期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度条件概率密度函数的居民电力负荷预测
被引量：
6
1
作者
陈伟
赵裕童
《电网与清洁能源》
北大核心
2022年第5期36-41,共6页
居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定...
居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数,得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系;通过高斯回归方程使得预测向量值符合正态分布;利用交叉验证方法提取预测值的最优自由度,通过借自由度确定分位点,根据对比分析结果确定下一随机变量的预测数据分位点,实现居民电力负荷的预测。仿真实验证明,所提方法得出的电力负荷波动结果与实测结果相吻合,预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高,可为电力决策提供有效帮助。
展开更多
关键词
深度
条件概率
密度
函数
四次方核
函数
线性
函数
自由度
负荷预测
在线阅读
下载PDF
职称材料
基于深度掩码的玉米植株图像分割模型
被引量：
13
2
作者
邓寒冰
许童羽
+5 位作者
周云成
苗腾
李娜
吴琼
朱超
沈德政
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第18期109-120,共12页
随着深度学习技术在植物表型检测领域的应用,有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多,人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提...
随着深度学习技术在植物表型检测领域的应用,有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多,人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提出一种基于深度掩码的卷积神经网络(Depth Mask Convolutional Neural Network,DM-CNN),将深度图像自动转换深度掩码图像,并替代人工标注样本完成图像分割网络训练。试验结果表明,在相同的网络训练参数下,通过测试DM-CNN得到的平均交并比为59.13%,平均召回率为65.78%,均优于人工标注样本对应的分割结果(平均交并比为58.49%,平均召回率为64.85%);此外,在训练样本中加入10%室外玉米苗期图像后,DM-CNN对室外测试集的平均像素精度可以达到84.54%,证明DM-CNN具有良好的泛化能力。该研究可为高通量、高精度的玉米苗期表型信息获取提供低成本解决方案及技术支持。
展开更多
关键词
图像分割
模型
图像处理
玉米
深度
掩码
植物表型
深度密度函数
在线阅读
下载PDF
职称材料
题名
基于深度条件概率密度函数的居民电力负荷预测
被引量：
6
1
作者
陈伟
赵裕童
机构
国网上海市区供电公司
出处
《电网与清洁能源》
北大核心
2022年第5期36-41,共6页
基金
国家电网有限公司科技项目(C4761618K001)。
文摘
居民电力负荷预测主要用于电力调度工作的停电计划,以提高供电可靠度及居民用户满意度。由于电力数据量大且不确定性因素过多,对其负荷进行预测的难度较大。现有的电力负荷预测方法无法获取电力数据的自由度数值,导致负荷预测过程稳定性差、预测结果精度低。提出一种基于深度条件概率密度函数的居民电力负荷预测方法。引入四次方核函数,得出随时间变化下居民电力负荷数据的观测值与预测值间的变量关系;通过高斯回归方程使得预测向量值符合正态分布;利用交叉验证方法提取预测值的最优自由度,通过借自由度确定分位点,根据对比分析结果确定下一随机变量的预测数据分位点,实现居民电力负荷的预测。仿真实验证明,所提方法得出的电力负荷波动结果与实测结果相吻合,预测误差可控制在0.001~0.437 MW。说明该方法预测准确性高,可为电力决策提供有效帮助。
关键词
深度
条件概率
密度
函数
四次方核
函数
线性
函数
自由度
负荷预测
Keywords
depth conditional probability density function
quartic square kernel function
linear function
degree of freedom
load forecasting
分类号
TM736 [电气工程—电力系统及自动化]
在线阅读
下载PDF
职称材料
题名
基于深度掩码的玉米植株图像分割模型
被引量：
13
2
作者
邓寒冰
许童羽
周云成
苗腾
李娜
吴琼
朱超
沈德政
机构
沈阳农业大学信息与电气工程学院
辽宁省农业信息化工程技术研究中心
北京农业信息技术研究中心
出处
《农业工程学报》
EI
CAS
CSCD
北大核心
2021年第18期109-120,共12页
基金
国家自然科学基金(31601218,61673281,31901399)
中国博士后科学基金(2018M631812)
+1 种基金
辽宁省自然基金面上项目(20180551102)
辽宁省教育厅科学研究经费项目(LSNQN202022)。
文摘
随着深度学习技术在植物表型检测领域的应用,有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多,人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提出一种基于深度掩码的卷积神经网络(Depth Mask Convolutional Neural Network,DM-CNN),将深度图像自动转换深度掩码图像,并替代人工标注样本完成图像分割网络训练。试验结果表明,在相同的网络训练参数下,通过测试DM-CNN得到的平均交并比为59.13%,平均召回率为65.78%,均优于人工标注样本对应的分割结果(平均交并比为58.49%,平均召回率为64.85%);此外,在训练样本中加入10%室外玉米苗期图像后,DM-CNN对室外测试集的平均像素精度可以达到84.54%,证明DM-CNN具有良好的泛化能力。该研究可为高通量、高精度的玉米苗期表型信息获取提供低成本解决方案及技术支持。
关键词
图像分割
模型
图像处理
玉米
深度
掩码
植物表型
深度密度函数
Keywords
image segmentation
models
image processing
maize
depth mask
plant phenotype
depth density function
分类号
S823.92 [农业科学—畜牧学]
TP391.41 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度条件概率密度函数的居民电力负荷预测
陈伟
赵裕童
《电网与清洁能源》
北大核心
2022
6
在线阅读
下载PDF
职称材料
2
基于深度掩码的玉米植株图像分割模型
邓寒冰
许童羽
周云成
苗腾
李娜
吴琼
朱超
沈德政
《农业工程学报》
EI
CAS
CSCD
北大核心
2021
13
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
