CN108876144A - 一种基于深度学习算法的变电站预选址方法 - Google Patents
一种基于深度学习算法的变电站预选址方法 Download PDFInfo
- Publication number
- CN108876144A CN108876144A CN201810609804.XA CN201810609804A CN108876144A CN 108876144 A CN108876144 A CN 108876144A CN 201810609804 A CN201810609804 A CN 201810609804A CN 108876144 A CN108876144 A CN 108876144A
- Authority
- CN
- China
- Prior art keywords
- substation
- data
- land
- predicted
- site
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 239000000284 extract Substances 0.000 claims abstract description 4
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012876 topography Methods 0.000 claims description 2
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习算法的变电站预选址方法,包括步骤:提取与选址原则相关的用地类型、地形、邻近变电站情况等待学习的特征;将训练数据和待预测数据的非图像特征标记在地理坐标上,按地理坐标和通道整理输入数据;将训练数据以及待预测数据输入卷积神经网络,设定参数进行预测,得到变电站的预选址结果。该变电站预选址方法,具有一定的可行性与有效性,加入地形特征与邻近变电站特征,可有效提升该基于CNN的变电站预选址模型在进行变电站预选址判断时的准确率。
Description
技术领域
本发明涉及电力系统领域,特别是涉及一种基于深度学习算法的变电站预选址方法。
背景技术
在配电网规划过程中,梳理规划区域的配电网现状以及得出负荷预测结果之后,需进行电力电量平衡,明确各电压等级变电站的建设需求,接着进行新建变电站的选址、定容及扩建变电站的定容,然后再进行配电网架空线路或电缆网架的规划,或在电力电量平衡后,统一进行变电站和网架的规划。其中针对变电站选址过程,目前在实际应用和研究中主要有三种思路:(1)根据规划人员的经验主观确定;(2)提取变电站选址的一般原则作为特征指标,通过一定的方法建立指标体系并对备选站址进行评价和筛选;(3)将变电站选址与变电站的数量、容量、供电范围等进行统一规划,并判断规划结果中的选址结果是否可行,不可行则对站址进行进一步调整。上述思路在进行变电站选址的过程中,都需要规划人员根据变电站选址原则进行人为判断,对规划制定者的经验要求较高。
在规划过程中,变电站站址通常由规划人员根据变电站选址原则或依照选址原则建立的指标体系对备选站址进行评估或直接确定,这对于规划人员的经验要求较高,且费时费力。若通过待规划区域与规划原则相关的特征,通过合适的算法进行判断或初步筛选变电站的合适站址,可以在一定程度上减少对规划人员水平的依赖同时减轻规划人员的工作量。考虑到变电站选址涉及的区域可能较大,且与选址相关又可提取的特征维度和数量较多,将会形成数据密集型问题,传统的浅层学习进行模式识别的方式难以处理如此高维的特征。因此本发明采用深度学习方法提取并学习与选址原则相关的特征,判断待规划区域中各地块是否适建变电站,从而进行变电站预选址。这样使得选址过程基于大量已论证实施的规划方案,实现了对选址成功经验的集中参考,克服了对规划制定者经验的依赖。预选址结果可以代入配电网规划模型进行进一步的规划计算。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于深度学习算法的变电站预选址方法。
本发明采用以下的技术方案:
提取待学习的特征,包括:与选址原则相关的用地类型、地形、邻近变电站情况等;
以现有变电站的用地类型、地形、与供区外最近变电站距离等为训练数据,以变电站预测位置为待预测数据;将训练数据和待预测数据的非图像特征标记在地理坐标上,按地理坐标和通道整理输入数据;
将训练数据以及待预测数据输入卷积神经网络,设定参数进行预测,得到变电站的预选址结果。
本发明提供的技术方案的有益效果:
本发明提供的基于深度学习算法的变电站预选址方法。方法通过提取并学习与选址原则相关的特征,判断待规划区域中各地块是否适建变电站,从而进行变电站预选址。这样使得选址过程基于大量已论证实施的规划方案,实现了对选址成功经验的集中参考,克服了对规划制定者经验的依赖。预选址结果可以代入配电网规划模型进行进一步的规划计算。该方法相较浅层学习算法具有更高的判断精度。
附图说明
图1为基于深度学习算法的变电站预选址方法的流程图;
图2为典型的卷积神经网络结构LeNet5图;
图3为各簇作为测试集时的判断正确率;
图4为各判断正确率区间下的数据簇个数;
图5为缺少地形数据时的各簇作为测试集时的判断正确率;
图6为缺少地形数据时的各判断正确率区间下的数据簇个数;
图7为缺少邻近变电站情况时的各簇作为测试集时的判断正确率;
图8为缺少邻近变电站情况时的各判断正确率区间下的数据簇个数;
图9为仅包含用地类型时的各簇作为测试集时的判断正确率;
图10为仅包含用地类型时的各判断正确率区间下的数据簇个数。
具体实施方式
为了更好地理解本发明的目的、技术方案以及技术效果,以下结合附图对本发明进行进一步的讲解说明。
本发明提出了一种基于深度学习算法的变电站预选址方法,其实施流程包括如下详细步骤:
步骤1、提取与选址原则相关的用地类型、地形、邻近变电站情况等待学习的特征:
提取用地类型、地形、邻近变电站情况等待学习的特征,其中用地类型通过地区详细规划的用地规划示意图表征。用地规划示意图对于各用地类型用地有统一的用地颜色参考,多数用地规划示意图按照该参考的颜色标准绘制,对于相同用地类型的用地以相同的颜色表示,示意图在某个像素点的颜色可以表征该像素点对应地点的用地类型。地形可以从GIS系统内导出海拔数据表征,若缺乏相应数据,可以在图中直接根据地形的陡峭程度标度数据,如定义山地、丘陵、平原(高原、平地)分别为2、1、0。考虑到待规划区域的变电站尚未建设,邻近变电站情况通过计算到最近的供区外变电站的距离来表征。
步骤2、将训练数据和待预测数据的非图像特征标记在地理坐标上,按地理坐标和通道整理输入数据,包括:
将训练数据和待预测数据的非图像特征标记在地理坐标上,并与图像的像素点对齐。将训练数据和待预测数据按输入数据向量的地理坐标和通道(用地类型3~4个通道,地形1个通道,邻近变电站情况1个通道)整理好,并进行数据归一化等数据预处理过程。并且对于训练数据中输入向量表征的地块,若其中含有变电站,则该条训练数据的输出置为1,反之置为零。
步骤3、将训练数据以及待预测数据输入卷积神经网络,设定参数进行预测,得到变电站的预选址结果,包括:
卷积神经网络基本单元包括卷积层和降采样层。卷积层中对于待学习的每一个特征各采用一个卷积核,通过多个神经元与该层的输入相连,以卷积操作进行特征提取。降采样层(Downsampling Layer)也叫池化层(Pooling Layer),通过计算图像在一个区域内某个特征的平均值、最大值等,得到图像的概要特征,并送入下一个卷积层。这样的操作可以有效地降低特征的维度,减小模型过拟合的概率。在数个卷积层和降采样层后,提取的特征由低级向高级逐渐转化,最终通过一个全连接层整合所有的局部特征,并在网络顶层叠加一个分类器或回归器实现分类或预测功能。
在卷积层,采用多个卷积核可以学习图像的多种特征,每个特征可以类比为图像的每个通道。网络通过稀疏连接和权值共享,减少其中训练参数的个数。稀疏连接即每一个神经元通过卷积核仅与上一层特征图的局部进行连接,从而仅对局部图像进行感知。权值共享即学习同一特征的不同神经元采用同一套权值参数,将学习同一特征的神经元的权值参数数量从学习该特征的神经元数和连接数的乘积下降到每个神经元的连接数。此外,卷积神经网络为防止过拟合,也可采用Dropout技术,使部分隐层神经元输出值为零,节点失效,从而不参加前向与后向传播过程,降低神经元间适应的复杂度,从而防止过拟合。
图2展示了典型的卷积神经网络结构LeNet5,LeNet5共有8层,分别为输入层、卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、全连接层F6、输出层,其中稀疏连接仅在C1、C3层中应用,各层的特征图数量和尺寸大小已在图2中标明。
为了进一步理解本发明,以下以某省的配电网为例,来解释本发明的实际应用。
从已论证采用的配电网规划报告中提取用地规划示意图与区内变电站的分布,并从Google Earth提取地形数据,整合形成2100个5通道的训练数据,每个训练数据大小为10×10,包括用地类型(3通道)、地形(1通道)、与供区外最近变电站距离(1通道),并通过k-折交叉验证法,取k=21,将训练数据随机分为21个簇,每次将其中一个簇作为测试集,并将剩余20个簇作为训练集。
基于训练数据大小以及特征情况的考量,建立的CNN网络的结构如下:
(1)输入层:输入数据通道数为5;
(2)卷积层:卷积核5×5,特征图个数(通道数)为4;
(3)池化层:池化区域1×1,特征图个数(通道数)为4;
(4)卷积层:卷积核5×5,特征图个数(通道数)为4;
(5)池化层:池化区域2×2,特征图个数(通道数)为4;
(6)输出层:全连接,输出数据通道数为1,激活函数为Sigmoid函数。
将上述数据输入CNN网络后,共有2043个数据正确判断了该地是否存在变电站,正确率为97.29%。图3显示了各簇作为测试集时的判断正确率,图4显示了各分类正确率区间下的数据簇个数。结果显示,采用CNN针对已有变电站的分布情况及区域特征进行学习,并对新的区域进行判断,具有较高的判断准确率。
为分析输入特征对判断准确率的影响,分别将缺少地形数据、缺少邻近变电站情况以及仅包含用地类型的输入特征输入网络,并根据判断结果进行分析。
(1)缺少地形数据时的判断结果
共有2019个数据正确判断了该地是否存在变电站,正确率为96.14%。图5显示了缺少地形数据时的各簇作为测试集时的判断正确率,图6显示了缺少地形数据时的各分类正确率区间下的数据簇个数。
(2)缺少邻近变电站情况时的判断结果
共有1996个数据正确判断了该地是否存在变电站,正确率为95.05%。图7显示了缺少邻近变电站情况时的各簇作为测试集时的判断正确率,图8显示了缺少邻近变电站情况时的各分类正确率区间下的数据簇个数。
(3)仅包含用地类型时的判断结果
共有1932个数据正确判断了该地是否存在变电站,正确率为92.00%,图9显示了仅包含用地类型时的各簇作为测试集时的判断正确率,图10显示了仅包含用地类型时的各分类正确率区间下的数据簇个数。
通过以上分析,可见本发明提出的基于深度学习算法的变电站预选址方法,具有一定的可行性与有效性。当输入特征仅包含用地类型(即同时缺少地形和邻近变电站数据)时判断正确率最低,且存在部分簇判断准确率低于90%甚至80%的情况,稳定性相对较低。输入特征加入地形(即缺少邻近变电站数据)或邻近变电站数据(即缺少地形数据)后,判断正确率有所提高,且各簇的判断正确率均在90%以上,但均低于输入数据同时包含地形和邻近变电站数据时的判断正确率。加入地形特征与邻近变电站特征,有助于提升该基于CNN的变电站预选址模型在进行变电站预选址判断时的准确率。
Claims (5)
1.一种基于深度学习算法的变电站预选址方法,其特征在于,包括步骤:
提取待学习的特征,所述的特征为与选址原则相关的用地类型、地形、邻近变电站情况;
将训练数据和待预测数据的非图像特征标记在地理坐标上,按地理坐标和通道整理输入数据;
将训练数据以及待预测数据输入卷积神经网络,设定参数进行预测,得到变电站的预选址结果。
2.根据权利要求1所述的基于深度学习算法的变电站预选址方法,其特征在于,提取与选址原则相关的用地类型、地形、邻近变电站情况等待学习的特征,包括:
提取用地类型、地形、邻近变电站情况等待学习的特征,其中用地类型通过地区详细规划的用地规划示意图表征,用地规划示意图对于各用地类型用地有统一的用地颜色参考,多数用地规划示意图按照该参考的颜色标准绘制,对于相同用地类型的用地以相同的颜色表示,示意图在某个像素点的颜色可以表征该像素点对应地点的用地类型,地形特征从GIS系统内导出海拔数据表征,若缺乏相应数据,可以在图中直接根据地形的陡峭程度标度数据,如定义山地、丘陵、平原(高原、平地)分别为2、1、0;考虑到待规划区域的变电站尚未建设,邻近变电站情况通过计算到最近的供区外变电站的距离来表征。
3.根据权利要求1所述的基于深度学习算法的变电站预选址方法,其特征在于,将训练数据和待预测数据的非图像特征标记在地理坐标上,按地理坐标和通道整理输入数据,包括:
将训练数据和待预测数据的非图像特征标记在地理坐标上,并与图像的像素点对齐,将训练数据和待预测数据按输入数据向量的地理坐标和通道,用地类型3~4个通道,地形1个通道,邻近变电站情况1个通道,并进行数据归一化等数据预处理过程;对于训练数据中输入向量表征的地块,若其中含有变电站,则该条训练数据的输出置为1,反之置为零。
4.根据权利要求1所述的基于深度学习算法的变电站预选址方法,其特征在于,将训练数据以及待预测数据输入卷积神经网络,设定参数进行预测,得到变电站的预选址结果,包括:
在卷积层,采用多个卷积核可以学习图像的多种特征,每个特征可以类比为图像的每个通道,网络通过稀疏连接和权值共享,减少其中训练参数的个数,稀疏连接即每一个神经元通过卷积核仅与上一层特征图的局部进行连接,从而仅对局部图像进行感知。权值共享即学习同一特征的不同神经元采用同一套权值参数,将学习同一特征的神经元的权值参数数量从学习该特征的神经元数和连接数的乘积下降到每个神经元的连接数。
5.根据权利要求4所述的基于深度学习算法的变电站预选址方法,其特征在于,采用Dropout技术使部分隐层神经元输出值为零,节点失效,从而不参加前向与后向传播过程,降低神经元间适应的复杂度,从而防止过拟合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609804.XA CN108876144B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习算法的变电站预选址方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810609804.XA CN108876144B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习算法的变电站预选址方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108876144A true CN108876144A (zh) | 2018-11-23 |
CN108876144B CN108876144B (zh) | 2021-08-17 |
Family
ID=64338377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810609804.XA Active CN108876144B (zh) | 2018-06-13 | 2018-06-13 | 一种基于深度学习算法的变电站预选址方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108876144B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
CN111145452A (zh) * | 2019-12-31 | 2020-05-12 | 中国银行股份有限公司 | 一种可取火车票自助存取款机选址方法及装置 |
CN113344247A (zh) * | 2021-05-12 | 2021-09-03 | 广东华联云谷科技研究院有限公司 | 一种基于深度学习的电力设施选址预测方法与系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116812A (zh) * | 2013-02-20 | 2013-05-22 | 重庆市电力公司电力科学研究院 | 一种新型的变电站布点方法 |
US20140233620A1 (en) * | 2013-02-19 | 2014-08-21 | Power Tagging Technologies, Inc. | Methods for analyzing and optimizing the performance of a data collection network on an electrical distribution grid |
CN203984582U (zh) * | 2014-07-22 | 2014-12-03 | 国家电网公司 | 一种基于变电站作业人员图像捕捉定位网络传输装置 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107508287A (zh) * | 2017-08-25 | 2017-12-22 | 南方电网科学研究院有限责任公司 | 电网变电站负荷分群方法、装置、存储介质和计算机设备 |
