CN109615070A - 电力人工智能芯片及电力故障识别方法 - Google Patents
电力人工智能芯片及电力故障识别方法 Download PDFInfo
- Publication number
- CN109615070A CN109615070A CN201811483867.1A CN201811483867A CN109615070A CN 109615070 A CN109615070 A CN 109615070A CN 201811483867 A CN201811483867 A CN 201811483867A CN 109615070 A CN109615070 A CN 109615070A
- Authority
- CN
- China
- Prior art keywords
- neural network
- artificial intelligence
- power
- electric power
- network model
- 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.)
- Pending
Links
Classifications
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力人工智能芯片及电力故障识别方法,所述电力人工智能芯片,包括数据接口和NPU神经网络处理器,还包括ARM架构或者RSIC‑V指令集架构中的有且仅有一种架构,所述ARM架构或者RSIC‑V指令集架构用于提供芯片的运行环境;所述数据接口用于接收电力高频信号图谱并将该信号图谱传送给所述NPU神经网络处理器;所述NPU神经网络处理器内设有神经网络模型。本发明可以实时接收处理电力高频信号图谱,及时做出电力故障判断;适应各种电力故障情况的判断,并且神经网络对大数据处理能力强,电力故障识别准确性高。
Description
技术领域
本发明属于电力故障识别技术领域,具体涉及一种电力人工智能芯片及电力故障识别方法。
背景技术
随着电力设备与大数据理论的发展,电力检测开始朝向智能化、精确化的方向前进。硬件方面各大厂商研发出各种智能化处理的芯片,但其大都运用于手机相机等方面,目前并没有专门针对电力故障识别方面的芯片出现,电力故障识别方面还是依赖于特定的检测设备或通过将电力信息采集后输送给主控中心分析判断,这些方式需要各种检测设备相配合并且故障识别滞后严重,无法及时判别故障问题,另外,电力故障的表现类型多种多样,主控中心需要分析大量的数据,精准性和识别效果一般比较差。因此有必要提出一种专门应用于电力方面的电力人工智能芯片及电力故障识别方法。
发明内容
本发明针对现有技术的状况,克服上述缺陷,提供一种电力人工智能芯片及电力故障识别方法。
本发明采用以下技术方案,所述电力人工智能芯片,包括数据接口和NPU神经网络处理器,还包括ARM架构或者RSIC-V指令集架构中的有且仅有一种架构,其中:
所述ARM架构或者RSIC-V指令集架构用于提供芯片的运行环境;
所述数据接口用于接收电力高频信号图谱并将该信号图谱传送给所述NPU神经网络处理器;
所述NPU神经网络处理器内设有神经网络模型,所述神经网络模型经大量电力故障信号图谱的训练后用于实时识别电力高频信号图谱的特征信息并经所述数据接口输出识别后的电力故障信息。作为上述技术方案的进一步改进,所述电力高频信号图谱为经外部设备采集预处理后的电力高频信息。
作为上述技术方案的进一步改进,所述神经网络模型采用Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层。
作为上述技术方案的进一步改进,所述电力故障信息包括电力故障的名称、类别、发生时刻以及相对发生的时标。
本发明还提出电力人工智能芯片用于电力故障识别的方法,包括以下步骤:
步骤S1:训练NPU神经网络处理器中用于电力故障识别的神经网络模型;
步骤S2:数据接口接收电力高频信号图谱并传输给训练后的神经网络模型;
步骤S3:训练后的神经网络模型对电力高频信号图谱进行预处理;
步骤S4:训练后的神经网络模型对预处理后的电力高频信号图谱进行特征参数提取;
步骤S5:训练后的神经网络对特征参数进行匹配识别并输出电力故障信息。
作为上述技术方案的进一步改进,所述步骤S1进一步包括:
步骤S1.1:选择神经网络模型的为Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层;
步骤S1.2:确定Bp神经网络的传递函数;
步骤S1.3:投入样本输入并计算实际输出与理想输出的误差;
步骤S1.4:按误差的梯度下降方法调整权矩阵;
步骤S1.5:计算全局误差,如果全局误差达不到精度要求则继续执行步骤S1.3和步骤S1.4直至全局误差达到设定标准。
