统运行可靠性预测模型。首先,构建连续协同机器学习算法机制实现电力系统运行可靠性精准预测;然后,构建时间正序下的电力系统运行可靠性核心要素样本精准预测机制;最后,借助电力系统运行可靠性预测函数输出最优预测结果。开展了模型工程应用实践验证,验证结果表明,模型满足电力系统运行可靠性预测智慧化改造需求,大幅度优化了电力系统运行可靠性预测智慧可控感知机制,电力系统运行可靠性预测模型核心参数符合工程实践要求。 展开更多
关键词 电力系统运行 可靠性预测 连续协同机器学习算法 LSTM算法 深度卷积神经网络算法
下载PDF
基于Winograd卷积的并行深度卷积神经网络优化算法 被引量：3
7
作者 李叶 毛伊敏 陈志刚 《信息与控制》 CSCD 北大核心 2023年第4期466-482,共17页
针对并行深度卷积神经网络算法在大数据环境下存在冗余特征计算过多、卷积运算性能不足和参数并行化合并效率低等问题,提出了基于Winograd卷积的并行深度卷积神经网络优化算法。首先,该算法提出基于余弦相似度与归一化互信息的特征过滤... 针对并行深度卷积神经网络算法在大数据环境下存在冗余特征计算过多、卷积运算性能不足和参数并行化合并效率低等问题,提出了基于Winograd卷积的并行深度卷积神经网络优化算法。首先,该算法提出基于余弦相似度与归一化互信息的特征过滤策略,通过先筛选后融合的方式消除了通道间对于冗余特征的计算,以此解决了冗余特征计算过多的问题;然后,结合MapReduce提出了并行Winograd卷积策略,通过使用并行化Winograd卷积运算替换传统卷积运算的方式来提升卷积运算的性能,以此解决了卷积运算性能不足的问题;最后,提出基于任务迁移的负载均衡策略,通过动态负载迁移的方式来均衡集群中各节点之间的负载,降低了集群总体的平均反应时长,以此解决了参数并行化合并效率低的问题。实验表明,WP-DCNN算法显著降低了DCNN在大数据环境下的训练代价,而且对并行DCNN的训练效率也有大幅提升。 展开更多
关键词 并行深度卷积神经网络算法 MAPREDUCE框架 并行Winograd卷积 负载均衡策略
原文传递
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部