CN113036762B - 基于ssa算法的多通道电力信号模式的快速识别方法 - Google Patents
基于ssa算法的多通道电力信号模式的快速识别方法 Download PDFInfo
- Publication number
- CN113036762B CN113036762B CN202110506429.8A CN202110506429A CN113036762B CN 113036762 B CN113036762 B CN 113036762B CN 202110506429 A CN202110506429 A CN 202110506429A CN 113036762 B CN113036762 B CN 113036762B
- Authority
- CN
- China
- Prior art keywords
- low
- frequency oscillation
- individual
- individuals
- signal
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于SSA算法的多通道电力信号模式的快速识别方法,通过获取多通道电力系统低频振荡信号,将信号用独立分量法进行分离,使多通道的时变信号分离成相互独立的统计独立分量,再通过SSA算法,构建领导者与追随者个体,选定低频振荡对象参数作为领导者与追随者个体,对个体进行初始化,计算每个个体的适应度,利用自适应权重进行迭代更新,找到个体的最优适应度值,从而辨识出低频振荡模式。本发明的快速识别方法能够很好的将多通道低频振荡信号进行分离,使得系统能快速且有效的辨识出低频振荡模式,以实时的对电力数据进行处理。
Description
技术领域
本发明属于电力系统分析领域,更具体地说,涉及一种基于SSA算法的多通道电力信号模式的快速识别方法。
背景技术
在电力系统中,互联电网有利于提高发输电的运行经济性和可靠性,但区域之间电网的互联有可能引发低频振荡现象,低频振荡发生的几率不断提高,如果无法很好的对低频振荡进行抑制,电力系统的稳定性将遭到破坏。而对目前,WAMS系统中的低频振荡模态参数辨识模块的主要功能是对基于单输出的PMU信号进行独立分析,基于单输入单输出信号分析方法,最终将模态参数辨识结果进行机械汇总,而并未突出主导模式的特征参数,存在遗漏关键振荡模式的隐患,且计算效率偏低。故对多输入多输出系统进行低频振荡的模式分析具有重要的现实意义。
然而,在多输入多输出系统进行低频振荡的模式分析中,实时的电力数据量很大,现有技术中披露分析方法针对低频振荡的模式分析速度还不够快,这会导致无法对电力故障进行实时的诊断和救治,计算效率和准确度都有待进一步提高,因此亟需提供一种多通道电力信号模式的快速识别方法,以快速且有效的实现低频振荡的模式的分析。
发明内容
(一)技术问题
基于上述的技术缺陷,本发明提供了一种基于SSA算法的多通道电力信号模式的快速识别方法,该快速识别方法能快速且有效的计算出振荡参数,以实现电力系统低频振荡信号的模式的准确分析。
(二)技术方案
本发明提供了一种基于SSA算法的多通道电力信号模式的快速识别方法,该快速识别方法包括如下步骤:
步骤1、获取多通道电力系统低频振荡时的信号,该信号为低频振荡时电网电压或功率值,振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T由N维相互独立振荡源信号组成,且N维相互独立振荡源信号最多只有一个高斯分布,可表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),…,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量。
步骤S2:对多通道低频振荡信号用ICA方法进行分离,得到能量相互独立的统计独立分量,为SSA分析做准备;
步骤S3:SSA分析,利用SSA算法分别对所有的统计独立分量进行分解,得到所有统计独立分量的低频振荡参数(A、f、φ、α),从而得出低频振荡的模式;步骤S3具体包括如下步骤S31~S38:
S31、根据ICA算法分离出的各个分量,分量包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α);
S32、根据ICA所分离所得低频振荡各个通道的信号,分别设置SSA算法中领导者与追随者个体,个体包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α),并设置种群个体数量Y、最大迭代次数Tmax;
S33、对需要进行低频振荡参数辨识的信号确定的领导者与追随者,并初始化,随机初始化i个个体的位置P为空间维数,确定前N个个体为领导者,N<Y,剩余个体为追随者,在低频振荡参数搜索空间上限集合为Ub=[Ub1,Ub2,…,UbP],搜索空间下限集合为Lb=[Lb1,Lb2,…,LbP];
S34、计算低频振荡所有个体适应度值,设置适应度函数为平方适应度函数,为f=(fi(t)-Xi(t))2,其中:fi(t)为第i个个体低频振荡信号搜索拟合值,Xi(t)为第i个个体的个体位置,选择适应度值最小的个体位置作为初始全局最优位置;
S35、种群位置更新,领导者与追随者分别进行更新,领导者中采用随机数加快搜索,并在追随者更新中利用自适应惯性权重,加快在低频振荡参数中的搜索范围及速度;
领导者位置更新:
追随者位置更新:
ωi为惯性权重,其更新公式为:
ωi=ω0+ωi-1exp(-(αt/Tmax)2)
ω0为初始惯性权重,α为低频振荡搜索空间中的非线性控制参数,Tmax为最大的迭代数;
S36、更新位置,对更新完的个体,比较更新前后个体适应值,将更优的个体进行保留,以最优个体的适应度值,更新低频振荡参数最优解的位置;
S37、判断是否满足迭代次数Tmax或预设精度的要求,若满足,则跳出循环,输出最优解;若不满足,则返回S4继续循环;
S38、得到系统的最优估计值并且与原始信号进行拟合,通过拟合误差的大小最终确定振荡模式的各个参数,辨识出低频振荡模式。
进一步的,所述步骤2中ICA分离多通道信号包括如下步骤S21~S28:
S21、获取低频振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T,由N维相互独立振荡源信号组成,且各分量成分中最多只有一个高斯分布,表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),…,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量;
S22、对对应集合X(t)的低频振荡观测混合数据X根据下式进行中心化,使观测混合数据X的均值为0;
S23、对所得到的数据进行白化,观察混合矩阵X变成白化矢量X;可通过对随机矢量X的协方差矩阵进行奇异值分解,如下:
E(XXT)=EDET
S24、根据特征根顺序,选择需要估计的分量个数m,设迭代次数p=1;
S25、选择一个初始权重矢量Wp,其中Wp随机设置,要求||Wp||2=0;
S27、ICA的迭代终止条件为:
S28、令p=p+1,若p≤m,m为需要估计多通道信号的能量相互独立的分量个数,则返回第S5步重复进行计算。
在另外一个方面,本发明还公开了一种基于SSA算法的多通道电力信号模式的快速识别系统,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述任一项所述的基于SSA算法的多通道电力信号模式的快速识别方法。
在另外一个方面,本发明还公开了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如上述任一项所述的基于SSA算法的多通道电力信号模式的快速识别方法。
(三)有益效果
相对于现有技术,本发明的基于SSA算法的多通道电力信号模式的快速识别方法通过SSA算法,构建领导者与追随者个体,选定对象(包含频率、幅值、相位、衰减系数等参数)作为领导者与追随者个体,对个体进行初始化,计算每个个体的适应度,利用自适应权重进行迭代更新,找到个体的最优适应度值,从而更快速且有效的辨识出低频振荡模式,以实时的完成对电力数据进行处理和振荡报警。
附图说明
图1是本发明基于SSA算法的多通道电力信号模式的快速识别方法的方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本发明为了提高多通道电力信号的模式识别速度和效率,提出了一种基于SSA算法(即樽海鞘算法-Salp Swarm Algorithm,SSA)的多通道电力信号模式的快速识别方法,该方法包括如下步骤:
步骤1、获取多通道电力系统低频振荡时的信号,该信号为低频振荡时电网电压或功率值,振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T由N维相互独立振荡源信号组成,且N维相互独立振荡源信号最多只有一个高斯分布,可表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),…,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量;
步骤2、对多通道低频振荡信号用ICA(Independent component analysis,独立分量法)进行分离,得到能量相互独立的统计独立分量,为SSA做准备;
进一步的,步骤2中ICA分离多通道信号具体步骤如下:
S21、获取低频振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T,由N维相互独立振荡源信号组成,且各分量成分中最多只有一个高斯分布,表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),…,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量;
S22、对对应集合X(t)的低频振荡观测混合数据X根据下式进行中心化,使观测混合数据X的均值为0;
S23、对所得到的数据进行白化,观察混合矩阵X变成白化矢量X;可通过对随机矢量X的协方差矩阵进行奇异值分解,如下:
E(XXT)=EDET
S24、根据特征根顺序,选择需要估计的分量个数m,设迭代次数p=1;
S25、选择一个初始权重矢量Wp,其中Wp随机设置,要求||Wp||2=0;
S27、ICA的迭代终止条件为:
S28、令p=p+1,若p≤m,m为需要估计多通道信号的能量相互独立的分量个数,则返回第S5步重复进行计算。
步骤3、SSA分析,利用SSA分别对所有的统计独立分量进行分解,得到所有统计独立分量的低频振荡参数(A、f、φ、α),从而得出低频振荡的模式。
进一步的,步骤3中SSA(樽海鞘算法)具体步骤如下:
S31、根据ICA算法分离出的各个分量,分量包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α);
S32、根据ICA所分离所得低频振荡各个通道的信号,分别设置SSA算法中领导者与追随者个体,个体包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α),并设置种群个体数量Y、最大迭代数Tmax;
S33、对需要进行低频振荡参数辨识的信号确定的领导者与追随者,并初始化,随机初始化i个个体的位置P为空间维数,确定前N个个体为领导者,N<Y,剩余个体为追随者,在低频振荡参数搜索空间上限集合为Ub=[Ub1,Ub2,…,UbP],搜索空间下限集合为Lb=[Lb1,Lb2,…,LbP];
S34、计算低频振荡所有个体适应度值,设置适应度函数为平方适应度函数,为f=(fi(t)-Xi(t))2,其中:fi(t)为第i个个体低频振荡信号搜索拟合值,Xi(t)为第i个个体的个体位置,选择适应度值最小的个体位置作为初始全局最优位置;
S35、种群位置更新,领导者与追随者分别进行更新,领导者中采用随机数加快搜索,并在追随者更新中利用自适应惯性权重,加快在低频振荡参数中的搜索范围及速度;
领导者位置更新:
追随者位置更新:
ωi为惯性权重,其更新公式为:
ωi=ω0+ωi-1exp(-(αt/Tmax)2)
ω0为初始惯性权重,α为低频振荡搜索空间中的非线性控制参数,Tmax为最大的迭代数;需要指出的是,本发明通过引入优化处理后的惯性权重,使得改进后的SSA算法能够在全局和局部搜索之间保持较好平衡,使得领导者更好地发挥领导者作用,提高了寻优精度和速度;
S36、更新位置,对更新完的个体,比较更新前后个体适应值,将更优的个体进行保留,以最优个体的适应度值,更新低频振荡参数最优解的位置;
S37、判断是否满足迭代次数或精度要求,若满足,则跳出循环,输出最优解;若不满足,则返回S4继续循环;
S38、得到系统的最优估计值并且与原始信号进行拟合,通过拟合误差的大小最终确定振荡模式的各个参数,辨识出低频振荡模式。
为说明本发明方法的有益效果,基于图1的方法,下面还结合实施例1对本发明方法进行详细的描述:
实施例1
获取4×4通道的电力系统低频振荡信号,每一个通道均包含一个振荡模式,各个模式的具体参数如表1所示,经过本发明的基于SSA算法的多通道电力信号模式的快速识别方法分析以后,通过ICA算法进行分离后,再根据SSA算法得到最优参数估计,从而得出低频振荡模式。由下表2可得出,由本发明方法得出的参数与原始参数非常接近,故本发明方法可以有效的辨识低频振荡模式的各个参数。
另外,经过横向时间轴的对比,本发明的快速识别方法的识别速度相对于其它常规的生物优化算法缩短了30%以上的时间,大大加快了多通道电力信号的振荡模式的识别速度,特别该方法适合耦合性较强的多通道的电力系统低频振荡信号分析领域,且应用效果好。
表1
模式 | 幅值/pu | 衰减系数 | 频率/Hz | 相位/rad | 阻尼比 |
1(通道1) | 0.5030 | -14.0000 | 1.1180 | 0.7420 | -0.8938 |
2(通道2) | 0.3620 | -14.1360 | 3.7570 | 1.0380 | -0.5137 |
3(通道3) | 0.1220 | -0.2345 | 0.5880 | 0.9280 | -0.0633 |
4(通道4) | 2.8565 | 0.1490 | 0.2735 | 0.8090 | 0.0864 |
表2
模式 | 幅值/pu | 衰减系数 | 频率/Hz | 相位/rad | 阻尼比 |
1(通道1) | 0.5038 | -14.0070 | 1.1192 | 0.7425 | -0.8937 |
2(通道2) | 0.3627 | -14.1367 | 3.7572 | 1.0381 | -0.5138 |
3(通道3) | 0.1227 | -0.2347 | 0.5889 | 0.9285 | -0.0634 |
4(通道4) | 2.8567 | 0.1491 | 0.2738 | 0.8099 | 0.0863 |
值得一提的是,上述本发明的识别方法可以转换为软件程序指令,既可以使用包括处理器和存储器的软件分析系统来运行实现,或者也可以通过非暂态计算机可读存储介质中存储的计算机指令来实现。
最后,本发明的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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之内。
Claims (3)
1.一种基于SSA算法的多通道电力信号模式的快速识别方法,其特征在于,该快速识别方法包括如下步骤:
步骤1、获取多通道电力系统低频振荡时的信号,该信号为低频振荡时电网电压或功率值,振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T由N维相互独立振荡源信号组成,且N维相互独立振荡源信号最多只有一个高斯分布,可表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),…,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量;
步骤S2:对多通道低频振荡信号用ICA方法进行分离,得到能量相互独立的统计独立分量,为SSA分析做准备;
所述步骤S2中ICA分离多通道信号包括如下步骤S21~S28:
S21、获取低频振荡源信号S(t)=[S1(t),S2(t),…,SN(t)]T,由N维相互独立振荡源信号组成,且各分量成分中最多只有一个高斯分布,表示为X(t)=AS(t)+n(t);其中,t为时间变量,X(t)为M维传感器接收到的观测信号集合,即X(t)=[X1(t),X2(t),...,XN(t)]T,A为M×N阶未知混合矩阵,n(t)为M维观测噪声向量;
S22、对对应集合X(t)的低频振荡观测混合数据X根据下式进行中心化,使观测混合数据X的均值为0;
S23、对所得到的数据进行白化,观察混合矩阵X变成白化矢量X;可通过对随机矢量X的协方差矩阵进行奇异值分解,如下:
E(XXT)=EDET
S24、根据特征根顺序,选择需要估计的分量个数m,设迭代次数p=1;
S25、选择一个初始权重矢量Wp,其中Wp随机设置,要求||Wp||2=0;
S27、ICA的迭代终止条件为:
S28、令p=p+1,若p≤m,m为需要估计多通道信号的能量相互独立的分量个数,则返回第S25步重复进行计算;
步骤S3:SSA分析,利用SSA算法分别对所有的统计独立分量进行分解,得到所有统计独立分量的低频振荡参数(A、f、φ、α),从而得出低频振荡的模式;步骤S3具体包括如下步骤S31~S38:
S31、根据ICA算法分离出的各个分量,分量包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α);
S32、根据ICA所分离所得低频振荡各个通道的信号,分别设置SSA算法中领导者与追随者个体,个体包含幅值、频率、相位和衰减系数4个参数(A、f、φ、α),并设置种群个体数量Y、最大迭代次数Tmax;
S33、对需要进行低频振荡参数辨识的信号确定的领导者与追随者,并初始化,随机初始化i个个体的位置P为空间维数,确定前N个个体为领导者,N<Y,剩余个体为追随者,在低频振荡参数搜索空间上限集合为Ub=[Ub1,Ub2,...,UbP],搜索空间下限集合为Lb=[Lb1,Lb2,...,LbP];
S34、计算低频振荡所有个体适应度值;设置适应度函数为平方适应度函数,为f=(fi(t)-Xi(t))2,其中:fi(t)为第i个个体低频振荡信号搜索拟合值,Xi(t)为第i个个体的个体位置,选择适应度值最小的个体位置作为初始全局最优位置;
S35、种群位置更新;领导者与追随者分别进行更新,领导者中采用随机数加快搜索,并在追随者更新中利用自适应惯性权重,加快在低频振荡参数中的搜索范围及速度;
领导者位置更新:
追随者位置更新:
ωi为惯性权重,其更新公式为:
ωi=ω0+ωi-1exp(-(αt/Tmax)2)
ω0为初始惯性权重,α为低频振荡搜索空间中的非线性控制参数;
S36、更新位置;对更新完的个体,比较更新前后个体适应值,将更优的个体进行保留,以最优个体的适应度值,更新低频振荡参数最优解的位置;
S37、判断是否满足迭代次数Tmax或预设精度的要求,若满足,则跳出循环,输出最优解;若不满足,则返回S34继续循环;
S38、得到系统的最优估计值并且与原始信号进行拟合,通过拟合误差的大小最终确定振荡模式的各个参数,辨识出低频振荡模式。
2.一种基于SSA算法的多通道电力信号模式的快速识别系统,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1所述的基于SSA算法的多通道电力信号模式的快速识别方法。
3.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1所述的基于SSA算法的多通道电力信号模式的快速识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506429.8A CN113036762B (zh) | 2021-05-10 | 2021-05-10 | 基于ssa算法的多通道电力信号模式的快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506429.8A CN113036762B (zh) | 2021-05-10 | 2021-05-10 | 基于ssa算法的多通道电力信号模式的快速识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113036762A CN113036762A (zh) | 2021-06-25 |
CN113036762B true CN113036762B (zh) | 2022-05-24 |
Family
ID=76455148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506429.8A Active CN113036762B (zh) | 2021-05-10 | 2021-05-10 | 基于ssa算法的多通道电力信号模式的快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113036762B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113959448B (zh) * | 2021-10-26 | 2023-08-29 | 江苏海洋大学 | 一种基于改进樽海鞘群算法的水下地形辅助导航方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102035211B (zh) * | 2010-10-26 | 2012-07-04 | 国家电网公司 | 一种抑制电力系统低频振荡的方法、装置和系统 |
CN106405237B (zh) * | 2016-08-31 | 2018-10-02 | 长沙理工大学 | 一种应用于多通道电力系统信号中的低频振荡模式识别的分析方法 |
CN110572126A (zh) * | 2019-09-19 | 2019-12-13 | 国网河南省电力公司焦作供电公司 | 一种基于樽海鞘算法的仿生智能孤岛检测方法 |
CN111027663A (zh) * | 2019-11-12 | 2020-04-17 | 天津大学 | 一种改进樽海鞘群算法的方法 |
CN111371644B (zh) * | 2020-02-28 | 2023-04-07 | 山东工商学院 | 基于gru的多域sdn网络流量态势预测方法及系统 |
CN111509785A (zh) * | 2020-04-26 | 2020-08-07 | 云南电网有限责任公司电力科学研究院 | 一种用于电网多源最优协同控制的方法、系统及存储介质 |
-
2021
- 2021-05-10 CN CN202110506429.8A patent/CN113036762B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113036762A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7064479B2 (ja) | データ識別器訓練方法、データ識別器訓練装置、プログラム及び訓練方法 | |
Elvira et al. | Improving population Monte Carlo: Alternative weighting and resampling schemes | |
CN112052936B (zh) | 基于生成对抗机制的强化学习探索方法及装置 | |
CN113036762B (zh) | 基于ssa算法的多通道电力信号模式的快速识别方法 | |
CN111950711A (zh) | 复值前向神经网络的二阶混合构建方法及系统 | |
CN114897144A (zh) | 基于复值神经网络的复值时序信号预测方法 | |
CN112784493A (zh) | 基于自适应深度q网络的地理空间预测方法及系统 | |
CN110690930A (zh) | 信源数量检测方法及装置 | |
CN111414928A (zh) | 一种人脸图像数据生成方法、装置及设备 | |
CN115272774A (zh) | 基于改进自适应差分进化算法的对抗样本攻击方法及系统 | |
Regazzoni et al. | A physics-informed multi-fidelity approach for the estimation of differential equations parameters in low-data or large-noise regimes | |
Deng et al. | A multi-objective examples generation approach to fool the deep neural networks in the black-box scenario | |
CN111950579A (zh) | 分类模型的训练方法和训练装置 | |
CN111967670A (zh) | 一种基于改进灰狼算法的开关柜局放数据识别方法 | |
US20230087774A1 (en) | Parameter optimization method, electronic device, and storage medium | |
CN115952493A (zh) | 一种黑盒模型的逆向攻击方法、攻击装置以及存储介质 | |
CN115170902B (zh) | 图像处理模型的训练方法 | |
CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
CN113866740A (zh) | 集群目标动态电磁散射特性计算方法及装置 | |
CN113011446A (zh) | 一种基于多源异构数据学习的智能目标识别方法 | |
CN108206024A (zh) | 一种基于变分高斯回归过程的语音数据处理方法 | |
CN108922557A (zh) | 一种聊天机器人的多人语音分离方法及系统 | |
Detkov et al. | Reparameterization through spatial gradient scaling | |
CN113191524B (zh) | 风速预测方法、装置、存储介质及处理器 | |
Kuzma et al. | Interactive evolutionary computation in modelling user preferences |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220613 Address after: 406 (407), yifenghua building, No. 28, yifenghua Innovation Industrial Zone, Xinshi community, Dalang street, Longhua District, Shenzhen, Guangdong 518000 Patentee after: The third construction (Shenzhen) Co.,Ltd. of China Construction Fifth Engineering Bureau Address before: China Construction University, No.158, Zhongyi 1st Road, Yuhua District, Changsha City, Hunan Province, 410004 Patentee before: CHINA CONSTRUCTION FIFTH ENGINEERING DIVISION Corp.,Ltd. |