作为上述技术方案的进一步改进,所述步骤S1.2中选用的Bp神经网络的传递函数为Sigmoid函数。
作为上述技术方案的进一步改进,步骤S1.3中可依据客户需求重新投入样本输入或加入新的样本输入进行电力故障识别范围的更改或扩充。
本发明还提出电力人工智能芯片用于电弧故障识别的方法,包括以下步骤:
步骤T1:训练NPU神经网络处理器中的神经网络模型用于识别电弧故障:;
步骤T2:训练后的神经网络模型对获取的电弧信号图谱进行预处理;
步骤T3:训练后的神经网络模型对预处理后的电弧信号图谱进行特征参数提取;
步骤T4:训练后的神经网络模型对特征参数进行匹配识别并输出电弧故障信息,其中电弧故障信息包括电弧的好坏、发生时刻。
作为上述技术方案的进一步改进,所述步骤T1进一步包括:
步骤T1.1:选择神经网络模型为Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层;
步骤T1.2:确定Bp神经网络的传递函数为Sigmoid函数;
步骤T1.3:投入关于电弧故障样本的输入并计算实际输出与理想输出的误差;
步骤T1.4:按误差的梯度下降方法调整权矩阵;
步骤T1.5:计算全局误差,如果全局误差达不到精度要求则继续执行步骤T1.3和步骤T1.4直至全局误差达到设定标准。
其中,上述电弧故障识别是众多电力故障中的其中一种故障表现,实际上,该电力人工智能芯片还可应用于电压闪降、过流、漏电、短路这些常见的电力故障识别,其具体的识别方法可参照电力人工智能芯片用于电力故障识别的方法,只需在训练神经网络模型时投入的样本中加入这些常见的电力故障样本。
本发明公开的电力人工智能芯片及电力故障识别方法,其有益效果在于,采用NPU神经网络处理器,可以实时接收处理电力高频信号图谱,及时做出电力故障判断;NPU神经网络处理器设有的神经网络模型可经过训练,适应各种电力故障情况的判断,并且神经网络对大数据处理能力强,电力故障识别准确性高。
具体实施方式
本发明公开了电力人工智能芯片及电力故障识别方法,下面结合优选实施例,对本发明的具体实施方式作进一步描述。
本发明首先提出了一种电力人工智能芯片,包括数据接口和NPU神经网络处理器,还包括ARM架构或者RSIC-V指令集架构中的有且仅有一种架构,其中:
所述ARM架构或者RSIC-V指令集架构用于提供芯片的运行环境;
所述数据接口用于接收电力高频信号图谱并将该信号图谱传送给所述NPU神经网络处理器;
所述NPU神经网络处理器内设有神经网络模型,所述神经网络模型经大量电力故障信号图谱的训练后用于实时识别电力高频信号图谱的特征信息并经所述数据接口输出识别后的电力故障信息。
具体地,所述ARM架构或者RSIC-V指令集架构支撑64位计算,为整个电力人工智能芯片的运行提供了环境。电力高频信号图谱来自于外部设备采集到的待检测的电力高频信号,外部设备会对电力高频信号进行预处理,生成电力高频信号的图谱传输给NPU神经网络处理器来处理,在NPU神经网络处理器中采用Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层,首先需要给NPU神经网络处理器投入大量的电力故障信号图谱样本进行训练让该神经网络具有识别能力,然后再获取到外部传输的电力高频信号图谱即可通过预处理、特征参数提取来判断该检测点出现故障的名称、类别、时刻和相对发生的时标。
本发明还提出了电力人工智能芯片用于电力故障识别的方法,包括以下步骤:
步骤S1:训练NPU神经网络处理器中用于电力故障识别的神经网络模型;
步骤S2:数据接口接收电力高频信号图谱并传输给训练后的神经网络模型;
步骤S3:训练后的神经网络模型对电力高频信号图谱进行预处理;
步骤S4:训练后的神经网络模型对预处理后的电力高频信号图谱进行特征参数提取;
步骤S5:训练后的神经网络对特征参数进行匹配识别并输出电力故障信息。
其中,所述步骤S1进一步包括:
步骤S1.1:选用神经网络模型为Bp神经网络且Bp神经网络的拓扑结构为多层次型拓扑结构,所述多层次型拓扑结构包括输入层、输出层以及隐含层,各层均设有神经元。具体地,在该步骤中需要对多层次型拓扑结构初始化:给各层的连接权值分别赋一个区间内的随机数(连接权值用于计算隐含层和输出层的神经元输入)、设定误差函数、给定计算精度值和最大学习次数。
步骤S1.2:确定Bp神经网络的传递函数。具体地,在本发明中采用传递函数为Sigmoid函数,该函数用于计算隐含层和输出层的神经元输出。
步骤S1.3:投入样本输入并计算实际输出与理想输出的误差。
步骤S1.4:按误差的梯度下降方法调整权矩阵。利用上述实际输出与理想输出的误差的偏导数和输入层各神经元的输入修正连接权值,从而调整权矩阵。
步骤S1.5:计算全局误差,如果误差达到预设精度或者学习次数大于设计的最大次数,则结束此次训练,否则,执行步骤S1.3和步骤S1.4继续迭代过程直至误差达到预设精度或者学习次数大于设计的最大次数。
