一种基于深度学习算法的电网故障诊断方法

电网故障原因复杂,开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难,所以需要从更深入的层面表征电网故障,并对其进行故障诊断。针对这一问题,本文提出一种基于深度学习算法的电网故障诊断方法,该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构,对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。     

向东看得更远:印度全球外交走进南太平洋

<正>随着经济全球化的深度发展,区域与区域之间融合与联系也愈加深入和频繁,"印度洋—太平洋地区"(以下简称"印—太地区")这一词语也开始被经常用来描述新涌现出的其中一种地缘政治现象。曾经被视为亚太边缘地区国家的印度如今不仅正在向着西太平洋核心区域挺进,而且也开始把触角伸到更远的南太平洋地区。莫迪旋风:交朋友、谈合作、投资金冷战结束之后,为了适应新的国际形势,印度雄心勃勃地提出"向东看"的外交战略方针,其主要原因就是印度看到了亚太经济蓬勃发展给地区各     

基于改进型Yolov4的室内安全帽佩戴状态检测算法

为实现智能检测室内作业人员是否佩戴安全帽，提出了一种改进的Yolov4算法．首先，针对目前室内安全帽佩戴状态检测实验数据较为匮乏的问题，自建了一个用于室内场景的安全帽佩戴状态检测数据集．随后，为提升室内监控图像中模糊、微小目标的安全帽佩戴状态检测准确率，设计了自校准多尺度特征融合模块并将其嵌入原Yolov4网络中．该模块首先通过深度超参数化卷积从上至下、从下至上融合不同尺度下的特征，加强待检测目标的特征纹理，使得模型能够检测出这两类目标．再通过特征自校准模块对融合后的特征进行过滤，加强或抑制特征图上的每一像素点，使得模型可以在融合后的特征图上进行精确的检测．此外为加速模型收敛，使用解耦合的检测头替换原Yolov4中的耦合检测头，使目标定位任务与安全帽佩戴状态的分类任务相互独立．最后为提升模型对于重叠目标的检测能力，提出了软性非极大值抑制后处理算法Soft-CIo U-NMS．实验结果表明，该改进的Yolov4模型能够准确地识别出室内作业人员是否佩戴安全帽，准确率达到了95.1%．相比于原Yolov4模型，该模型对位于监控摄像头远端的模糊、微小目标和监控图像中重叠目标的检测能力有明显提升...     

一种可用于压缩态光场弱信号探测的放大电路

根据基于基尔霍夫电流定律的平衡零拍探测原理,设计了一种新的测试方法,在测试过程中脱离以往复杂光路的搭建以及实验环境的高要求,直接对平衡零拍探测中所需的量子噪声光电流信号进行放大测试,并且可以判断出对微弱的量子噪声电流信号的放大效果.另外,在测试过程中,该放大电路具有高灵敏度性和高增益性,能够对微弱的量子噪声很好地进行放大.测试结果表明,该种测试方法能够很简捷地测试出放大后的量子噪声.     

气象探测装备保障体系建设的若干思考

随着科学技术水平的快速发展,我国气象事业的智能化、自动化和多样性特征越发明显,各种现代化的探测仪器及装备在气象部门得到了广泛应用。为确保其可以长期稳定运行,应加强气象探测装备保障体系建设,推动气象事业持续健康发展。基于此,本文结合南通市气象探测装备保障体系建设实际,对其建设目的、现状及存在问题等进行分析,并给出了几点建设对策,仅供相关部门参考借鉴。     

大气探测激光雷达的分类和特征

激光雷达被广泛地应用于云、气溶胶、大气成分、温度和风速的探测当中.应用于大气探测的激光雷达种类繁多，通常会使用不同的分类方法对激光雷达进行归类，使得同一台激光雷达可能会被赋予不同的名称，而被归类于同一类型的激光雷达之间又可能存在显著差异.按照激光雷达的测量角度和测距方式、光谱特征、探测目标、搭载平台等多种分类方法对现有的大气探测激光雷达进行了归纳，描述了各种不同类型激光雷达的特征，并介绍了不同类别激光雷达之间的联系.在实际科研和业务中，需要结合各种激光雷达的优、缺点，根据探测目标、数据质量要求和预算来选择最适合的激光雷达类型来进行大气探测.     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

基于Lightgbm和XGBoost的优化深度森林算法

教育规模不断扩大，高校在校生人数持续上升，导致学生的能力参差不齐.为了提升教育水平，教师需掌握学生在校期间的学习状态，预测学生期末成绩是教师掌握学生学习状态的重要途径之一.目前的研究工作主要采用传统的机器学习算法进行成绩预测，如随机森林、贝叶斯、深度森林等，但精度不高；也有利用深度学习算法进行预测，但模型缺少可解释性. Lightgbm(Light Gradient Boosting Machine)算法内存消耗低，时间复杂度低，而XGBoost(eXtreme Gradient Boosting)算法精度高.因此，基于提高精度与降低模型内存消耗的策略，将深度森林中的随机森林与极限随机森林模块分别替换为Lightgbm和XGbBoost，提出一种基于Lightgbm和XGBoost算法的优化深度森林算法LIGHT-XDF.在八个数据集上与其他模型进行对比实验，结果表明，LIGHT-XDF算法的综合性能最好.     

管线探测在城市建设中的应用

结合新建郑州快速化城市建设工程,采用地质雷达和RD8000型管线探测仪对承台施工范围内地下管线进行探测,通过查看已有的管线资料和现场勘测,重点采用管线探测仪对金属管线进行探测,对非金属管线则采用地质雷达探测。通过综合运用不同探测手段,准确探测出地下管线的位置走向、和埋深,为承台安全施工提供依据。     

用于不稳定原子核研究的共线激光谱仪研制进展

不稳定原子核的基本性质是研究核结构的重要探针之一,有助于我们理解丰中子/丰质子核中出现的新奇物理现象,也是检验和发展核理论模型的重要依据.利用精密激光谱学技术测量核外电子的超精细结构光谱,可以精确提取不稳定原子核基态和长寿命同核异能态的自旋、磁矩、电四极矩和电荷半径等多个基本性质.本文简单介绍了国际上激光谱学技术的发展现状和超精细结构光谱的测量原理.在此基础上,详细介绍了在我国研制的基于荧光探测的共线激光谱系统及近期的优化升级现状.通过测量Ti原子和Ca离子的高分辨共振谱,有效验证了共线激光谱设备的整体性能.最后,结合我国现有和发展中放射性核束装置的物理目标,提出进一步优化升级激光谱技术,提高其分辨率和灵敏度,并用于不稳定核研究的计划.