基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

融合空洞卷积网络的无监督单目深度恢复

针对实际场景中动态物体、场景纹理、相机曝光等诸多影响,深度图提取结果广泛存在细节模糊和丢失等问题,同时因基于深度学习的网络没有传统算法中的捆集优化策略,无法对相机累积的误差进行分摊,这些都影响着深度图的精度.因此本文提出一种融合空洞卷积的DispNet深度网络,同时加入误差分摊策略给网络更强的约束条件.在DispNet的结构设计中,模型中加入空洞卷积设计新的卷积模块,使其扩大感受野,更多的提取上下文信息;模型中引入误差分摊损失函数减少相机误差的累积,以此提高相机位姿估计精度,得到高质量的重建视图;视频帧输入网络前先进行限制对比度直方图均衡化运算再输入模型.本研究在公开数据集KITTI上设计了实验,结果表明空洞卷积和误差分摊损失函数的引入对深度图恢复精度有明显的提升效果.