-
公开(公告)号：CN113591391A
公开(公告)日：2021-11-02
申请号：CN202110909033.8
申请日：2021-08-09
申请人： 中国电力科学研究院有限公司 , 国网安徽省电力有限公司电力科学研究院 , 湖北工业大学
摘要： 本发明属于电力负荷控制技术领域，公开了一种电力负荷控制装置、控制方法、终端、介质及应用，利用预处理好的数据集对LSTM模型进行训练，改进LSTM单元中的激活函数，得到改进的LSTM模型；在改进的LSTM模型上加入注意力机制，得到改进的AM‑LSTM短期负荷预测模型；将改进完成后的AM‑LSTM短期负荷预测模型与硬件设备电力负荷控制装置结合，实现电力负荷控制。本发明提供的基于改进版短期电力负荷预测技术的电力负荷控制装置，对AM‑LSTM模型进行了改进，将深度学习模型与传统电力负荷控制装置相结合，并首次将注意力机制引入电力负荷控制领域，预测准确率高，可以适应应对复杂因素，控制更加准确。
-
公开(公告)号：CN112763963A
公开(公告)日：2021-05-07
申请号：CN202011347466.0
申请日：2020-11-26
申请人： 中国电力科学研究院有限公司 , 中国电力科学研究院有限公司武汉分院 , 国网江苏省电力有限公司电力科学研究院 , 湖北工业大学
摘要： 本申请公开了一种基于深度网络对互感器进行在线监控的系统。其中，系统包括互感器监测组件、互感器性能评估组件、互感器台帐维护组件以及监测设备管理组件，互感器监测组件对互感器以及互感器监测设备的各项功能进行实时监测以及告警；互感器性能评估组件根据预先采集的互感器参数，基于深度学习算法确定互感器计量性能评估的深度神经网络模型，利用深度神经网络模型输出互感器性能评估结果，并对互感器性能评估结果进行展示以及对互感器性能评估结果的趋势进行分析；互感器台帐维护组件对互感器台账进行维护；以及监测设备管理组件对厂站的台账信息、互感器的台账信息、监测设备的台账信息以及检测设备的体系进行管理。
-
公开(公告)号：CN112763963B
公开(公告)日：2024-05-14
申请号：CN202011347466.0
申请日：2020-11-26
申请人： 中国电力科学研究院有限公司 , 中国电力科学研究院有限公司武汉分院 , 国网江苏省电力有限公司电力科学研究院 , 湖北工业大学
摘要： 本申请公开了一种基于深度网络对互感器进行在线监控的系统。其中，系统包括互感器监测组件、互感器性能评估组件、互感器台帐维护组件以及监测设备管理组件，互感器监测组件对互感器以及互感器监测设备的各项功能进行实时监测以及告警；互感器性能评估组件根据预先采集的互感器参数，基于深度学习算法确定互感器计量性能评估的深度神经网络模型，利用深度神经网络模型输出互感器性能评估结果，并对互感器性能评估结果进行展示以及对互感器性能评估结果的趋势进行分析；互感器台帐维护组件对互感器台账进行维护；以及监测设备管理组件对厂站的台账信息、互感器的台账信息、监测设备的台账信息以及检测设备的体系进行管理。
-
公开(公告)号：CN114842279B
公开(公告)日：2024-08-06
申请号：CN202210555562.7
申请日：2022-05-20
申请人： 湖北工业大学
IPC分类号： G06V10/771 , G06V10/77 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/09 , G06V10/764
摘要： 本发明提供一种目标检测方法、装置、设备及可读存储介质，目标检测方法包括：将输入的图像进行预处理，得到初始特征图；将初始特征图输入到预设卷积神经网络中，基于每一卷积层在神经网络中所处的位置进行对应的特征提取操作，得到每一卷积层输出的特征图；将预设卷积层输出的特征图按预设方式进行通道调整，并加权融合得到若干目标特征图；将所述若干目标特征图按通道维度进行拼接后输入给检测头进行预设目标的检测，输出预设目标对应的类别与位置。本发明减少了目标检测过程中冗余特征图的生成从而减少了模型参数，加强了底层特征图的细节信息，丰富了深层特征图的语义信息，达到了特征的有效融合，提高了目标检测器在定位和识别物体时的精度。
-
公开(公告)号：CN111915526B
公开(公告)日：2024-05-31
申请号：CN202010778450.9
申请日：2020-08-05
申请人： 湖北工业大学 , 武汉烽火技术服务有限公司 , 烽火通信科技股份有限公司
IPC分类号： G06T5/90 , G06T5/60 , G06N3/045 , G06N3/0475 , G06N3/094
摘要： 本发明属于图像处理技术领域，公开了一种基于亮度注意力机制低照度图像增强算法的摄影方法，将低照度图像增强算法嵌入摄像设备中，在摄像机的程序中编入低照度图像增强模式，利用摄像设备的低照度图像增强模式进行摄影，直接应用基于亮度注意力生成对抗网络的低照度图像增强网络增强图像结果；或者，利用摄像设备摄影进行低照度图像获取，利用基于亮度注意力生成对抗网络的低照度图像增强网络对获取的图像进行增强，得到增强后的摄影图像。本发明引入亮度注意力机制，提升了增强图像的图片感知质量，提高了增强效率，进而引入科学摄影领域，形成能够解决科学摄影中问题的应用。
-
公开(公告)号：CN113568954B
公开(公告)日：2024-03-19
申请号：CN202110882923.4
申请日：2021-08-02
申请人： 湖北工业大学 , 武汉烽火技术服务有限公司
IPC分类号： G06F16/2458 , G06F16/26 , G06F16/215
摘要： 本发明属于数据处理技术领域，公开了一种网络流量预测数据预处理阶段的参数最优化方法及系统，网络流量预测数据预处理阶段的参数最优化方法包括：对数据集进行改进策略上的Q‑Learning强化学习预处理；进行基于流程压缩的快速估值网络模型的构建；进行基于混合精度的模型训练；进行基于改进Q‑Learning的最优化参数搜索。本发明提出了基于流程压缩的快速估值网络模型，基于流量预测模型出发，通过省略原模型中的预处理步骤并降低预测模型的训练代数的策略，构建能够用于快速估算回报值的网络模型；提出基于混合精度的模型训练流程，通过压缩数据尾款加快算法的计算性能，大幅度的提高了搜索最优化非空值率参数的速度。
-
公开(公告)号：CN111950615B
公开(公告)日：2023-12-05
申请号：CN202010763097.7
申请日：2020-07-31
申请人： 武汉烽火技术服务有限公司 , 湖北工业大学 , 烽火通信科技股份有限公司
IPC分类号： G06F18/2111 , G06N3/006
摘要： 本发明公开了一种基于树种优化算法的网络故障特征选择方法，涉及智能计算技术领域，本发明采用改进Sigmod函数对树种优化算法进行二进制转换，并利用改进的二进制树种优化算法对网络故障原始的数据集进行特征选择，剔除不相关或冗余的对等网络故障特征，取出真正相关的特征，节省网络故障识别中特征提取的计算时间，从而提高网络故障识别的效率和精度；无需人为指定要选择的特征维数，能够智能的在识别精度和特征维数之间取得很好的平衡，快速自动寻找到比较合适最优特征子集。
-
公开(公告)号：CN111611427B
公开(公告)日：2023-06-30
申请号：CN202010433167.2
申请日：2020-05-21
申请人： 湖北工业大学
IPC分类号： G06F16/583 , G06N3/0464 , G06N3/09
摘要： 本发明属于图像检索技术领域，公开了一种基于线性鉴别分析深度哈希算法的图像检索方法及系统，利用CNN提取图像特征；构造基于线性判别分析LDA的目标函数，将图像特征映射到哈希标签中；利用生成的hash标签训练一个简单的图像哈希深度学习网络，利用深度哈希模型将新的图像的特征映射到哈希码完成图像检索。对于目前的图像检索技术来说，图像数据庞大，并且标签在大数据时代是难以获取的，在大量图像中进行图像检索，这是非常耗时和不可扩展的，所以根据现有的问题，本发明提出的技术方法一方面避免了依赖类标签来监督散列的过程，另一方面也避免了由于深度网络获取图像特征而导致的大量的时间消耗。
-
公开(公告)号：CN111046562B
公开(公告)日：2023-06-16
申请号：CN201911294075.4
申请日：2019-12-16
申请人： 湖北工业大学
摘要： 本发明属于智能计算与运筹学交叉应用技术领域，公开了一种基于蜂群算法的多目标引导人员疏散仿真方法及系统，通过对人工蜂群算法和粒子群算法进行优化结合解决多目标引导疏散问题，利用视觉引领蜂，减少跟随蜂对引领蜂的盲目选择，再结合粒子群的基本思想，优化跟随蜂的疏散目标，并采用元胞自动机模型构建疏散场景，从而达到简化个体疏散路径。通过在单个教室的疏散场景下的人群疏散仿真的结果可知，本发明在疏散总时间上比基于基本人工蜂群算法的疏散模型更快，在疏散时间上提高了35.5％。为多障碍物情况下的疏散建模提供思路，为减少疏散时间、减少灾害损失及制定疏散策略提供有益的指导依据。
-
公开(公告)号：CN113905391B
公开(公告)日：2023-05-23
申请号：CN202111135948.4
申请日：2021-09-27
申请人： 湖北工业大学 , 武汉卓尔信息科技有限公司
IPC分类号： H04W16/22 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06N3/047 , G06N3/08
摘要： 本发明属于网络管理技术领域，公开了一种集成学习网络流量预测方法、系统、设备、终端、介质，所述集成学习网络流量预测方法包括：进行基于时间与空间的网络流量预测模型的构建；确定基于多层感知机的集成学习网络流量预测模型框架结构；进行基于多层感知机集成学习的网络流量时空建模，通过基于多层感知机的集成学习网络流量预测模型得出预测结果。本发明提供的基于多层感知机集成学习网络流量数据预测应用研究：1)用卷积神经网络与GRU门控单元对网络流量数据进行空间与时间的建模；2)提出一种基于多层感知机的集成学习网络流量预测模型；3)首次将时空建模引入网络流量预测领域。本发明预测结果精准度高，适应复杂因素影响，且控制更加准确。
-
-
-
-
-
-
-
-
-
搜索结果
120 条记录 (耗时 0.093 秒)