-
2018
- 2018-06-13 CN CN201810609804.XA patent/CN108876144B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140233620A1 (en) * | 2013-02-19 | 2014-08-21 | Power Tagging Technologies, Inc. | Methods for analyzing and optimizing the performance of a data collection network on an electrical distribution grid |
CN103116812A (zh) * | 2013-02-20 | 2013-05-22 | 重庆市电力公司电力科学研究院 | 一种新型的变电站布点方法 |
CN203984582U (zh) * | 2014-07-22 | 2014-12-03 | 国家电网公司 | 一种基于变电站作业人员图像捕捉定位网络传输装置 |
CN107274451A (zh) * | 2017-05-17 | 2017-10-20 | 北京工业大学 | 基于共享卷积神经网络的绝缘子检测方法及装置 |
CN107508287A (zh) * | 2017-08-25 | 2017-12-22 | 南方电网科学研究院有限责任公司 | 电网变电站负荷分群方法、装置、存储介质和计算机设备 |
Non-Patent Citations (2)
Title |
---|
A.P. ALVES DA SILVA,ETC: "NEURAL NEW0RK FOR FAULT LOCATION IN SUBSTATIONS", 《IEEE TRANSACTIONS ON POWER DELIVERY》 * |
何勇: "基于GIS与BP神经网络的变电站选址研究", 《中国优秀硕士学位论文全文数据库工程科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109788489A (zh) * | 2019-02-21 | 2019-05-21 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
CN109788489B (zh) * | 2019-02-21 | 2022-03-18 | 中国联合网络通信集团有限公司 | 一种基站规划方法及装置 |
CN111145452A (zh) * | 2019-12-31 | 2020-05-12 | 中国银行股份有限公司 | 一种可取火车票自助存取款机选址方法及装置 |
CN113344247A (zh) * | 2021-05-12 | 2021-09-03 | 广东华联云谷科技研究院有限公司 | 一种基于深度学习的电力设施选址预测方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108876144B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN106815971B (zh) | 一种基于rbf神经网络的滑坡灾害预报方法 | |
CN110110707A (zh) | 人工智能cnn、lstm神经网络动态识别系统 | |
CN107742099A (zh) | 一种基于全卷积网络的人群密度估计、人数统计的方法 | |
CN104992223A (zh) | 基于深度学习的密集人数估计方法 | |
CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
CN106446942A (zh) | 基于增量学习的农作物病害识别方法 | |
CN108921039A (zh) | 基于多尺寸卷积核的深度卷积模型的森林火灾检测方法 | |
CN107610087A (zh) | 一种基于深度学习的舌苔自动分割方法 | |
CN108876144A (zh) | 一种基于深度学习算法的变电站预选址方法 | |
CN105719048A (zh) | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 | |
CN105260738A (zh) | 基于主动学习的高分辨率遥感影像变化检测方法及系统 | |
CN110533331A (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN109785618A (zh) | 一种基于组合逻辑的短时交通流预测方法 | |
CN113505510B (zh) | 融合景观指数和随机游走模型的生态安全格局识别方法 | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测系统及方法 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN107516168A (zh) | 一种生态环境质量综合评价方法 | |
Chen et al. | Agricultural remote sensing image cultivated land extraction technology based on deep learning | |
CN112183643A (zh) | 基于声发射的硬岩拉剪破裂识别方法及装置 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
CN111460598B (zh) | 一种基于机器学习的公交干线网生成方法 | |
CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |