CN110070102A - 基于双向独立循环神经网络的序列对序列模型的建立方法 - Google Patents

基于双向独立循环神经网络的序列对序列模型的建立方法 Download PDF

Info

Publication number
CN110070102A
CN110070102A CN201910189786.9A CN201910189786A CN110070102A CN 110070102 A CN110070102 A CN 110070102A CN 201910189786 A CN201910189786 A CN 201910189786A CN 110070102 A CN110070102 A CN 110070102A
Authority
CN
China
Prior art keywords
layer
data
sequence
neural network
independent loops
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
Application number
CN201910189786.9A
Other languages
English (en)
Other versions
CN110070102B (zh
Inventor
邓亚平
贾颢
杨悦
李鹏程
邱晓东
王璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN201910189786.9A priority Critical patent/CN110070102B/zh
Publication of CN110070102A publication Critical patent/CN110070102A/zh
Application granted granted Critical
Publication of CN110070102B publication Critical patent/CN110070102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于双向独立循环神经网络的序列对序列模型的建立方法，具体为：首先，采集信号或数据，对数据进行预处理，进行人工分类；再将输入数据集和标签集转换为矩阵形式，并对其分别进行随机划分为训练集和测试集，之后构建基于独立循环神经网络的序列对序列模型，并对模型进行训练，过拟合判断；最后对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。基于独立循环神经网络的序列对序列模型不仅可以从最大程度上提取出序列数据的内在特征，而且可以极大程度上提高采样点数多或时间跨度大的序列数据中各序列元素所属类别的判断准确率。

