短期预测在智能电网建设中扮演着重要角色,深刻影响电网发输变配用各个环节的智能化改造。短期预测一般基于系统实测数据,而传感器故障,数据传输错误等原因会导致数据质量下降,严重影响短期预测的精确性。为建立数据质量受损情况下的精...短期预测在智能电网建设中扮演着重要角色,深刻影响电网发输变配用各个环节的智能化改造。短期预测一般基于系统实测数据,而传感器故障,数据传输错误等原因会导致数据质量下降,严重影响短期预测的精确性。为建立数据质量受损情况下的精确短期预测模型,提出了结合数据预处理和双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)的短期预测框架Bi-LSTM-DP(bi-directional long short-term memory data preprocessing)。在Bi-LSTM-DP中,采集的数据首先通过均值填补缺失值,进而基于Savitzky-Golay滤波器对数据降噪,最后采用Bi-LSTM提取时间序列的信息,实现短期预测。为了评估所提方法的性能,文中使用实测的公开数据集分别预测风电发电量和负荷需求,与其他参考方法对比表明了所述方法的有效性和鲁棒性。展开更多
针对现有多模态配准算法面临的复杂背景干扰、配准精度不高和配准效率低等问题,提出一种基于双通道注意力(Tw-A)网络的无人机(UAV)多模态图像配准模型,并将它应用于UAV巡检中,以提高对多模态图像的配准精度和效率。首先,提出Tw-A,以同...针对现有多模态配准算法面临的复杂背景干扰、配准精度不高和配准效率低等问题,提出一种基于双通道注意力(Tw-A)网络的无人机(UAV)多模态图像配准模型,并将它应用于UAV巡检中,以提高对多模态图像的配准精度和效率。首先,提出Tw-A,以同时提取红外和可见光图像的特征与描述子,并采用位置注意力结合通道注意力的方式增强解码后的全局特征,从而使模型能抵御复杂背景的干扰;其次,采用特征金字塔(FP)模块对图像进行多尺度特征配准,以提取不同尺度目标尤其是小目标的特征,从而增加提取的特征点数,提高配准精度,并降低误匹配率;最后,采用一种单应性自适应匹配策略HomographyNet,根据输入图像对的难度自动调整计算复杂度,以提高特征点的复检率和增强跨域的实用性,减小计算量,并提高配准效率。实验结果表明:所提模型的精度较高,均方根误差(RMSE)相较于MURF、Efficient LoFTR(Efficient Local Feature matching with TRansformers)、ALIKE(Accurate and LIghtweight Keypoint detection and descriptor Extraction)和SuperGlue分别降低了3.5%、5.3%、12.6%和2.4%。并且,所提模型在复杂背景干扰下仍能保持良好的鲁棒性,可以满足UAV巡检图像配准的需求。展开更多
文摘短期预测在智能电网建设中扮演着重要角色,深刻影响电网发输变配用各个环节的智能化改造。短期预测一般基于系统实测数据,而传感器故障,数据传输错误等原因会导致数据质量下降,严重影响短期预测的精确性。为建立数据质量受损情况下的精确短期预测模型,提出了结合数据预处理和双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)的短期预测框架Bi-LSTM-DP(bi-directional long short-term memory data preprocessing)。在Bi-LSTM-DP中,采集的数据首先通过均值填补缺失值,进而基于Savitzky-Golay滤波器对数据降噪,最后采用Bi-LSTM提取时间序列的信息,实现短期预测。为了评估所提方法的性能,文中使用实测的公开数据集分别预测风电发电量和负荷需求,与其他参考方法对比表明了所述方法的有效性和鲁棒性。
文摘针对现有多模态配准算法面临的复杂背景干扰、配准精度不高和配准效率低等问题,提出一种基于双通道注意力(Tw-A)网络的无人机(UAV)多模态图像配准模型,并将它应用于UAV巡检中,以提高对多模态图像的配准精度和效率。首先,提出Tw-A,以同时提取红外和可见光图像的特征与描述子,并采用位置注意力结合通道注意力的方式增强解码后的全局特征,从而使模型能抵御复杂背景的干扰;其次,采用特征金字塔(FP)模块对图像进行多尺度特征配准,以提取不同尺度目标尤其是小目标的特征,从而增加提取的特征点数,提高配准精度,并降低误匹配率;最后,采用一种单应性自适应匹配策略HomographyNet,根据输入图像对的难度自动调整计算复杂度,以提高特征点的复检率和增强跨域的实用性,减小计算量,并提高配准效率。实验结果表明:所提模型的精度较高,均方根误差(RMSE)相较于MURF、Efficient LoFTR(Efficient Local Feature matching with TRansformers)、ALIKE(Accurate and LIghtweight Keypoint detection and descriptor Extraction)和SuperGlue分别降低了3.5%、5.3%、12.6%和2.4%。并且,所提模型在复杂背景干扰下仍能保持良好的鲁棒性,可以满足UAV巡检图像配准的需求。
文摘研究受限空间内过头作业人员疲劳特征,以避免疲劳累积和降低事故风险。设计了典型受限空间内过头作业试验,测量20名被试在不同受限空间高度(120 cm、140 cm)和不同工作面(侧面、顶面、正面)下的表面肌电(Surface Electromyogram,sEMG)信号和心率变异性(Heart Rate Variability,HRV)信号,记录主观疲劳评分,并对数据进行分析。结果表明:受限空间内过头作业疲劳累积明显;右肩膀和右前臂主观疲劳评分最高;左上斜方肌、右上斜方肌、右中三角肌、右冈上肌、右冈下肌和右肱桡肌中位频率(Median Frequency,MF)下降显著,右中三角肌MF下降幅度最大;相邻RR间期均值(RR mean)降低,低频成分(Low Frequency,LF)和低频高频比值(Ratio of Low Frequency to High Frequency,LF/HF)均上升;与120 cm高度相比,140 cm高度下全身及5个身体部位主观疲劳评分更高,6个肌群MF下降斜率更大,RR mean下降幅度以及LF、LF/HF上升幅度更大;工作面对主观疲劳评分、各肌群MF及HRV指标影响不显著,但正面工作面除右肱桡肌外5个肌群均疲劳累积显著,侧面和顶面工作面右上斜方肌、右中三角肌和右冈上肌3个肌群疲劳累积显著。
