-
题名基于时空注意力卷积模型的超短期风电功率预测
被引量：7
- 1
-
-
作者
吕云龙
胡琴
熊俊杰
龙敦华
-
机构
重庆大学雪峰山能源装备安全国家野外科学观测研究站
国网江西省电力有限公司电力科学研究院
-
出处
《电网技术》
EI
CSCD
北大核心
2024年第5期2064-2073,I0068,I0069-I0071,共14页
-
基金
国网江西省电力有限公司科技项目(521820220007)。
-
文摘
随着风电利用率的不断提高,风电输出功率的准确预测对电力系统的调度和稳定运行具有重要意义。然而,风力发电的随机性和波动性容易影响功率预测结果的准确性。该文提出一种基于时空相关性的风电功率预测方法,由时空注意力模块和时空卷积模块组成。首先,利用空间注意力层和时间注意力层对不同风机之间的时空相关性进行聚合提取。其次,通过空间卷积层和时间卷积层有效捕捉风电数据之间的空间特征和时间演变规律。最后,采用中国两处实际风电场运行数据对预测方法进行实验验证。结果表明,相比于传统预测方法,时空注意力和时空卷积的融合使该文所提出的预测方法具有较高的预测精度和较好的稳定性。
-
关键词
风电功率预测
时空相关性
图神经网络
时空注意力模块
时空卷积模块
-
Keywords
wind power forecast
spatiotemporal correlation
graph neural network
spatiotemporal attention module
spatiotemporal convolution module
-
分类号
TM721
[电气工程—电力系统及自动化]
-
-
题名基于双流自适应时空增强图卷积网络的手语识别
被引量：2
- 2
-
-
作者
金彦亮
吴筱溦
-
机构
上海大学通信与信息工程学院
上海大学上海先进通信与数据科学研究院
-
出处
《应用科学学报》
CAS
CSCD
北大核心
2024年第2期189-199,共11页
-
基金
上海市自然科学基金(No.22ZR1422200)
上海市科委重点基金(No.19511102803)
上海市产业项目(No.XTCX-KJ-2022-68)资助。
-
文摘
针对提取手语特征过程中出现的信息表征能力差、信息不完整问题,设计了一种双流自适应时空增强图卷积网络(two-stream adaptive enhanced spatial temporal graph convolutional network,TAEST-GCN)实现基于孤立词的手语识别。该网络使用人体身体、手部和面部节点作为输入,构造基于人体关节和骨骼的双流结构。通过自适应时空图卷积模块生成不同部位之间的连接,并充分利用其中的位置和方向信息。同时采用残差连接方式设计自适应多尺度时空注意力模块,进一步增强该网络在空域和时域的卷积能力。将双流网络提取到的有效特征进行加权融合,可以分类输出手语词汇。最后在公开的中文手语孤立词数据集上进行实验,在100类词汇和500类词汇分类任务中准确率达到了95.57%和89.62%。
-
关键词
骨架数据
双流结构
自适应时空图卷积模块
自适应多尺度时空注意力模块
特征融合
-
Keywords
skeleton data
two-stream structure
adaptive spatial temporal graph convolutional module
adaptive multi-scale spatial temporal attention module
feature fusion
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于轻量级图卷积网络的校园暴力行为识别
被引量：3
- 3
-
-
作者
李颀
邓耀辉
王娇
-
机构
陕西科技大学电子信息与人工智能学院
陕西科技大学电气与控制工程学院
-
出处
《液晶与显示》
CAS
CSCD
北大核心
2022年第4期530-538,共9页
-
基金
西安市科技计划(No.201806117YF05NC13(1))
西安市未央区科技计划(No.201305)
陕西科技大学博士科研启动基金(No.BJ13-15)。
-
文摘
针对卷积神经网络和图卷积网络的两类算法在校园暴力行为识别中识别速度和识别率不高的问题,本文提出一种结合多信息流数据融合和时空注意力机制的轻量级图卷积网络。以人体骨架为研究对象,首先融合关节点和骨架相关的多信息流数据,通过减少网络参数量来提高运算速度;其次构建基于非局部运算的时空注意力模块关注最具动作判别性的关节点,通过减少冗余信息提高识别准确率;接着构建时空特征提取模块获得关注关节点时空关联信息;最终由Softmax层实现动作识别。实验结果表明:在校园安防实景中对拳打、脚踢、倒地、推搡、打耳光和跪地6种典型动作识别准确率分别为94.5%,97.0%,98.5%,95.0%,94.5%,95.5%,识别速度最大为20.6 fps。在UCF101数据集上对比两类基准网络,识别速度和准确率均有提升,验证了方法对其他动作的通用性,可以满足对校园典型暴力行为识别的实时性和可靠性要求。
-
关键词
校园暴力行为识别
图卷积网络
数据融合
时空注意力模块
-
Keywords
campus violence action recognition
graph convolution network
information flow data fusion
spatio-temporal attention module
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