Description

基于双向独立循环神经网络的序列对序列模型的建立方法
技术领域
本发明属于信号控制技术领域，具体涉及一种基于双向独立循环神经网络的序列对序列模型的建立方法。
背景技术
建立序列对序列模型，进而对具有时序属性的波形或数据进行序列中每个元素类型的辨识具有广泛应用，譬如识别电能质量扰动类型，确定电压波形故障类型，辨识胎儿胎动信号类型等。
现有的序列对序列模型多数需要在对一定时间段内的数据信息进行“编码”的基础上进一步“解码”后才能够确定该段数据所属的具体类型或属性，即难以实现对时序信号或数据中的单一元素所属类别进行分类，因此实时性较差。为此，提出了一种基于双向独立循环神经网络的序列对序列模型，用以实现对时序信号序列中单一元素的属性类别进行实时的分类识别。
双向独立循环神经网络是处理时序信号的有力工具。然而，作为循环神经网络的典型代表，长短时记忆网络和门控神经单元由于其结构的原因，容易出现长期依赖问题。因此，随着时间步长的增加，神经网络模型出现梯度爆炸或梯度消失，从而使得训练困难，甚至无法训练，最终出现发散，难以收敛。综上所述，无论是长短时记忆网络还是门控神经单元都难以对信号采样点数多，时间跨度大的序列数据进行有效分析。以电能质量扰动类型识别问题为例，长短时记忆网络和门控神经单元对采样点多或时间跨度大的扰动类型(譬如电压波动、振荡暂态)识别结果较差。相比较之下，双向独立循环神经网络可以处理更长的时间序列，考虑更长的时间跨度，实现更深的网络层数，从而可以在一定程度上解决长期依赖问题，增强模型对数据特征的提取能力，考虑更多采样点数据，提高对采样点多或时间跨度大的扰动类型识别准确率。
发明内容
本发明的目的是提供一种基于双向独立循环神经网络的序列对序列模型的建立方法，解决了现有技术中存在的无法高效、准确的对序列数据中单一元素进行分类识别的问题。
本发明所采用的技术方案是，基于双向独立循环神经网络的序列对序列模型的建立方法，具体按照以下步骤实施：
步骤1，在节点处安装测量装置采集信号或数据；
步骤2，对获得的数据进行预处理，剔除监测数据中的无效数据并进行平滑处理，之后进行人工分类；
对每一个序列元素标注上所属标签，从而形成两个数据集，即输入数据集和与所有原始的输入数据对应的标签集，使得标签序列与输入数据集内的样本序列元素依次对应；输入数据可以为一维或多维数据，即每次输入一个或多个数据对应一个数据标签，此时将输入的多个数据看作一个序列元素；
步骤3，将输入数据集转换为矩阵形式，输入矩阵形状为[序列样本数量，步长，输入数据维度]；同时，将标签集也转换为矩阵形式，标签矩阵形状为[序列样本数量，步长，输出标签维度]；
步骤4，将输入数据集和对应的标签集分别进行随机划分为训练集和测试集，其中训练集数据占总样本的75％，测试集数据占总样本的25％；
步骤5，构建基于独立循环神经网络的序列对序列模型；
该双向独立循环神经网络的序列对序列模型包括以下三个部分，第一部分为输入层，输入层仅为一层，实现对输入数据的预处理；输入层的数据格式为[训练集样本数量，步长，输入数据维度]；
第二部分为隐含层，隐含层包含有多层，隐含层中含有双向独立循环神经网络层、全连接层，实现对输入数据的特征抽取；隐含层中所包含的双向独立循环神经网络层，每层包含多个隐含神经元单元且不同神经元之间彼此独立，其中第n个神经元单元的隐含状态hn.t如式(1)所示；全连接层包含n个神经元单元，全连接层所包含神经元单元数量与标签数量一致；
hn.t＝σ(WnXt+Unhn.t-1+bn) (1)；
式(1)中，Xt为t时刻的输入数据；hn，t代表t时刻隐藏层节点，其含义为输入数据Xt的内在表达形式；hn，t-1代表前一时刻隐藏层节点；Wn和Un分别为输入权重和隐藏层节点的权重矩阵；bn为隐藏层的偏置向量；
第三部分为输出层，输出层仅为一层Softmax层，实现对序列元素判断结果的输出；输出层与最后一层的全连接层相连，且全连接层使用线性全连接层，无激活函数；
除输入层外其余神经网络层均通过激活函数与前一层神经网络层连接；每一层的输出数据使用批规范化进行规范化处理，得到独立循环神经网络模型；
步骤6，对构建好的基于双向独立循环神经网络的序列对序列模型进行训练；
步骤7，过拟合判断；使用测试集中其余的20％数据来进行过模型的过拟合判断若测试准确度大幅度下降则表明上述训练完成的模型已经出现了过拟合现象；
超参数每次调整后都需要通过步骤5进行重新训练，使得模型具有更强的泛化能力；
步骤8，利用经训练好的基于独立循环神经网络的序列对序列模型实现对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。