以上步骤S1.1-S1.4为一次训练过程,当全局误差达不到要求,则重复步骤S1.3和步骤S1.4进行迭代调整权矩阵直到达到要求,从而该训练过程完成,具体地,可依据客户需求重新投入样本输入或加入新的样本输入进行电力故障识别范围的更改或扩充,以上训练完成后,即可对再输入的电力故障信号图谱进行识别诊断,输出识别结果。
本发明还提出电力人工智能芯片用于电弧故障识别的方法,包括以下步骤:
步骤T1:训练NPU神经网络处理器中的神经网络模型用于识别电弧故障:;
步骤T2:训练后的神经网络模型对获取的电弧信号图谱进行预处理;
步骤T3:训练后的神经网络模型对预处理后的电弧信号图谱进行特征参数提取;
步骤T4:训练后的神经网络模型对特征参数进行匹配识别并输出电弧故障信息,其中电弧故障信息包括电弧的好坏、发生时刻。
其中,所述步骤T1进一步包括:
步骤T1.1:选用神经网络模型为Bp神经网络且Bp神经网络的拓扑结构为多层次型拓扑结构,所述多层次型拓扑结构包括输入层、输出层以及隐含层,各层均设有神经元;
步骤T1.2:确定Bp神经网络的传递函数为Sigmoid函数;
步骤T1.3:投入关于电弧故障样本的输入并计算实际输出与理想输出的误差;
步骤T1.4:按误差的梯度下降方法调整权矩阵;
步骤T1.5:计算全局误差,如果全局误差达不到要求则迭代步骤T1.3和T1.4直至精度达到要求。
在上述电弧故障训练完成后,NPU神经网络处理器获取到待检测的电弧信号图谱,便可直接进行识别诊断,输出识别结果。
事实上,电弧故障识别是众多电力故障中的其中一种故障表现,实际上,该电力人工智能芯片还可应用于电压闪降、过流、漏电、短路这些常见的电力故障识别,其具体的识别方法可参照电力人工智能芯片用于电力故障识别的方法,只需在训练神经网络模型时投入的样本中加入这些常见的电力故障样本。
对于本领域的技术人员而言,依然可以对前述各实施例所记载的技术方案进行修改,或对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (10)
1.一种电力人工智能芯片,其特征在于,包括数据接口和NPU神经网络处理器,还包括ARM架构或者RSIC-V指令集架构中的有且仅有一种架构,其中:
所述ARM架构或者RSIC-V指令集架构用于提供芯片的运行环境;
所述数据接口用于接收电力高频信号图谱并将该信号图谱传送给所述NPU神经网络处理器;
所述NPU神经网络处理器内设有神经网络模型,所述神经网络模型经大量电力故障信号图谱的训练后用于实时识别电力高频信号图谱的特征信息并经所述数据接口输出识别后的电力故障信息。
2.根据权利要求1所述的电力人工智能芯片,其特征在于,所述电力高频信号图谱为经外部设备采集预处理后的电力高频信息。
3.根据权利要求1所述的电力人工智能芯片,其特征在于,所述神经网络模型采用Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层。
4.根据权利要求1所述的电力人工智能芯片,其特征在于,所述电力故障信息包括电力故障的名称、类别、发生时刻以及相对发生的时标。
5.根据权利要求1所述的电力人工智能芯片用于电力故障识别的方法,其特征在于,包括以下步骤:
步骤S1:训练NPU神经网络处理器中用于电力故障识别的神经网络模型;
步骤S2:数据接口接收电力高频信号图谱并传输给训练后的神经网络模型;
步骤S3:训练后的神经网络模型对电力高频信号图谱进行预处理;
步骤S4:训练后的神经网络模型对预处理后的电力高频信号图谱进行特征参数提取;
步骤S5:训练后的神经网络对特征参数进行匹配识别并输出电力故障信息。
6.根据权利要求5所述的电力人工智能芯片用于电力故障识别的方法,其特征在于,所述步骤S1进一步包括:
步骤S1.1:选择神经网络模型的为Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层;
步骤S1.2:确定Bp神经网络的传递函数;
步骤S1.3:投入样本输入并计算实际输出与理想输出的误差;
步骤S1.4:按误差的梯度下降方法调整权矩阵;
步骤S1.5:计算全局误差,如果全局误差达不到精度要求则继续执行步骤S1.3和步骤S1.4直至全局误差达到设定标准。
7.根据权利要求6所述的电力人工智能芯片用于电力故障识别的方法,其特征在于,所述步骤S1.2中选用的Bp神经网络的传递函数为Sigmoid函数。
8.根据权利要求6所述的电力人工智能芯片用于电力故障识别的方法,其特征在于,步骤S1.3中可依据客户需求重新投入样本输入或加入新的样本输入进行电力故障识别范围的更改或扩充。
9.根据权利要求1所述的电力人工智能芯片用于电弧故障识别的方法,其特征在于,包括以下步骤:
步骤T1:训练NPU神经网络处理器中的神经网络模型用于识别电弧故障;
步骤T2:训练后的神经网络模型对获取的电弧信号图谱进行预处理;
步骤T3:训练后的神经网络模型对预处理后的电弧信号图谱进行特征参数提取;
步骤T4:训练后的神经网络模型对特征参数进行匹配识别并输出电弧故障信息,其中电弧故障信息包括电弧的好坏、发生时刻。
10.根据权利要求9所述的电力人工智能芯片用于电弧故障识别的方法,其特征在于,所述步骤T1进一步包括:
步骤T1.1:选择神经网络模型为Bp神经网络,所述Bp神经网络包括输入层、输出层以及隐含层;
步骤T1.2:确定Bp神经网络的传递函数为Sigmoid函数;
步骤T1.3:投入关于电弧故障样本的输入并计算实际输出与理想输出的误差;
步骤T1.4:按误差的梯度下降方法调整权矩阵;
步骤T1.5:计算全局误差,如果全局误差达不到精度要求则继续执行步骤T1.3和步骤T1.4直至全局误差达到设定标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811483867.1A CN109615070A (zh) | 2018-12-06 | 2018-12-06 | 电力人工智能芯片及电力故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811483867.1A CN109615070A (zh) | 2018-12-06 | 2018-12-06 | 电力人工智能芯片及电力故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109615070A true CN109615070A (zh) | 2019-04-12 |
Family
ID=66007260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811483867.1A Pending CN109615070A (zh) | 2018-12-06 | 2018-12-06 | 电力人工智能芯片及电力故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615070A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN110474428A (zh) * | 2019-08-26 | 2019-11-19 | 上海同昭智能科技有限公司 | 智慧安防电控箱 |
CN110908844A (zh) * | 2019-10-24 | 2020-03-24 | 珠海格力电器股份有限公司 | 电弧故障检测方法、装置、计算机可读存储介质及插座 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140330763A1 (en) * | 2011-09-21 | 2014-11-06 | Brain Corporation | Apparatus and methods for developing parallel networks using a general purpose programming language |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN107860963A (zh) * | 2017-11-06 | 2018-03-30 | 福州大学 | 一种交流故障电弧检测方法及其装置 |
CN108562835A (zh) * | 2018-03-19 | 2018-09-21 | 杭州拓深科技有限公司 | 一种基于bp神经网络的故障电弧检测方法 |
CN108646149A (zh) * | 2018-04-28 | 2018-10-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于电流特征提取的故障电弧识别方法 |
-
2018
- 2018-12-06 CN CN201811483867.1A patent/CN109615070A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140330763A1 (en) * | 2011-09-21 | 2014-11-06 | Brain Corporation | Apparatus and methods for developing parallel networks using a general purpose programming language |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN107860963A (zh) * | 2017-11-06 | 2018-03-30 | 福州大学 | 一种交流故障电弧检测方法及其装置 |
CN108562835A (zh) * | 2018-03-19 | 2018-09-21 | 杭州拓深科技有限公司 | 一种基于bp神经网络的故障电弧检测方法 |
CN108646149A (zh) * | 2018-04-28 | 2018-10-12 | 国网江苏省电力有限公司苏州供电分公司 | 基于电流特征提取的故障电弧识别方法 |
Non-Patent Citations (1)
Title |
---|
张平: "又见"芯"进展 2017年下半年移动SoC发展解析", 《微型计算机》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097259A (zh) * | 2019-04-15 | 2019-08-06 | 杭州拓深科技有限公司 | 一种基于人工神经网络的集群式电气安全隐患预判方法 |
CN110474428A (zh) * | 2019-08-26 | 2019-11-19 | 上海同昭智能科技有限公司 | 智慧安防电控箱 |
CN110908844A (zh) * | 2019-10-24 | 2020-03-24 | 珠海格力电器股份有限公司 | 电弧故障检测方法、装置、计算机可读存储介质及插座 |
CN110908844B (zh) * | 2019-10-24 | 2022-03-08 | 珠海格力电器股份有限公司 | 电弧故障检测方法、装置、计算机可读存储介质及插座 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615070A (zh) | 电力人工智能芯片及电力故障识别方法 | |
CN108734690B (zh) | 一种视觉缺陷检测设备及其检测方法 | |
CN112131936B (zh) | 一种巡检机器人图像识别方法及巡检机器人 | |
CN108809948B (zh) | 一种基于深度学习的异常网络连接检测方法 | |
CN105760835A (zh) | 一种基于深度学习的步态分割与步态识别一体化方法 | |
CN113159077A (zh) | 一种基于混合卷积神经网络的三相逆变器故障识别方法 | |
CN114636900B (zh) | 一种配电网多重故障诊断方法 | |
CN111401419A (zh) | 基于改进RetinaNet的员工着装规范检测方法 | |
CN106355140B (zh) | 车辆检测的方法及装置 | |
CN112541393A (zh) | 一种基于深度学习的变电站人员检测方法及装置 | |
CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
CN110138786A (zh) | 基于SMOTETomek和LightGBM的Web异常检测方法及系统 | |
CN110688955A (zh) | 一种基于yolo神经网络的建筑构建目标检测方法 | |
CN115331002A (zh) | 一种基于ar眼镜实现热力站故障远程处理方法 | |
CN112348052A (zh) | 一种基于改进EfficientNet的输变电设备异常声源定位方法 | |
CN104615537B (zh) | 一种图像处理类ip的可约束随机验证方法和装置 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN111953657A (zh) | 一种序列-数据联合驱动的配电网cps网络攻击辨识方法 | |
CN109620267A (zh) | 基于多维判断的审讯对象心理状态识别系统、方法及装置 | |
CN112861670B (zh) | 一种输电线路金具检测方法及系统 | |
CN108874646A (zh) | 分析数据的方法和装置 | |
Abhyankar et al. | Spatial domain decision based image fusion using superimposition | |
CN113596757A (zh) | 一种基于集成宽度学习的快速高精度室内指纹定位方法 | |
CN110988803A (zh) | 一种高置信度动态调整的雷达辐射源个体识别系统 | |
CN112183191A (zh) | 一种基于对抗训练的检测输电线路中鸟巢的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190412 |
|
RJ01 | Rejection of invention patent application after publication |