本发明的特点还在于，
步骤5中，激活函数选用tanh激活函数、ReLU、Leaky Relu、Sigmoid或者tanh激活函数。
步骤6中，具体为：
使用全局随机初始化方式来进行模型参数的初始化；通过测试集中的80％数据来对已构建好的模型进行训练；经过多个世代训练后得到最优的模型参数；从而使得模型能够识别输入序列数据或信息中每一个元素所属类别。
步骤6中，优化器为Momentum优化器、SGD或梯度下降优化器。
步骤7中，调整超参数的方式为，采用修改学习率、更改全连接层数量、更改训练世代或调整隐含层数量的方式；或选用训练世代的数量、序列步长大小、学习率、输入序列长度、输入序列维度或输出序列维度。
本发明的有益效果是，
该建立方法，一方面能够对时序信号或数据中单一元素进行快速并准确的识别，另一方面能够提高对采样点多或时间跨度大的时序信号或数据的识别准确率。基于独立循环神经网络的序列对序列模型不仅可以从最大程度上提取出序列数据的内在特征，而且可以极大程度上提高采样点数多或时间跨度大的序列数据中各序列元素所属类别的判断准确率。相对于长短时记忆神经网络或门控神经单元，双向独立循环神经网络可以构建更长更深的网络，实现对更长期依赖数据的处理，在对采样点多或时间跨度大的时序信号的处理上具有明显优势。
附图说明
图1为本发明基于双向独立循环神经网络的序列对序列模型的建立方法的流程图；
图2为本发明方法对复合电能质量扰动中所包含各个基本扰动起止时刻的定位结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于双向独立循环神经网络的序列对序列模型的建立方法，如图1所示，具体按照以下步骤实施：
步骤1，在节点处安装测量装置采集信号或数据；
测量装置可为互感器；
步骤2，对获得的数据进行预处理，剔除监测数据中的无效数据并进行平滑处理，之后进行人工分类；
对每一个序列元素标注上所属标签，从而形成两个数据集，即输入数据集和与所有原始的输入数据对应的标签集，使得标签序列与输入数据集内的样本序列元素依次对应；输入数据可以为一维或多维数据，即每次输入一个或多个数据对应一个数据标签，此时将输入的多个数据看作一个序列元素；
步骤3，将输入数据集转换为矩阵形式，输入矩阵形状为[序列样本数量，步长，输入数据维度]；同时，将标签集也转换为矩阵形式，标签矩阵形状为[序列样本数量，步长，输出标签维度]；
步骤4，将输入数据集和对应的标签集(合称样本数据)分别进行随机划分为训练集和测试集，其中训练集数据占总样本的75％，测试集数据占总样本的25％；
步骤5，构建基于独立循环神经网络的序列对序列模型；
该双向独立循环神经网络的序列对序列模型包括以下三个部分，第一部分为输入层，输入层仅为一层，实现对输入数据的预处理；输入层的数据格式为[训练集样本数量，步长，输入数据维度]；
第二部分为隐含层，隐含层包含有多层，隐含层中含有双向独立循环神经网络层、全连接层，实现对输入数据的特征抽取；隐含层中所包含的双向独立循环神经网络层，每层包含多个隐含神经元单元且不同神经元之间彼此独立，其中第n个神经元单元的隐含状态hn.t如式(1)所示；全连接层包含n个神经元单元，全连接层所包含神经元单元数量与标签数量一致；
hn.t＝σ(WnXt+Unhn.t-1+bn) (1)；
式(1)中，Xt为t时刻的输入数据；hn，t代表t时刻隐藏层节点，其含义为输入数据Xt的内在表达形式；hn，t-1代表前一时刻隐藏层节点；Wn和Un分别为输入权重和隐藏层节点的权重矩阵；bn为隐藏层的偏置向量；σ为神经元逐元素的激活函数；
隐含层部分数量根据需要进行修改，增加或减少独立循环神经网络层、丢弃层、全连接层；
第三部分为输出层，输出层仅为一层Softmax层，实现对序列元素判断结果的输出；输出层与最后一层的全连接层相连，且全连接层使用线性全连接层，无激活函数；
该独立循环神经网络的序列对序列模型，除输入层外其余神经网络层均通过激活函数与前一层神经网络层连接；
激活函数类型根据需要，可选用ReLU、Leaky Relu、Sigmoid或者tanh激活函数；
每一层的输出数据使用批规范化进行规范化处理，得到独立循环神经网络模型；
步骤6，对构建好的基于独立循环神经网络的序列对序列模型进行训练；
使用全局随机初始化方式来进行模型参数的初始化；通过测试集中的80％数据来对已构建好的模型进行训练；经过多个世代训练后得到最优的模型参数；从而使得模型能够识别输入序列数据或信息中每一个元素所属类别；
步骤6中，选择不同优化器来进行训练，还可以选择Momentum优化器、SGD或梯度下降优化器来进行替代；
步骤6中，使用不同的损失函数来进行训练，如使用均方差或平均差作为损失函数来替代交叉熵损失函数；
步骤7，过拟合判断；
使用测试集中其余的20％数据来进行过所述模型的过拟合判断，若测试准确度大幅度下降则表明上述训练完成的模型已经出现了过拟合现象；此时需要调整所述模型的超参数，这些超参数包括全连接层数量、学习率、训练世代、隐含层数量；
超参数每次调整后都需要通过步骤5进行重新训练，使得模型具有更强的泛化能力；
调整超参数的方式多样，如训练世代的数量、序列步长大小、学习率、输入序列长度、输入序列维度及输出序列维度，均可根据实际数据进行调整；
步骤8，利用经训练好的基于双向独立循环神经网络的序列对序列模型实现对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。
本发明的创新点在于，基于双向独立循环神经网络的序列对序列模型能够发现时序信号或数据中各序列元素之间更长的依赖关系，从而极大的提高对采样点多或时间跨度大的时序信号或数据的识别准确率。相对于长短时记忆神经网络或门控神经单元，双向独立循环神经网络可以构建更长更深的网络，实现对更长期依赖数据的处理，在对采样点多或时间跨度大的时序信号的处理上具有明显优势。
实施例
使用电能质量扰动序列数据作为数据集，其中基本电能质量扰动包含有暂降、暂升、中断、振荡暂态、脉冲暂态、电压波动、谐波、电压缺口共7种，而复杂电能质量扰动是由7种不同的基本扰动复合而成。其中，两种基本扰动构成的复合扰动共20种，三种基本扰动构成的复合扰动共30种，四种基本扰动构成的复合扰动共25种，五种基本扰动构成的复合扰动共11种，六种基本扰动构成的复合扰动共2种。
针对在复杂电能质量扰动识别及其所包含的所有基本扰动起止时刻定位问题，使用本发明方法，扰动类型的判断正确率及起止时刻定位结果分别如表1及图2所示。表1中“F”代表电压波动，“HI”代表谐波/间谐波，“OT”代表振荡暂态，“IT”代表脉冲暂态，“N”代表电压缺口，“I”代表电压中断。第一列所示扰动为7种基本扰动，第二列所示扰动为由两种基本扰动构成的复合扰动，且分别为暂降和谐波/间谐波。其余扰动类型以此类推。表1中每个单元格中的数据包含两层含义，前者加粗字体表示的为该扰动类型的编号(2～96)，后者为该扰动类型的识别准确率。特别说明的是，本实施例中，正常不含任何扰动的波形标记为1。
表1复杂电能质量扰动中所包含的基本扰动数目
基于双向独立循环神经网络的序列对序列模型总共设置有11(可以改为更深)层神经网络层，先使用一层输入层(第1层)，再使用九层隐含层，隐含层依次设置为双向独立循环神经网络层(第2层)、丢弃层(第3层)、双向独立循环神经网络层(第4层)、丢弃层(第5层)、双向独立循环神经网络层(第6层)、丢弃层(第7层)、双向独立循环神经网络层(第8层)、丢弃层(第9层)及全连接层(第10层)；最后使用一层输出层(第11层)。由输出层的Softmax层抽出最后分类，使用tanh函数作为激活函数。通过Argmax函数输出Softmax的判断结果。
输入层的数据格式为[70000，512，1]，即70000个样本，512个步长对应512个采样点，输入数据维度为1。
输出层的数据格式为[70000，512，1]，即输出数据与输入数据矩阵形状一致。训练使用亚当优化器进行训练，学习率为0.01，每10个世代学习率在当前的基础上下降10％，经历1000个世代训练。
表1所示为所有基本电能质量扰动及复杂电能质量扰动类型的识别准确率，显然，基于双向独立循环神经网络的序列对序列模型的复杂电能质量扰动类型识别准确率不因其所包含扰动数目的增加而降低，尤其是提高了对包含电压波动和振荡暂态这两类扰动的识别准确率得到了提高。
图2中含两条曲线，其中实线所示为模拟采集到的复杂电能质量扰动波形，虚线起止时刻代表的是各扰动的起止时刻，而其幅值则代表了每种扰动所对应的扰动类型。由于本实施例中已将采集到的波形进行了标幺化处理，因此为了能够将上述两条曲线置于一张图中，此处特将扰动类型进行了对数处理。由图2可知，虚线的幅值在0.15s附近从1.415变化为1.875，即实现所示的复杂电能质量扰动于0.15s附近，扰动类型从26(101.415≈26)变化为75(101.875≈75)。结合表1可知，上述扰动类型识别结果是准确的。进一步，对图2示的各扰动起止时刻进行深入分析，可得表2所示结果。由表2可知，无论是起始时刻还是终止时刻，在每周期采样512点，频率为50Hz的条件下，其绝对误差均在0.234ms以内。
表2各扰动起止时刻分析

Claims (5)

1.基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于，具体按照以下步骤实施：
步骤1，在节点处安装测量装置采集信号或数据；
步骤2，对获得的数据进行预处理，剔除监测数据中的无效数据并进行平滑处理，之后进行人工分类；
对每一个序列元素标注上所属标签，从而形成两个数据集，即输入数据集和与所有原始的输入数据对应的标签集，使得标签序列与输入数据集内的样本序列元素依次对应；输入数据可以为一维或多维数据，即每次输入一个或多个数据对应一个数据标签，此时将输入的多个数据看作一个序列元素；
步骤3，将输入数据集转换为矩阵形式，输入矩阵形状为[序列样本数量，步长，输入数据维度]；同时，将标签集也转换为矩阵形式，标签矩阵形状为[序列样本数量，步长，输出标签维度]；
步骤4，将输入数据集和对应的标签集分别进行随机划分为训练集和测试集，其中训练集数据占总样本的75％，测试集数据占总样本的25％；
步骤5，构建基于双向独立循环神经网络的序列对序列模型；
该双向独立循环神经网络的序列对序列模型包括以下三个部分，第一部分为输入层，输入层仅为一层，实现对输入数据的预处理；输入层的数据格式为[训练集样本数量，步长，输入数据维度]；
第二部分为隐含层，隐含层包含有多层，隐含层中含有双向独立循环神经网络层、全连接层，实现对输入数据的特征抽取；隐含层中所包含的双向独立循环神经网络层，每层包含多个隐含神经元单元且不同神经元之间彼此独立，其中第n个神经元单元的隐含状态hn.t如式(1)所示；全连接层包含n个神经元单元，全连接层所包含神经元单元数量与标签数量一致；
hn.t＝σ(WnXt+Unhn.t-1+bn) (1)；
式(1)中，Xt为t时刻的输入数据；hn，t代表t时刻隐藏层节点，其含义为输入数据Xt的内在表达形式；hn，t-1代表前一时刻隐藏层节点；Wn和Un分别为输入权重和隐藏层节点的权重矩阵；bn为隐藏层的偏置向量；σ为神经元的逐元素激活函数；
第三部分为输出层，输出层仅为一层Softmax层，实现对序列元素判断结果的输出；输出层与最后一层的全连接层相连，且全连接层使用线性全连接层，无激活函数；
除输入层外其余神经网络层均通过激活函数与前一层神经网络层连接；每一层的输出数据使用批规范化进行规范化处理，得到独立循环神经网络模型；
步骤6，对构建好的基于独立循环神经网络的序列对序列模型进行训练；
步骤7，过拟合判断；使用测试集中其余的20％数据来进行过模型的过拟合判断若测试准确度大幅度下降则表明上述训练完成的模型已经出现了过拟合现象；
超参数每次调整后都需要通过步骤5进行重新训练，使得模型具有更强的泛化能力；
步骤8，利用经训练好的基于独立循环神经网络的序列对序列模型实现对序列数据中各单一元素的识别，使用Argmax函数获得对序列中单一元素的识别结果。
2.根据权利要求1所述的基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于：所述步骤5中，激活函数选用tanh激活函数、ReLU、Leaky Relu、Sigmoid或者tanh激活函数。
3.根据权利要求1所述的基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于，所述步骤6中，具体为：
使用全局随机初始化方式来进行模型参数的初始化；通过测试集中的80％数据来对已构建好的模型进行训练；经过多个世代训练后得到最优的模型参数；从而使得模型能够识别输入序列数据或信息中每一个元素所属类别。
4.根据权利要求3所述的基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于，所述步骤6中，优化器为Momentum优化器、SGD或梯度下降优化器。
5.根据权利要求1所述的基于双向独立循环神经网络的序列对序列模型的建立方法，其特征在于，所述步骤7中，调整超参数的方式为，采用修改学习率、更改全连接层数量、更改训练世代或调整隐含层数量的方式；或选用训练世代的数量、序列步长大小、学习率、输入序列长度、输入序列维度或输出序列维度。
CN201910189786.9A 2019-03-13 2019-03-13 用于电能质量扰动类型识别的序列对序列模型建立方法 Active CN110070102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910189786.9A CN110070102B (zh) 2019-03-13 2019-03-13 用于电能质量扰动类型识别的序列对序列模型建立方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910189786.9A CN110070102B (zh) 2019-03-13 2019-03-13 用于电能质量扰动类型识别的序列对序列模型建立方法

Publications (2)

Publication Number Publication Date
CN110070102A true CN110070102A (zh) 2019-07-30
CN110070102B CN110070102B (zh) 2023-05-23

Family

ID=67366217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910189786.9A Active CN110070102B (zh) 2019-03-13 2019-03-13 用于电能质量扰动类型识别的序列对序列模型建立方法

Country Status (1)

Country Link
CN (1) CN110070102B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110930997A (zh) * 2019-12-10 2020-03-27 四川长虹电器股份有限公司 一种利用深度学习模型对音频进行标注的方法
CN110996283A (zh) * 2019-12-20 2020-04-10 南开大学 一种利用深度学习和通信链路质量实现位置估计的方法
WO2021059081A1 (en) * 2019-09-25 2021-04-01 International Business Machines Corporation Systems and methods for training a model using a few-shot classification process
CN113536655A (zh) * 2021-04-07 2021-10-22 北京聚树核科技有限公司 定日镜人工智能纠偏方法、装置、电子设备及存储介质
CN117113228A (zh) * 2023-10-19 2023-11-24 中国南方电网有限责任公司 一种基于深度学习的电力社会工程学攻击监测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011002842A1 (de) * 2011-01-18 2012-07-19 Suzlon Energy Gmbh Simulationsmodell für eine Windenergieanlage sowie Erzeugung und Verwendung
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN108664950A (zh) * 2018-05-22 2018-10-16 天津大学 一种基于深度学习的电能质量扰动识别与分类方法
CN108921285A (zh) * 2018-06-22 2018-11-30 西安理工大学 基于双向门控循环神经网络的序列中单一元素分类方法
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011002842A1 (de) * 2011-01-18 2012-07-19 Suzlon Energy Gmbh Simulationsmodell für eine Windenergieanlage sowie Erzeugung und Verwendung
US20170091615A1 (en) * 2015-09-28 2017-03-30 Siemens Aktiengesellschaft System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies
CN108664950A (zh) * 2018-05-22 2018-10-16 天津大学 一种基于深度学习的电能质量扰动识别与分类方法
CN108921285A (zh) * 2018-06-22 2018-11-30 西安理工大学 基于双向门控循环神经网络的序列中单一元素分类方法
CN109271975A (zh) * 2018-11-19 2019-01-25 燕山大学 一种基于大数据多特征提取协同分类的电能质量扰动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张欣等: "基于迟滞神经网络的风速时间序列预测", 《天津工业大学学报》 *
艾玲梅等: "基于循环卷积神经网络的目标检测与分类", 《计算机技术与发展》 *
陈伟等: "基于相空间重构和卷积神经网络的电能质量扰动分类", 《电力系统保护与控制》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021059081A1 (en) * 2019-09-25 2021-04-01 International Business Machines Corporation Systems and methods for training a model using a few-shot classification process
CN110930997A (zh) * 2019-12-10 2020-03-27 四川长虹电器股份有限公司 一种利用深度学习模型对音频进行标注的方法
CN110930997B (zh) * 2019-12-10 2022-08-16 四川长虹电器股份有限公司 一种利用深度学习模型对音频进行标注的方法
CN110996283A (zh) * 2019-12-20 2020-04-10 南开大学 一种利用深度学习和通信链路质量实现位置估计的方法
CN113536655A (zh) * 2021-04-07 2021-10-22 北京聚树核科技有限公司 定日镜人工智能纠偏方法、装置、电子设备及存储介质
CN117113228A (zh) * 2023-10-19 2023-11-24 中国南方电网有限责任公司 一种基于深度学习的电力社会工程学攻击监测方法及系统
CN117113228B (zh) * 2023-10-19 2023-12-29 中国南方电网有限责任公司 一种基于深度学习的电力社会工程学攻击监测方法及系统

Also Published As

Publication number Publication date
CN110070102B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN110070102A (zh) 基于双向独立循环神经网络的序列对序列模型的建立方法
CN108921285A (zh) 基于双向门控循环神经网络的序列中单一元素分类方法
CN110442684A (zh) 一种基于文本内容的类案推荐方法
CN110491416A (zh) 一种基于lstm和sae的电话语音情感分析与识别方法
CN103116766B (zh) 一种基于增量神经网络和子图编码的图像分类方法
CN109271975A (zh) 一种基于大数据多特征提取协同分类的电能质量扰动识别方法
CN102542262B (zh) 一种基于高铁运行特征工况波形库的波形识别方法
CN107564025A (zh) 一种基于深度神经网络的电力设备红外图像语义分割方法
CN104820724B (zh) 文本类教育资源知识点预测模型获得方法及模型应用方法
CN104035996B (zh) 基于Deep Learning的领域概念抽取方法
CN110070172B (zh) 基于双向独立循环神经网络的序列预测模型的建立方法
CN105787500A (zh) 基于人工神经网络的特征选择方法和装置
CN108051660A (zh) 一种变压器故障组合诊断模型建立方法及诊断方法
CN109934392A (zh) 一种基于深度学习的微电网短期负荷预测方法
CN109063247A (zh) 基于深度信念网络的滑坡灾害预报方法
CN103400160B (zh) 一种零训练样本行为识别方法
CN108562811A (zh) 基于双向长短期记忆的复杂电能质量扰动分析方法
CN109766935A (zh) 一种基于超图p-Laplacian图卷积神经网络的半监督分类方法
CN113379164A (zh) 基于深度自注意力网络的负荷预测方法及系统
CN108896857A (zh) 一种基于深度学习的变压器复杂工况识别方法
CN110930995A (zh) 一种应用于电力行业的语音识别模型
CN103440500A (zh) 高光谱遥感图像分类与识别方法
CN110288257A (zh) 一种深度超限示功图学习方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN109242180A (zh) 中长期电力负荷预测方法和系统

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